Previsão de forex da rede neural

Previsão de Forex da rede neural
Obter através da App Store Leia esta publicação em nosso aplicativo!
Previsão do mercado cambial com redes neurais.
Gostaria de usar ANN para automatizar moedas de negociação, de preferência USD / EUR ou USD / GBP. Eu sei que isso é difícil e pode não ser direto. Já li alguns trabalhos e fiz alguns experimentos, mas sem muita sorte. Gostaria de obter conselhos dos EXPERTS para que isso funcionasse.
Aqui é o que eu fiz até agora:
Recebi dados de tick by tick para o mês de julho de 2018. Tem volume de lance / pedido / oferta / volume. Extraiu todos os carrapatos para o período 12PM a 14PM para todos os dias. A partir desses dados, criou um conjunto de dados onde cada entrada consiste em n valores de lance em seqüência. Usou esses dados para treinar uma ANN com entradas n-1 e a saída é o ntimo valor de lance previsto. A ANN teve n-1 neurônios de entrada, (n-1) * 2 + 1 escondido e 1 neurônio de saída. A camada de entrada teve TF linear, oculto tinha log TF e a saída tinha TF linear. Treinou a rede com propagação traseira com o n-125 primeiro e depois 10.
Para ambos, o MSE não caiu abaixo de 0,5 e ficou nesse valor durante o treinamento completo. Supondo que isso poderia ser devido à série temporal ser totalmente aleatória, usei o pacote R para encontrar autocorrelação parcial no conjunto de dados (pacf). Isso deu valores não-zero para apenas 2 e 3 atrasos.
Pergunta 1: O que isso significa exatamente?
Então usei o expoente de Hurst para avaliar a aleatoriedade. Em R, hurst (valores) apresentou valores acima de 0,9.
Pergunta 2: É suposto ser quase aleatório. Deveria ter um valor mais próximo de 0,5?
Eu repeti o treinamento da ANN com n = 3. A ANN foi treinada e conseguiu obter um valor bastante baixo para MSE. No entanto, o resultado calculado desta ANN não difere muito do valor de lance (n-1) th. Parece que a ANN apenas leva o último lance como a próxima oferta! Eu tentei diferentes estruturas de rede (todas as percepções multicamadas), diferentes parâmetros de treinamento, etc., mas os resultados são iguais.
Pergunta 3: Como posso melhorar a precisão? Existem outros métodos de treinamento do que a backpropagation?
Os resultados que você está vendo não são um subproduto do seu produto de treinamento, mas sim que as redes neurais não são uma ótima escolha para esta tarefa. As redes neurais são efetivamente um meio para criar uma função não-linear de alta ordem, compondo uma série de funções mais simples. Isso geralmente é uma coisa boa, porque permite que redes neurais se encaixem em padrões muito complexos.
No entanto, em uma bolsa de valores, qualquer padrão complexo, quando negociado, se deteriorará rapidamente. Detectar um padrão complicado geralmente não gerará resultados úteis, pois normalmente é um padrão complexo no curto prazo. Além disso, dependendo da métrica que você escolher, há várias maneiras de se comportar bem, que na verdade não vai pagar no investimento (como apenas prever o último valor em seu exemplo).
Além disso, o mercado de ações é surpreendentemente caótico, o que pode resultar em uma superação de rede neural. Isso significa que os padrões que ele aprende generalizarão mal. Algo ao longo da linha de apenas ver uma redução de estoque ao longo de um dia e decidir uniformemente que o estoque sempre diminuirá apenas porque foi visto em um curto prazo. Em vez disso, técnicas como ridge e regressão robusta, que identificará padrões mais gerais, menos complexos, melhorará.
O vencedor de uma competição Kaggle similar usou uma regressão robusta por essa mesma razão. É provável que você veja melhores resultados se você mudar para um modelo de aprendizagem superficial que encontrará funções de uma ordem polinomial inferior, sobre as funções complexas profundas de uma rede neural.

Redes neurais para negociação algorítmica. Previsão de séries temporais simples.
