Neurális hálózat automatizált kereskedési rendszer


A szakirodalom áttanulmányozásával több neurális hálózati modell alkalmazásának lehetőségét vizsgáltam, felügyelt és nem felügyelt tanítású hálózati struktúrát is górcső alá vettem, és használtam fel devizapiaci előrejelzésre. Hibrid megoldásként a kettő kombinációjával hoztam létre automatikus kereskedési rendszert. A megépített rendszer elemzésével javaslatot tettem a nem felügyelt tanulású önszervező térkép kizárólagos alkalmazására.

Neurális hálózatok II.

Előrejelző képességét nemcsak elméleti, hanem gyakorlati szinten is, valós piaci környezetet szimuláló kereskedési platformon elemeztem. BEVEZETÉS A pénzügyi piacok árfolyam-előrejelzése manapság rendkívül felkapott, divatos téma, amely foglalkoztatja mind a pénzügyi befektetőket, mind a tudomány embereit, a kutatókat, így például matematikusokat és fizikusokat is.

A téma azonban nem új keletű, hiszen már régóta kísérleteznek különféle módszerekkel, hogy a meglévő információk alapján megjósolják az árfolyamok jövőbeli alakulását. Egy megbízható előrejelzés döntések alapjául szolgálhat a vállalatirányításban, befolyással lehet az állami szervek vagy a jegybankok stratégiájára, vagy éppen alapját képezheti a spekulatív befektetéseknek. Az árfolyam-előrejelzés az idősori előrejelzések kategóriájába tartozik. Másutt fuzzy logikára vagy a genetikus algoritmusokra építő előrejelzésekről olvashatunk.

Az automatizálás története

Előbbi Lotfi A. Zadehutóbbi John Holland nevéhez fűződik. Az előrejelzési módszereknél alkalmazható a K-legközelebbi szomszéd osztályozási módszer is, amelyet elsőként E. Fix és J. Hodges publikált Nem sokkal a megjelenésük után, a múlt évszázad második felétől kezdték el alkalmazni a mesterséges neurális hálózatokat előrejelzésre.

Alkalmazásukkal kapcsolatban a mai napig is számos nyitott kérdés maradt. Dolgozatomban ezen neurális hálózat automatizált kereskedési rendszer kérdésekre keresem a választ, és egy olyan rendszer elkészítését tűztem ki célul, amely az előrejelzések alapján valós kereskedés folytatására is képes, hiszen ezáltal az eredmények a gyakorlatban is ellenőrizhetők, valamint alapját képezhetik egy automata kereskedési rendszernek.

Devizapiaci árfolyam-előrejelzés neurális hálózatokkal

SZÁM A devizapiac, ahogy a neve is sugallja, nem más, mint az a piac, ahol a neurális hálózat automatizált kereskedési rendszer nemzeteinek fizetőeszközei cserélnek gazdát. A létrehozása re tehető, amikor a világ legnagyobb gazdaságainak kormányai feloldották a fizetőeszközök egymáshoz viszonyított, rögzített arányait, és kezdetét vehette az arányok kereslet-kínálat által meghatározott alakulása Levinson []. A Forex Foreign Exchange mára a világ legnagyobb és leglikvidebb piacává nőtte ki magát.

Egy es tanulmány adatai alapján naponta átlagosan billió dollár fordul meg a Forexen Bank for International Settlements. A kereskedők három különböző típusát találhatjuk meg a piacon: nemzeti központi bankok kriptovaluták befektetési bizalma. A Forexen a devizák egymáshoz viszonyított aránya adja egy devizapár árfolyamát, így mind emelkedő, mind csökkenő árfolyam esetén nyereség, illetve veszteség könyvelhető el.

neurális hálózat automatizált kereskedési rendszer kriptokereskedelem pénzáramlás

A rendkívül magas tőkeáttételnek köszönhetően egyben a világ legvolatilisebb piaca is. Tovább növeli a kockázatot, hogy az árfolyam alakulását rengeteg tényező, a világ egészének eseményei befolyásolják a nap 24 órájában. A Forexen a kereskedők a meglévő információik alapján piaci elemzéseket készítenek, és a várakozásaiknak megfelelően fektetik be a pénzüket. A befektetési időt tekintve mára már a milliszekundumoktól egészen a hónapokig tartó intervallumok is előfordulnak.

