![神经网络实验(第 6 部分):自给自足的价格预测工具 — 感知器](https://c.mql5.com/2/54/perceptron_600x314.jpg)
神经网络实验(第 6 部分):自给自足的价格预测工具 — 感知器
概述
感知器是一种机器学习技术,可用于预测市场价格。对于那些努力获得价格预测的交易者和投资者来说,这是一个实用的工具。
一般概念
感知器是一个简单的神经网络,由一个或多个神经元组成,这些神经元接受输入数据,进行处理,并提供输出。 它由弗兰克·罗森布拉特(Frank Rosenblatt)于 1957 年开发,此后在各个领域得到了广泛的应用,包括金融分析和股票市场预测。
感知器可解决分类和回归问题,包括价格预测。 在最简单的情况下,感知器由单个神经元组成,该神经元接受多个输入变量,并产生单个输出信号。 例如,为了预测外汇市场的价格,您可以采用以下输入数据:汇率,交易量,消费者价格指数、和其它因素。 数据处理完毕之后,神经元生成一个输出信号,其为货币对的预测。
感知器工作原理
感知器的操作基于监督学习原理。 这意味着感知器依据历史数据进行训练,从而判定各种市场因素和价格之间的关系。 该数据用于调整神经元的权重,从而判定每个输入因子对预测股票价格的重要性。
感知器可以在学习和预测模式下运行。 在训练模式下,感知器将外汇市场中的历史数据和实际价格作为输入,然后以最小化预测误差的方式调整其权重。
运用感知器预测外汇价格的益处
- 使用感知器预测外汇价格有若干优点。 首先,感知器能够适应市场的变化,并根据新的数据调整其预测。 这使得它比传统的数据分析方法,如统计分析和时间序列等更有效,后者不能始终适应市场变化。
- 其次,感知器可以处理大量输入数据,这令其可参考影响价格的许众不同因素。 由此可导致比传统数据分析方法更准确的价格预测。
- 第三,感知器可以依据大量数据进行训练,这允许它基于大量历史数据进行训练和价格预测。
然而,运用感知器来预测价格也有一些缺点。 首先,感知器可能很容易受到数据中的峰值或误差的影响,这可能导致价格预测不准确。 其次,训练感知器需要大量的历史数据。 如果历史数据不能充分代表当前的市场情况,那么感知器预测可能不准确。
此外,当感知器对历史数据过于敏感而无法适应新的市场变化时,可能会出现过度拟合的问题。 为了应对这个问题,可以使用各种监管技术,例如 L1 和 L2 正则化,这有助于控制神经元权重,并防止过度拟合。
感知器可以与其它预测方法,如自回归模型(ARIMA) 或指数平滑结合使用,从而获得更准确、更可靠的预测。 例如,您可以使用感知器来预测长期价格趋势,并使用 ARIMA 或指数平滑来预测短期价格趋势。请记住,用于训练感知器的历史数据可能与当前的市场条件并不匹配。 在这种情况下,预测结果可能并不准确。 因此,应定期更新模型,以便充分反映市场变化。
优化感知器的参数
感知器是最简单的神经网络类型之一,它由输入层、隐藏层和输出层组成。 它可用于各种任务,例如分类、回归或图像处理。 不过,为了令感知器有效工作,必须正确为其选择参数。
感知器参数是定义其结构和行为的数值。 它们包括隐藏层的数量,每层中的神经元数量,激活函数,学习率、等等。 正确调整的参数令感知器获得最佳结果。
此处是一些可以优化的感知器参数:
Number of hidden layers
隐藏层的数量决定了模型的复杂性。 如果模型太简单,那么它可能无法胜任任务;如果它太复杂,则可能发生过度拟合。 因此,应根据要解决的问题以最优方式选择隐藏层的数量。
Number of neurons in each layer
每层中神经元的数量也会影响模型的复杂性。 大量的神经元可以提高预测的准确性,但同时会增加训练时间。 神经元的数量应该针对特定任务进行优化。
以下示例事关 Number of hidden layers,Number of neurons in each layer。 此处用到了 NeuralNets 函数库:
int OnInit() { // set the number of neurons in the input, hidden and output layers int n_inputs = 2; int n_hidden = 3; int n_outputs = 1; // create a perceptron object CNeuralNet ann; // add layers ann.AddLayer(n_inputs); ann.AddLayer(n_hidden, CNeuralNet::TANH); ann.AddLayer(n_outputs, CNeuralNet::TANH); // set learning parameters