ACTUALIZAÇÃO IMPORTANTE:
Esta é a primeira parte dos meus experimentos em aplicação de aprendizado profundo para financiar, em particular para negociação algorítmica.
Eu quero implementar o sistema de negociação a partir do zero com base apenas em abordagens de aprendizado profundo, então, para qualquer problema que temos aqui (previsão de preços, estratégia de negociação, gerenciamento de riscos), usaremos diferentes variações de redes neuronais artificiais (RNAs) e veremos o quanto elas podem lide com isso.
Agora eu planejo trabalhar nas próximas seções:
Previsão de séries temporais com dados brutos Previsão de séries temporais com recursos personalizados Otimização de hiperparâmetros Implementação de estratégia de negociação, backtesting e gerenciamento de riscos Estratégias de negociação mais sofisticadas, reforço de aprendizagem Indo ao vivo, corretores API, ganhando (l̶o̶s̶i̶n̶g̶) dinheiro.
Eu recomendo que você verifique o código e o IPython Notebook neste repositório.
Nesta primeira parte, quero mostrar como MLPs, CNNs e RNNs podem ser usados ​​para a previsão de séries temporais financeiras. Nesta parte, não vamos usar nenhuma engenharia de recursos. Vamos considerar o conjunto de dados históricos dos movimentos dos preços do índice S & P 500. Temos informações de 1950 a 2018 sobre preços abertos, fechados, altos e baixos para todos os dias do ano e volume de negócios. Primeiro, tentaremos apenas prever fechar o preço no final do próximo dia, em segundo lugar, tentaremos prever o retorno (preço fechado - preço aberto). Baixe o conjunto de dados do Yahoo Finance ou deste repositório.
Definição do problema.
Consideraremos o nosso problema como 1) problema de regressão (tentando prever exatamente fechar o preço ou retornar no dia seguinte) 2) problema de classificação binária (o preço aumentará [1; 0] ou abaixo [0; 1]).
Para treinar NNs, usaremos framework Keras.
Primeiro vamos preparar nossos dados para treinamento. Queremos prever o valor de t + 1 com base em informações de N dias anteriores. Por exemplo, tendo preços próximos dos últimos 30 dias no mercado, queremos prever, que preço será amanhã, no 31º dia.
Utilizamos as primeiras 90% das séries temporais como conjunto de treinamento (considere-a como dados históricos) e 10% como conjunto de testes para avaliação do modelo.
Aqui é exemplo de carregamento, dividindo em amostras de treinamento e pré-processamento de dados de entrada brutos:
Problema de regressão. MLP.
Será apenas um perceptron de 2 camadas escondidas. O número de neurônios escondidos é escolhido de forma empírica, vamos trabalhar na otimização de hiperparâmetros nas próximas seções. Entre duas camadas ocultas, adicionamos uma camada de Saída para evitar a sobreposição.
O importante é Dense (1), Activation ('linear') e 'mse' na seção de compilação. Queremos um produto que possa estar em qualquer intervalo (prevemos valor real) e nossa função de perda é definida como erro quadrático médio.
Vamos ver o que acontece se apenas passarmos pedaços de preços próximos de 20 dias e prever o preço no 21º dia. Final MSE = 46.3635263557, mas não é uma informação muito representativa. Abaixo está um gráfico de previsões para os primeiros 150 pontos do conjunto de dados de teste. A linha preta é dados reais, um azul - previsto. Podemos ver claramente que nosso algoritmo não é nem mesmo de perto, mas pode aprender a tendência.
Vamos dimensionar nossos dados usando o método de sklearn pré-processamento. Escala () para ter nossa série zero de tempo e variância unitária e treinar o mesmo MLP. Agora temos MSE = 0.0040424330518 (mas está em dados dimensionados). No gráfico abaixo, você pode ver as séries temporais reais escaladas (preto) e a nossa previsão (azul) para ela:
Para usar este modelo no mundo real, devemos retornar às séries temporais não escaladas. Podemos fazê-lo, multiplicando ou preditivo por desvio padrão de séries temporais que usamos para fazer predição (20 etapas de tempo não escalonadas) e adicione seu valor médio:
MSE neste caso é igual a 937.963649937. Aqui está o enredo de previsões restauradas (vermelho) e dados reais (verde):
Não está mal, não é? Mas vamos tentar algoritmos mais sofisticados para esse problema!