neurális hálózat automatizált kereskedési rendszer bináris opciók jelei 2020

Az piaci elemzések módszerét tekintve két csoport különíthető el: a fundamentális és a technikai elemzés. A következő részben a dolgozathoz kapcsolódó főbb devizapiaci fogalmakat mutatom be röviden.

neurális hálózat automatizált kereskedési rendszer bináris opció görögök

Így olyan rendszerek jöttek létre, amelyek a természetből ellesett módon mintákból, példákból nyert tapasztalatok felhasználásával, tanulás útján alakítják ki feladatmegoldó képességüket. A neurális számítástechnika mára önálló tudománnyá vált Neurális hálózatok felépítése, típusai Felügyelt tanulású hálózatok Az 1. Amint látható, egy neuronnak tetszőleges számú bemenete neurális hálózat automatizált kereskedési rendszer egy kimenete van.

Emellett egy öszszegzőből és egy leggyakrabban nemlineáris aktivációs függvényből áll. A neuronokat jellemzően rétegekbe rendezik, és az így kialakított rétegek közti öszszeköttetések adják a neurális hálózatot.

Egy többrétegű hálózatban definiálunk bemeneti, rejtett és kimeneti réteget 2. SZÁM Egy neurális hálózat használatát mindig a hálózat tanulása előzi meg, ennek során a múlt ismeretei, a tanító minták alapján kerülnek módosításra a hálózati súlyok. Ezt követően lehet a tanított hálózatot a kívánt célra felhasználni.

Mi különbözteti meg a fedezeti alapokat

A tanuló algoritmus részleteit nem célom bemutatni, néhány alapvető lépést azonban igen. Az első lépésben az adathalmazt fel kell osztani tanító- validációs- és tesztmintákra, amelyek a hálózat általánosító képességét javítják.

Ezután a hálózati súlyok véletlenszerű kiválasztása, felinicializálása következik. Ezt követően egy újabb bemenet érkezésekor a neuronok aktiválásával a kimeneten megjelenő értéket egy célértékhez hasonlítjuk. Minden bemeneti mintához tartozik egy kimeneti minta, ami az előzetes megfigyeléseinkből származik. A neurális hálózat tanításánál ez a megfigyelt kimeneti minta lesz a cél target.

A hálózat tanítása az a tevékenység, amikor a hálózati súlyokat úgy módosítjuk, hogy a kimenetek minél közelebb legyenek a célértékekhez. Ezt úgy végezhetjük el, hogy a kimeneti hibát visszavezetjük a hálózati összeköttetésekre, azaz a hiba egy bizonyos mértékével amelyet a tanulási tényező határoz meg megváltoztatjuk a hálózati súlyokat Retter [].

Ekkor valójában nem teszünk mást, mint a kimeneti hibafelületen a negatív gradiens irányába haladunk mindaddig, amíg el nem érjük a kellő pontosságot, vagy a hiba nem csökkenthető tovább 3. Ezáltal a fő alkalmazási területeik a következők: 5 függvényapproximáció és regressziós analízis, rendszeridentifikáció, szabályozástechnika és jelfeldolgozás, idősori előrejelzés Nem felügyelt tanulású hálózatok A neurális hálózatok másik típusa a nem felügyelt más néven nem ellenőrzött tanulású hálózatok.

Ezen hálózatok esetén induláskor nem ismerjük a helyes eredményeket Retter [].

neurális hálózat automatizált kereskedési rendszer hogyan lehet meggazdagodni néhány hónap alatt banki kivonatok jelzálog

Mivel a kimenetek helyességére semmilyen információnk nem áll rendelkezésre, a hálózatnak a tanulást a bemenetek alapján kell elvégeznie. Így pl. A nem ellenőrzött tanulású hálózatok alkalmazási területei így jelentősen eltérnek az ellenőrzött tanulású hálózatokétól: hasonlóságok megállapítása a bemeneti minták között, csoportok, klaszterek kialakítása a bemeneti mintatérben, adattömörítés, szövegbányászat.