ann.SetLearningRate(0.1); ann.SetMomentum(0.9); ann.SetMaxEpochs(1000); ann.SetDesiredAccuracy(90); // create arrays to store input and target values double inputs[][2] = {{0,0}, {0,1}, {1,0}, {1,1}}; double targets[] = {0, 1, 1, 0}; // train the perceptron ann.Train((double*)inputs, targets, 4); // test the perceptron double output; ann.Compute((double*)inputs[0], output); Print("0 XOR 0 = ", output); ann.Compute((double*)inputs[1], output); Print("0 XOR 1 = ", output); ann.Compute((double*)inputs[2], output); Print("1 XOR 0 = ", output); ann.Compute((double*)inputs[3], output); Print("1 XOR 1 = ", output); }
在这个例子中,我们创建了一个含有两个输入神经元、三个隐藏神经元、和一个输出神经元的感知器。 我们还设置训练参数,例如训练速率、矩和最大世代。 接下来,创建存储输入和目标值的数组,并依据该数据训练感知器。 在四个不同的输入上测试感知器后,在屏幕上显示结果。
Activation function
激活函数判定神经元应如何响应输入。 有许多激活函数,例如 sigmoid、ReLU、和双曲正切。 激活函数的选择还应取决于所要解决的问题。
下面是选择不同激活函数的示例:
int OnInit() { // set the number of neurons in the input and output layers int n_inputs = 2; int n_outputs = 1; // create a perceptron object CNeuralNet ann; // add layers ann.AddLayer(n_inputs); ann.AddLayer(3, CNeuralNet::TANH); ann.AddLayer(n_outputs, CNeuralNet::SIGMOID); // set learning parameters ann.SetLearningRate(0.1); ann.SetMomentum(0.9); ann.SetMaxEpochs(1000); ann.SetDesiredAccuracy(90); // create arrays to store input and target values double inputs[][2] = {{0,0}, {0,1}, {1,0}, {1,1}}; double targets[] = {0, 1, 1, 0}; // train the perceptron ann.Train((double*)inputs, targets, 4); // test the perceptron double output; ann.Compute((double*)inputs[0], output); Print("0 XOR 0 = ", output); ann.Compute((double*)inputs[1], output); Print("0 XOR 1 = ", output); ann.Compute((double*)inputs[2], output); Print("1 XOR 0 = ", output); ann.Compute((double*)inputs[3], output); Print("1 XOR 1 = ", output); }
在这个例子中,我们添加一个由三个神经元组成的隐藏层,并为隐藏层选择 “tanh” 激活函数,为输出层选择 “sigmoid”。
Training rate
训练率决定了神经网络改变其权重的速度。 训练率太高会导致溢出,而该数值太低可能会导致训练时间过长。 您需要选择最适合特定任务的训练率。
Regularization
监管是一种用于防止过度拟合的方法。 它包括向误差函数添加附加项,从而惩罚模型的权重过大。 监管减少了预测的盲目扩散,提高了模型的普适能力。
Weight initialization