Problema de regressão. CNN.
Eu não vou mergulhar na teoria das redes neurais convolutivas, você pode verificar esses recursos incríveis:
Vamos definir a rede neural convolucional de 2 camadas (combinação de camadas de convolução e max-pooling) com uma camada totalmente conectada e a mesma saída que anteriormente:
Vamos verificar resultados. MSEs para dados escalados e restaurados são: 0.227074542433; 935.520550172. As parcelas estão abaixo:
Mesmo olhando para MSE em dados escalados, esta rede aprendeu muito pior. Provavelmente, uma arquitetura mais profunda precisa de mais dados para o treinamento, ou simplesmente é superada devido ao número muito alto de filtros ou camadas. Vamos considerar esta questão mais tarde.
Problema de regressão. RNN.
Como arquitetura recorrente, eu quero usar duas camadas LSTM empilhadas (leia mais sobre LSTM aqui).
As parcelas das previsões estão abaixo, MSEs = 0.0246238639582; 939.948636707.
A previsão da RNN se parece mais com o modelo médio móvel, não pode aprender e prever todas as flutuações.
Então, é um resultado pouco esperável, mas podemos ver que os MLPs funcionam melhor para esta previsão de séries temporais. Vamos verificar o que acontecerá se nós passarmos de regressão para problema de classificação. Agora, usaremos os preços não fechados, mas o retorno diário (fechar preço-preço aberto) e queremos prever se o preço fechado é maior ou menor do que o preço aberto com base nos últimos 20 dias de devolução.
Problema de classificação. MLP.
O código é alterado um pouco - alteramos nossa última camada Densa para ter saída [0; 1] ou [1; 0] e adicione a saída softmax para esperar resultados probabilísticos.
Para carregar saídas binárias, mude a linha seguinte do código:
Também mudamos a função de perda para cross-entopy binário e adicionamos métricas de precisão.
Oh, não é melhor do que adivinhar aleatoriamente (50% de precisão), vamos tentar algo melhor. Confira os resultados abaixo.
Problema de classificação. CNN.
Problema de classificação. RNN.
Conclusões.
Podemos ver que o tratamento da previsão de séries temporárias financeiras como problema de regressão é uma abordagem melhor, pode aprender a tendência e os preços próximos do real.
O que foi surpreendente para mim, que MLPs estão tratando dados de seqüência melhor como CNNs ou RNNs que deveriam funcionar melhor com séries temporais. Explico isso com conjunto de dados bastante pequeno (
Selos de tempo de 16k) e escolha de hiperparâmetros fofos.
Você pode reproduzir resultados e melhorar usando o código do repositório.
Eu acho que podemos obter melhores resultados em regressão e classificação usando diferentes recursos (não apenas séries temporais escalonadas) como alguns indicadores técnicos, volume de vendas. Também podemos tentar dados mais freqüentes, digamos carrapatos minuto a minuto para ter mais dados de treinamento. Todas essas coisas que eu vou fazer depois, então fique atento :)
Ao bater palmas mais ou menos, você pode nos indicar quais são as histórias que realmente se destacam.
Alex Honchar.
máquinas de ensino e raphamento.
Mundo de aprendizagem de máquinas.
O melhor sobre Aprendizado de Máquinas, Visão de Computador, Aprendizagem Profunda, Processamento de linguagem natural e outros.

Um Guia para a Previsão da Série de Tempo Usando Redes Neurais Recurrentes (LSTMs)
Previsão de futuras taxas de câmbio com longa memória de curto prazo (LSTMs)
A equipe Statsbot já publicou o artigo sobre o uso de análises de séries temporais para detecção de anomalia. Hoje, gostaríamos de discutir a previsão de séries temporais com um longo modelo de memória de curto prazo (LSTMs). Pedimos a um cientista de dados, Neelabh Pant, que lhe conte sobre sua experiência de previsão de taxas de câmbio usando redes neurais recorrentes.