Az előrejelzés során egy Kohonen-féle önszervező térképet használok, így a továbbiakban ezt a típust mutatom be.

2. Facebook

Kohonen önszervező térképe self-organizing map SOM egy nem felügyelt tanulású emiatt önszervező neurális hálózat Kohonen []. Emellett pedig térkép, mert a kimeneti réteg neuronjai egy kétdimenziós síkbeli rácselrendezést mutatnak 4. SZÁM A hálózat fő feladata, hogy egy sokdimenziós folytonos teret egy alacsonyabb dimenziójú, legtöbbször kétdimenziós diszkrét térré képezzen le, miközben a többdimenziós vektortér fontos jellemvonásait a kétdimenziós tér topológiájában jelenítse meg.

Ez utóbbi megállapítás rendkívüli fontossággal bír, hiszen ezáltal a térképen egymással szomszédos neuronok osztályok a bemeneti mintatérben is egymás mellett helyezkednek el Devizapiaci alkalmazási lehetőségek A neuronhálók Forexen történő alkalmazása mind fundamentális, mind technikai értelemben lehetséges. Egy neurális háló bemenete ugyanis tetszőleges információ lehet, ha neurális hálózat automatizált kereskedési gyorsan több pénzt kell keresnem megfelelően, konzisztens módon, meghatározott matematikai formulával számadattá alakították.

Nincsenek szabályok ezen a téren, véleményem szerint a leképezések megvalósításának csak a felhasználó fantáziája szab határt. Fundamentális értelemben a hálózat bemeneteit képezhetik makroadatok, gazdasági indikátorok, befektetési lehetőségek bitcoinban akár egy szövegfeldolgozás eredménye is pl.

Technikai értelemben a leggyakrabban az árfolyamok, ún. Ekkor például az idősori értékeket egy adott méretű csúszóablak segítségével választják ki, és ez képezi a hálózat bemenetét Chong [].

Az ablakban lévő adatok képezhetik a háló aktuális bemeneti értékeit, a háló kimenete pedig az adatsor adott időegységgel eltolt érték e 5. Az x tengelyen az abszolút idő, az y tengelyen a devizapár árfolyamának értéke látható. Az egyik oldalról azt bizonyítják, hogy az árfolyamok alakulása nem jósolható meg előre, ehhez kapcsolódik a tőkepiaci hatékonyság fogalma is.

A másik oldalról viszont éppen ennek az neurális hálózat automatizált kereskedési rendszer igyekeznek bebizonyítani, azaz a legkülönfélébb módszerekkel próbálják meg előre jelezni a jövőbeli emelkedéseket és eséseket. Ezek a különféle előrejelzési modellek A tőkepiaci hatékonyság Tökéletes tőkepiaci árazásról beszélünk, ha a tőkepiaci árfolyamok minden pillanatban a rendelkezésre álló összes információra helyesen reflektálnak, egyensúlyban vannak, amely egyensúlyból csak új információ hatására mozdulhatnak ki.

Az es évek végéig viszonylag kevés elméleti vagy empirikus kutatási eredmény látott napvilágot a tőkepiacokról. Fama kiindulópontja az volt, hogy az adott eszköz árának tartalmaznia kell minden, a piacon hozzáférhető információt ahhoz, hogy a piacot hatékonynak tekinthessük Molnár ajánlott bináris opciós brókerek az USA-ban A tőkepiaci hatékonyság szintjei Fama es alapművében a hatékonyság tesztjeit három csoportba osztotta, majd később ben némileg átalakította a hatékonysági szintjeit: Gyenge szint: a változók sorozatának információit például árak, volumenek, osztalékok, kamatok, számviteli eredmények teljességgel tükrözik az árak; Félerős szint: az árak azonnal és helyesen tükrözik a nyilvánosan public bejelentett információkat; Erős szint: az árak a magán private információkat is teljességgel tükrözik.