权重初始化是感知器中每个神经元的权重初始设置。 不正确的初始化权重可能会导致模型收敛到误差函数的局部最小值,而非全局最小值。 因此,有必要选择正确的方法来初始化权重。
Batch size
批量规模决定了在一个训练迭代中将用到多少个数据样本。 批量规模太小可能会减慢学习过程,而批量规模太大会导致内存溢出。 针对特定任务选择最适合的批量规模。
Optimizer
优化器是一种算法,用于在训练期间更新模型的权重。 有许多优化器,例如随机梯度下降,Adam 和 RMSprop。 每个优化器都有其优点和缺点,最佳优化器的选择取决于任务。
通常,感知器的最佳参数取决于所要解决的问题。 有必要尝试不同的参数值,以便找到特定任务的最优集合。 机器学习是迭代改进模型的过程,正确调整的参数是获得更好结果的关键。
将指标和价格传递给感知器进行市场分析
指标是用于分析市场并帮助识别趋势、入场和离场时机、以及支撑位和阻力位的数学方程式。 可以在感知器中用于分析外汇市场的一些最常见指标包括:
- 移动平均线;
- 相对强弱指数(RSI);
- 随机振荡器;
- MACD(移动平均收敛扩散)。
将收盘价和指标传递给感知器,可令模型参考市场分析的各个方面,并创建更准确的价格预测。 例如,模型可利用移动平均线来判定整体市场趋势,然后利用随机振荡器来判定入场切入点。
不过,将大量指标传递给感知器可能会导致数据冗余问题。 数据冗余会导致模型过度拟合,以及普适能力低下。 因此,有必要针对特定的市场分析任务选择最明显的指标。
此外,数据传输到感知器需要相应的数据预处理。 例如,如果数据包含缺失值,则需要解决此问题,例如,用平均值填充缺失值、或删除含有缺失值的行。
有必要为感知器选择最优参数,如此模型就能够最好地训练和预测价格。 需要优化的一些主要参数包括:
- The number of neurons in the hidden layer;
- Neuron activation function;
- Number of learning epochs;
- The size of data mini batches for training.
最佳参数的选择可以通过反复试验,或使用优化算法(如遗传算法,或基于梯度的优化方法)来完成。
示例和实际应用
在此,我们将研究一个基于简单感知器的 EA 示例,该感知器将两条移动平均线指标之间的距离作为输入传递。 传递周期为 1 和 24 的两条移动平均线指标之间的距离。 类型为指数移动平均线,应用收盘价,但首先把这些数值转换为点数的常规化数值。
在输入里取蜡烛序号 1、4、7、10(4 个参数)上的距离。 在感知器输出中,我们得到两个值 — 开仓买入,和开仓卖出。 这些条件不是标准条件。 它们只是作为感知器的一个例子给出。 我们当前的示例将尽可能简单。
在此,我将提供优化和前向验证测试的所有参数,以免在文本中重复:- 外汇市场;
- 货币对 EURUSD;
- 时间帧 H1;
- 止损 300,止盈 600; 在 EA 里止盈设为 止损的两倍;
- "仅开盘价","快速(基于遗传算法)",以及 "最大复杂准则" 优化和测试模式; 常重要的是使用“最大复杂准则”模式,与“最大盈利能力”相比,它展示出更稳定和有利可图的结果;
- 优化范围 3 年。 从 2019.04.19 至 2022.04.19。 3 年并非是一个可靠的准则。 您可以自行试验此参数;
- 前向验证测试范围为 1 年。 从 2022.04.19 至 2023.04.19。
- 初始本金 10000 单位;
- 杠杆 1:500。
优化:
EA 优化参数:
EA 优化结果:
以下是前向验证测试结果前 5 名:
结束语
总之,感知器是外汇市场价格预测的强大工具。 它可以单独使用,也可与其它数据分析方法结合使用。 然而,为了在运用感知器预测外汇价格时获得最佳结果,必须意识到其局限性,并考虑历史数据的关联场景。 还必须在外汇交易方面具有一定的知识和经验,并了解与外汇交易相关的高风险。
感谢您的关注!
本文由MetaQuotes Ltd译自俄文
原文地址: https://www.mql5.com/ru/articles/12515
![从自营公司那里吸取一些教训(第 1 部分)— 简介](https://c.mql5.com/2/54/lessons_from_prop_firms_avatar_001.png)
![MQL5 中的范畴论 (第 7 部分):多域、相对域和索引域](https://c.mql5.com/2/54/Category-Theory-p7-avatar.png)
![神经网络实验(第 5 部分):常规化传输到神经网络的输入参数](https://c.mql5.com/2/53/neural_network_experiments_p5_avatar.png)