Como um indiano que vive nos EUA, eu tenho um fluxo constante de dinheiro de casa para mim e vice-versa. Se o USD for mais forte no mercado, a rupia indiana (INR) diminui, portanto, uma pessoa da Índia compra um dólar por mais Rúpias. Se o dólar estiver mais fraco, você gasta menos rúpias para comprar o mesmo dólar.
Se se pode prever o quanto um dólar custará amanhã, isso pode guiar a tomada de decisão e pode ser muito importante para minimizar os riscos e maximizar os retornos. Olhando para os pontos fortes de uma rede neural, especialmente uma rede neuronal recorrente, surgiria a idéia de prever a taxa de câmbio entre o USD e o INR.
Existem muitos métodos de previsão de taxas de câmbio, tais como:
Paridade de poder de compra (PPP), que leva em consideração a inflação e calcula o diferencial de inflação. Abordagem Relativa de Força Econômica, que considera o crescimento econômico dos países para prever a direção das taxas de câmbio. O modelo econométrico é outra técnica comum usada para prever as taxas de câmbio que são personalizáveis ​​de acordo com os fatores ou atributos que o provisorista considera importantes. Poderia haver características como o diferencial de taxa de juros entre dois países diferentes, taxas de crescimento do PIB, taxas de crescimento de renda, etc. O modelo de séries temporais é puramente dependente da idéia de que o comportamento do passado e os padrões de preços podem ser usados ​​para prever o comportamento futuro dos preços.
Neste artigo, diremos como prever o futuro comportamento da taxa de câmbio usando a análise de séries temporais e fazendo uso da aprendizagem de máquinas com séries temporais.
Problemas de seqüência.
Comecemos por falar sobre problemas de seqüência. O problema de aprendizagem de máquina mais simples envolvendo uma seqüência é um problema um para um.
Nesse caso, temos uma entrada de dados ou tensor para o modelo e o modelo gera uma previsão com a entrada fornecida. Regressão linear, classificação e classificação de imagem uniforme com rede convolutiva se enquadram nesta categoria. Podemos ampliar essa formulação para permitir que o modelo faça uso dos valores de passagem da entrada e da saída.
É conhecido como um problema para muitos. O problema de um a muitos começa como o problema um para um onde temos uma entrada para o modelo e o modelo gera uma saída. No entanto, a saída do modelo agora é retornada ao modelo como uma nova entrada. O modelo agora pode gerar uma nova saída e podemos continuar assim indefinidamente. Agora você pode ver por que estas são conhecidas como redes neurais recorrentes.
Uma rede neural recorrente lida com problemas de seqüência porque suas conexões formam um ciclo direcionado. Em outras palavras, eles podem manter o estado de uma iteração para a próxima usando sua própria saída como entrada para o próximo passo. Em termos de programação, isso é como executar um programa fixo com certas entradas e algumas variáveis ​​internas. A rede neural recorrente mais simples pode ser vista como uma rede neural totalmente conectada se desenrolarmos os eixos de tempo.
Neste caso univariado, apenas dois pesos estão envolvidos. O peso que multiplica a entrada atual xt, que é u, e o peso que multiplica a saída anterior yt-1, que é w. Esta fórmula é como a média móvel ponderada exponencial (EWMA) ao fazer seus valores de saída da saída com os valores atuais da entrada.
Pode-se construir uma rede neural recorrente profunda simplesmente empilhando unidades entre si. Uma simples rede neural recorrente funciona bem apenas para uma memória de curto prazo. Veremos que sofre de um problema fundamental se tivermos uma maior dependência de tempo.
Rede Neural de Longo Prazo.
Como falamos, uma rede recorrente simples sofre de um problema fundamental de não poder capturar dependências de longo prazo em uma seqüência. Isso é um problema porque queremos que nossas RNNs analicem texto e respondam perguntas, o que envolve o acompanhamento de longas seqüências de palavras.