  1. Kriptovaluta kereskedési alkalmazás a legjobb
  2. Automatikus kereskedési alkalmazások
  3. Kriptovaluta befektetési tanfolyam: lépésről lépésre útmutató
  4. Tőzsdei kereskedési rendszerek mesterséges intelligenciával. -
  5. Legjobb kriptokereskedők az etoro-n
  6. Forex brókerek nekünk, ügyfeleknek
  7. Valódi bináris opciók
  8. Crypto Invest alkalmazás

Mivel a dolgozatom további részében a historikus adatok alapján történő előrejelzésekkel foglalkozom, a szintvizsgálatok közül csak a gyenge szint vizsgálati módszereit mutatom be A hatékonyság gyenge szintjének vizsgálata Autokorrelációs elemzések Az idősori korrelációs vizsgálatok egy komplexebb fajtája az ún. Részvényeknél vagy devizapároknál ez azt jelenti, hogy az időben egymást követő hozamokra autokorrelációkat számítunk.

Egy idősor autokorrelációja nem más, mint az időben egymástól eltolt értékek korrelációja.

Megerősítő tanulás

Diszkrét idejű esetet tekintve, a következőképp adhatjuk meg: 8 SZÁM 1 ahol x n az idősor n. Az autokorrelációs vizsgálatokat általában valamilyen normalizálási folyamat előzi meg.

Ekkor a normál differenciáláson kívül legtöbbször e két formula valamelyikét alkalmazzák Wordpress [] : 2 ami a normál hozamszámítás képlete, ahol r a hozam, p az árfolyam értéke, i és j periódu indexek, valamint a ami a logaritmikus hozamszámítás képlete.

Az utóbbi előnye, hogy leegyszerűsíti az egymást követő hozamok számítását: 3azaz két időben egymástól távolabb eső logaritmikus hozam a közbenső hozamok öszszege.

Háttér Bevezetés a Deep Learning kereskedésbe a fedezeti alapokban Az elmúlt években a mély neurális hálózatok rendkívül népszerűvé váltak.

Az autokorrelációs kutatások általában kis korrelációt mutatnak még rövid távon is részvény- és devizapiacon egyaránt. Példaként egy ben megjelent publikáció eredményeit mutatom be: 6.

neurális hálózat automatizált kereskedési rendszer online bináris tőzsdei kereskedési tippek

Az eredmények arra engednek következtetni, hogy az egymást követő hozamok véletlenszerűen alakulnak Keresztkorrelációs elemzések Külön kezelendő egy másik idősorral vett korrelációs vizsgálat, az ún.

Nem kizárt ugyanis, hogy egy árfolyam időben eltolva követ egy másik árfolyamot. A devizapárok között nagy keresztkorreláció figyelhető meg, ha időbeli eltolás nélkül vizsgáljuk ezeket.

Bollinger Bands jelző - mozgó átlag használata két kereskedési sáv felett és alatt.

Néhány hasonló korrelációs adatot mutat be az 1. Órás keresztkorrelációs értékek a fő devizapárok között 1. Abban az esetben, ha eltolást is alkalmazunk, a keresztkorrelációs értékek 0-hoz közeli értéket vesznek fel 7.

Az ábrán látható a 0 időeltolással számított nagy negatív érték. Ennek megfelelően a keresztkorrelációs vizsgálatok is alátámasztják a gyenge szint fennállását. Az ilyen jellegű elemzések során a hozamokat havi vagy napos elemzésben vizsgáljuk. Ezek a kutatások olyan szezonalitásra kívánnak fényt deríteni, mint például a január effektus, amely szerint nemcsak az USA-ban, hanem sok más külföldi piacon is szignifikánsan magasabb hozamot figyeltek meg az év első hónapjában. Emellett a hétfői napok kiugróan alacsony hozamát és a pénteki és némelyest a szerdai magasabb hozamokat említik klasszikus konklúzióként.

A jelenség mára már eltűnt Andor Ormos []. A gyenge szint fennállásának vizsgálatából arra a következtetésre juthatunk, hogy az árfolyamok eddigi alakulásából nem következtethetünk a további mozgásokra Előrejelzési kutatások neurális hálózatokkal A téma kapcsán a szakirodalom rendkívül sokrétű.

neurális hálózat automatizált kereskedési rendszer bináris opciók szakértői söpredék

A kutatások a neurális hálózatok számos változatát vizsgálják. A neurális hálózatok legfőbb előnyeként említik a nemlineritást, az univerzális függvényapproximációs és általánosító képességet. Azonosítani kell a targetértékeket. Létre kell hozni az adathalmazt, mely a neurális hálózat bemenetét képezi.

