Нейронная сеть для биржевой торговли на рынке форекс

Сегодня трудно переоценить роль финансовых рынков в современной рыночной экономике. Основной задачей валютной политики государства является обеспечение условий для поддержания стабильности национального валютного рынка [1, 2]. Валютный рынок Форекс в настоящее время является неотъемлемой частью финансового рынка государства. Ей отводится связующая роль с международными рынками товаров, услуг и капитала. Это выступает в качестве положительной составляющей для роста уровня ВВП страны в целом [2].

Биржевая торговля на рынке требует высокой концентрации и психологической устойчивости трейдера, что решается с помощью автоматических торговых систем (АТС) и торговых роботов (ТР) [3].

Конструкция, а также использование нейронных сетей, могут быть использованы для выполнения постоянной настройки параметров в автоматической торговле. Способность обрабатывать различные типы данных, воспроизводить сложные нелинейные взаимосвязи, высокая эффективность работы с большими объемами данных и отсутствие ограничений на функцию распределения данных-характеризует преимущество нейросетевых технологий.

Такие сети способны решать большие, сложные интеллектуальные задачи, что отличает их от алгоритма, описывающего определенную последовательность действий. Компьютерная нейронная сеть - это сущность, состоящая из массива искусственных нейронов с организованной связью между ними.

Понятие "Нейронная сеть" (НС) появилось в ходе изучения процессов, происходящих в мозге, и попыток их воспроизведения.

Известно, что биологическая нейронная сеть состоит из нейронов, где импульсы передаются химическими или электрическими средствами [3].

В человеческом мозге это выглядит так, как показано на рисунке 1: изображение, которое видит глаз, передается в мозг с помощью фоторецепторов, где эти же нейроны "собирают" картинку, складывая отдельные узнаваемые элементы, как кусочки головоломки, в единую картинку.

Рис. 1. Передача изображения в головном мозге

Компьютерная нейронная сеть (НС) должна решать три типа задач: сортировать, прогнозировать и распознавать объекты и события [4].

Простейшая нейронная сеть, как показано на рисунке 2, представляет собой один "слой" нейронов, соединенных друг с другом.

Рис. 2. Простейшая нейросеть из трех нейронов

Для того чтобы активировать работу нейронной сети, ее необходимо обучить как показано на рисунке 3.

Задача может быть решена с помощью различных алгоритмов и методов:

• -    обучение с учителем;

• -    обучение без учителя;

• -    обучение с подкреплением.

Рис. 3. Иллюстрация процесса обучения НС

В процессе функционирования нейронная сеть генерирует выходной сигнал Y, реализующий определенную функцию Y = G (X). Если задана архитектура сети, то форма функции G определяется значениями синаптических весов и смещения сети.

Математическая модель нейрона может быть построена с использованием двух функций, суммирующих произведение коэффициентов входных данных и самих данных, а затем полученное решение вычисляется с использованием функций активации [5].

Основными активационными функциями являются:

• -    пороговая активационная функция (функция Хевисайда). Не используется для алгоритма обратного распространения ошибки.

• -    сигмоидальная активационная функция.

• -    гиперболический тангенс.

Объединение блока таких нейронов образует нейронную сеть. Нейрон-это простой процесс, который может преобразовывать входные сигналы в выходные сигналы рис. 4.

Рис. 4. Математическая модель нейрона

Особенностью ТР, основанной на использовании нейронных сетей и алгоритмов машинного обучения, является возможность самообучения, что позволяет автоматизировать процесс настройки без вмешательства человека.

Можно выделить следующие преимущества нейронных сетей:

• -    решают задачи при неизвестных закономерностях;

• -    устойчивы к шумам во входных данных;

• -    адаптивны к изменениям окружающей среды;

• -    обладают сверхвысоким быстродействием;

• -    отказоустойчивость.

Если нейрон или его соединение повреждены, становится трудно извлечь сохраненную информацию. Однако, учитывая распределенный характер хранения информации в нейронной сети, можно утверждать, что только серьезное повреждение структуры нейронной сети существенно повлияет на ее производительность. Поэтому снижение качества нейронной сети происходит медленно.

Для успешного прогнозирования финансовых рынков в целях обеспечения государственных интересов национального банка необходимы искусственные нейронные сети, использующие предварительную обработку входных данных и инструмент механизма принятия решений.