No final dos anos 90, o LSTM foi proposto por Sepp Hochreiter e Jurgen Schmidhuber, que é relativamente insensível ao intervalo entre as RNN alternativas, os modelos de markov ocultos e outros métodos de aprendizagem de seqüência em inúmeras aplicações.
Este modelo é organizado em células que incluem várias operações. O LSTM possui uma variável de estado interna, passada de uma célula para outra e modificada pela Operação Gates.
É uma camada sigmoide que leva a saída em t-1 e a entrada de corrente no tempo t e as concatena em um único tensor e aplica uma transformação linear seguida por um sigmoide. Por causa do sigmoide, a saída deste portão está entre 0 e 1. Este número é multiplicado pelo estado interno e é por isso que o portão é chamado de portão de esquadrão. Se ft = 0, o estado interno anterior é completamente esquecido, enquanto que se ft = 1 será passado por inalterado.
O gateway de entrada leva a saída anterior e a nova entrada e as passa através de outra camada sigmoid. Este gate retorna um valor entre 0 e 1. O valor do gate de entrada é multiplicado pela saída da camada candidata.
Esta camada aplica uma tangente hiperbólica à mistura de entrada e saída anterior, devolvendo um vetor candidato a ser adicionado ao estado interno.
O estado interno é atualizado com esta regra:
. O estado anterior é multiplicado pela porta de esquadrão e depois adicionado à fração do novo candidato permitido pela porta de saída.
Este gate controla o quanto o estado interno é passado para a saída e funciona de forma semelhante aos outros portões.
Essas três portas descritas acima têm pesos e vies independentes, daí a rede saberá quanto da produção passada deve manter, quanto da entrada atual e a quantidade de estado interno a ser enviada para a saída.
Em uma rede neural recorrente, você não só fornece à rede os dados, mas também o estado da rede um momento antes. Por exemplo, se eu disser "Hey! Algo de louco aconteceu comigo quando eu estava dirigindo "há uma parte do seu cérebro que está lançando um interruptor que está dizendo" Oh, esta é uma história que Neelabh está me dizendo. É uma história em que o personagem principal é Neelabh e algo aconteceu na estrada. "Agora, você carrega uma pequena parte dessa frase que acabei de contar. Ao ouvir todas as minhas outras frases, você deve manter um pouco de informação de todas as orações passadas para entender toda a história.
Outro exemplo é o processamento de vídeo, onde você precisaria novamente de uma rede neural recorrente. O que acontece no quadro atual é fortemente dependente do que estava no último quadro do filme a maior parte do tempo. Durante um período de tempo, uma rede neural recorrente tenta aprender o que manter e quanto evitar do passado e quanto informação manter do estado atual, o que o torna tão poderoso quanto comparado a uma simples rede de neurônio .
Previsão da série de tempo.
Fiquei impressionado com os pontos fortes de uma rede neuronal recorrente e decidi utilizá-los para prever a taxa de câmbio entre o USD e o INR. O conjunto de dados utilizado neste projeto é o valor da taxa de câmbio entre 2 de janeiro de 1980 e 10 de agosto de 2017. Mais tarde, vou dar-lhe um link para baixar este conjunto de dados e experimentá-lo.
O conjunto de dados exibe o valor de US $ 1 em Rúpias. Temos um total de 13.730 registros a partir de 2 de janeiro de 1980 a 10 de agosto de 2017.
Ao longo do período, o preço para comprar US $ 1 em rupias tem aumentado. Pode-se ver que houve um enorme mergulho na economia americana durante 2007-2008, que foi fortemente causada pela grande recessão durante esse período. Foi um período de declínio econômico geral observado nos mercados mundiais no final dos anos 2000 e início de 2018.
Este período não foi muito bom para as economias desenvolvidas do mundo, particularmente na América do Norte e na Europa (incluindo a Rússia), que caiu em uma recessão definitiva. Muitas das novas economias desenvolvidas sofreram muito menos impactos, particularmente China e Índia, cujas economias cresceram substancialmente durante esse período.
Test-Train Split.