A hálózat aktiválása: a hálózati architektúra és a paraméterek kiválasztása. Az elkészült hálózat általánosító képességének vizsgálata az előrejelző képesség meghatározása out-of-sample 2 adatokon.

A fenti csoportosítást alkalmazva, a szakirodalomban a következőkkel találkozhatunk leggyakrabban: Inputok Gyakori megközelítés, hogy az eszköz múltbéli árai képezik a neurális hálózat bemenetét Kalyvas []. A technikai adatok mellett számos vizsgálat fundamentális adatokat is felhasznál Pissarenko []ilyenek például az inflációs és munkanélküliségi ráta, a jegybanki alapkamat vagy GDP értéke Célértékek Több kutatás említi a bemenethez illeszkedő célérték alkalmazását, azaz a bemeneti értékek jövőbeli értékét.

Például, ha a bemenetként valamilyen exponenciális mozgóátlag differenciáit alkalmazzuk EMA tn. Nem számottevően, de találkozni olyan célfüggvénnyel is, mely egyfajta indikátorérték arra vonatkozóan, hogy milyen pozíciót érdemes felvenni Mizuno et al.

Tárolás IoT A mesterséges intelligencia AI és a gépi tanulás ML egyedi lehetőségeket és kihívásokat kínál a virtuális és fizikai világokra kiterjedő műveletek számára. Az AI és a ML felismerhetik a valós bemeneti adatok és az eredmények közötti korrelációkat, és összetett fizikai ipari rendszereket automatizáló döntéseket hozhatnak. Az AI gépi tanulási rendszerek azonban nem képesek magasabb szintű kognitív funkciók elvégzésére, például feltárásra, improvizációra, kreatív gondolkodásra vagy az okozati összefüggések meghatározására. A gépi tanítás egy új paradigma a gépi tanulási rendszerekhez, amelyek: Az automatizált AI-rendszerek modelljeibe beépíti a szakterületek szakértelmét. Mély megerősítő tanulás használatával azonosítja a tanulási folyamat mintáit, és pozitív viselkedést alkalmaz a saját módszereiben.

Emellett előszeretettel alkalmaznak visszacsatolt hálózatot is, Jordan- és Elmanstruktúrát egyaránt Kondratenko Kuperin [] A hálózatok paraméterei A szakirodalomban hasonló módszerekkel mérik a hálózat hibáját, valamint az adathalmaz tanító- validációs- és tesztadatokra történő bontása is konzisztensen történik.

Olyan adathalmazon történő teszt, amely nem vett részt a tanulásban.

7.3. Ipari folyamatok modellezése

SZÁM Az előrejelzési eredmények vizsgálatára két lehetséges irány merülhet fel. Az egyik az előrejelzéssel elérhető hozam meghatározása. Kereskedési stratégiaként azt az egyszerű feltételt szokás alkalmazni, amely szerint vételi pozíciót vesznek fel, ha a jósolt ár magasabb, mint az aktuális és fordítvaa nap végén pedig megvizsgálják a kapott eredményt, azaz zárják a pozíciót. Egy másik módja az eredmények vizsgálatának, ha a kapott modell előrejelző képességét valamilyen más előrejelző modellel hasonlítjuk össze.

Az előrejelzés számítástechnikai háttere Ha neurális hálózatokkal szeretnénk dolgozni, akkor vagy egy már megírt, jól konfigurálható szoftvert alkalmazunk mint például a MATLABvagy saját magunk készítjük el a neurális hálózatot megvalósító programot.

Gyakran ismételt kérdések

Utóbbi programozási ismereteket kíván meg, azonban ezáltal elkerülhetetlen, hogy pontosan megértsük a neurális hálózatok működését, ami nélkül nem érhetők el érdemi eredmények.

A lehetőségek felmérése után választásom az utóbbira esett. A hálózatokat a MetaTrader4 elnevezésű platformon alkalmaztam.