С помощью надстройки NeuroSolutions, выделив столбцы In1-In10, отформатируем их как входы.
А столбец Out как выход нейросети.
Аналогичным образом разобьем нашу матрицу построчно на обучающее множество.
И множество, которое мы будем использовать для анализа.
Теперь мы сформируем файлы для программы NeuroSolutions.
Откроем NeuroSolutions и нажмем кнопку NeuralBuilder.
Выберем модель нейросети Multilayer Perceptron.
Нажмем кнопку Browse…
И откроем файл с обучающими входами.
Далее откроем файл с обучающим выходом.
Определим 30% данных из тренировочного множества для перекрестной проверки в процессе обучения нейросети.
Жмем кнопку Next до тех пор, пока не сформируется нейросеть.
С помощью кнопки Start и запустим процесс обучения.
После завершения процесса обучения нажмем кнопку Testing.
В выпадающем списке выберем Production.
Выберем файл с данными для анализа.
Создадим текстовой файл Prod.
И экспортируем в него данные с результатами, полученными от нейросети.
Откроем файл Prod и скопируем из него отклики нейросети.
Вставим эти отклики рядом с реальными дневными закрытиями, которые мы хотели бы получить в результате работы нейросети.
Поместим эти данные на график.
Результат вроде бы нас должен устроить. Кажется, что полученный результат хорошо накладывается на график цен закрытия. Однако, увеличив масштаб, мы обнаружим, что —
график отклика нейросети, хоть и повторяет график цен, но на один шаг от него отстает. Причем это не зависит – прогнозируем ли мы ценовые данные или производные от них. Исходя из этого, мы можем вывести какой-то постулат. Например – «То, что для нас – вчера, для нейросети – сегодня». Согласитесь, что здесь, в принципе, ни о каком прогнозе речи идти не может. Однако, забегая вперед, отмечу, что данный вариант, при определенной доработке мы так же будем использовать. Но, мы бы, конечно, хотели бы использовать постулат – «То, что для нейросети сегодня, для нас – завтра». Машина времени, какая то. Но мы с Вами ведь понимаем, что все-таки самая лучшая нейросеть – это наш мозг. И то, мы можем использовать этот постулат максимум с 50% успехом (если мы говорим о вероятности да или нет), а то и хуже. Но ведь есть еще и третий вариант постулата – «То, что для нейросети – вчера, для нас – сегодня». Разберем, что для нас означают эти постулаты в трейдинге:
первый – мы совершаем сделку и завтра получаем ответ от нейросети, что мы открылись в правильном направлении или нет. Хотя мы это уже знаем и без нейросети;
второй – мы получаем информацию от нейросети, совершаем сделку и завтра видим, правильная рекомендация была или нет;
третий – мы получаем информацию от нейросети, когда нам надо совершить ту или иную сделку.
Первый вариант, естественно мы отбрасываем сразу. А вот второй и третий для торговли подходят. Однако второй вариант – вариант как бы заглядывания в будущее. Утрировано этот вариант торговли заключается в том, что мы получаем сигнал от нейросети в определенный момент времени – например по закрытию дня с прогнозом как закроется следующий день. Реализовать его для чисто механической торговли на данном этапе сложно. Ну, а если представить, что им получит возможность воспользоваться большинство торговцев – то он сразу же потеряет свою актуальность. Смысл третьего варианта, заключается в том, что мы отслеживаем отклик нейросети на протяжении торговой сессии и покупаем либо продаем его интерпретируя. И здесь нам надо понять основное. Какой из вариантов мы сможем реализовать зависит от того как мы будем обучать нейросеть. И согласитесь, что третий вариант реализовать все-таки легче. Если во втором – мы будем использовать, какую либо информацию с прицелом на получение результата на следующий день – его закрытия (день выбран как пример, естественно может быть какой либо другой период), то в третьем варианте мы используем информацию, пришедшую за шаг до принятия решения – куда двинется цена в этот момент времени.
Критические ошибки при разработке нейросетевой системы
Рассмотрим, на примере как допускаются ошибки при тестировании нейросети. Если у вас нет программы «NeuroSolutions 6», то пропустите дальнейшее описание работы с ней, а рассмотрите результаты и сделанные выводы. В этой книге я не буду рассматривать создание системы на основе «NeuroSolutions». Хотя в принципе, автоматическая нейросетевая система реализована и на основе данного продукта.
Отметим, что следует понимать разницу между обучением и тестированием. Обучать нейросеть можно на любых примерах даже, некорректных для тестового множества – ведь обучение мы проводим на событиях, которые уже произошли. Данный пример взят из реальной жизни. Данный способ работы с нейросетями продавался в интернете. Позиционировался как система, которая дает 80—90% прибыльных сделок. Причем продавец, мне кажется, искренне заблуждался в идеальной результативности данного способа подготовки нейросети. Я делаю этот вывод из того, что ошибка возникала на стадии тестирования отклика сети.
Итак, сначала модернизируем и скомпилируем скрипт для получения исторических данных.
//+ – — – — – — – — – — – — – — – — – — – — – — – — – — – +
//| History.mq4 |
//| Copyright © 2009, Andrey Dibrov. |
//+ – — – — – — – — – — – — – — – — – — – — – — – — – — – +
#property copyright «Copyright © 2009, Andrey Dibrov.»
int file=FileOpen («history. csv», FILE_CSV|FILE_READ|FILE_WRITE,»;»);
//+ – — – — – — – — – — – — – — – — – — – — – — – — – — – +
//| Script program start function |
//+ – — – — – — – — – — – — – — – — – — – — – — – — – — – +
void OnStart ()
{
// – —
FileWrite (file,«Open; OpenD; HighD; LowD; CloseD; Max; Min; Date»);
if (file> 0)
{
Alert («Идет запись файла»);
for (int i=iBars (NULL,60) -1; i> =0; i – )
{
FileWrite (file,