Agora, para treinar a máquina, precisamos dividir o conjunto de dados em conjuntos de teste e treinamento. É muito importante quando você faz séries temporais para dividir o comboio e testar com respeito a uma determinada data. Então, você não quer que seus dados de teste sejam apresentados antes dos dados de treinamento.
Em nosso experimento, definiremos uma data, digamos 1 de janeiro de 2018, como nossa data dividida. Os dados de treinamento são os dados entre 2 de janeiro de 1980 e 31 de dezembro de 2009, que são cerca de 11.000 pontos de dados de treinamento.
O conjunto de dados de teste é entre 1 de janeiro de 2018 e 10 de agosto de 2017, que são cerca de 2.700 pontos.
A próxima coisa a fazer é normalizar o conjunto de dados. Você só precisa ajustar e transformar seus dados de treinamento e apenas transformar seus dados de teste. A razão pela qual você faz isso é que você não quer assumir que você conhece a escala dos dados do teste.
Normalizar ou transformar os dados significa que as novas variáveis ​​de escala estarão entre zero e uma.
Modelos de Rede Neural.
Um modelo completamente conectado é um modelo de rede neural simples que é construído como um modelo de regressão simples que receberá uma entrada e cuspirá uma saída. Isto basicamente leva o preço do dia anterior e prevê o preço do dia seguinte.
Como uma função de perda, usamos erro quadrático médio e descida gradiente estocástica como um otimizador, que após um número suficiente de épocas tentará procurar um ótimo ótimo local. Abaixo está o resumo da camada totalmente conectada.
Depois de treinar este modelo por 200 épocas ou early_callbacks (o que for primeiro), o modelo tenta aprender o padrão e o comportamento dos dados. Uma vez que dividimos os dados em conjuntos de treinamento e teste, podemos agora prever o valor dos dados de teste e compará-los com a verdade no solo.
Como você pode ver, o modelo não é bom. É essencialmente repetir os valores anteriores e há uma ligeira mudança. O modelo totalmente conectado não é capaz de prever o futuro a partir do único valor anterior. Vamos agora tentar usar uma rede neural recorrente e ver o quão bem ela faz.
Memória longa de curto prazo.
O modelo recorrente que usamos é um modelo seqüencial de uma camada. Usamos 6 nós LSTM na camada à qual damos entrada de forma (1,1), que é uma entrada dada à rede com um valor.
A última camada é uma camada densa onde a perda é erro quadrado médio com descida gradiente estocástica como um otimizador. Treinamos esse modelo por 200 épocas com retorno inicial. O resumo do modelo é mostrado acima.
Este modelo aprendeu a reproduzir a forma anual dos dados e não tem o atraso que costumava ter com uma simples rede neural de avanço. Ainda está subestimando algumas observações por certos montantes e, definitivamente, há um espaço para melhorias nesse modelo.
Mudanças no modelo.
Pode haver muitas mudanças a serem feitas neste modelo para torná-lo melhor. Pode-se sempre tentar alterar a configuração alterando o otimizador. Outra mudança importante que vejo é usando o método Sliding Time Window, que vem do campo do sistema de gerenciamento de dados de fluxo.
Essa abordagem vem da idéia de que apenas os dados mais recentes são importantes. Pode-se mostrar os dados do modelo de um ano e tentar fazer uma previsão para o primeiro dia do próximo ano. Os métodos de janela de tempo deslizante são muito úteis em termos de buscar padrões importantes no conjunto de dados que são altamente dependentes do passado de observações.
Tente fazer alterações neste modelo conforme desejar e ver como o modelo reage a essas mudanças.
Eu fiz o conjunto de dados disponível na minha conta do github sob aprendizado profundo no repositório python. Sinta-se à vontade para baixar o conjunto de dados e brincar com ele.
Fontes úteis.
Eu pessoalmente acompanho alguns dos meus cientistas de dados favoritos como Kirill Eremenko, Jose Portilla, Dan Van Boxel (mais conhecido como Dan Does Data) e muitos mais. A maioria deles está disponível em diferentes estações de podcast, onde eles falam sobre diferentes assuntos atuais, como a RNN, redes neuronais convolucionais, LSTM e até mesmo a tecnologia mais recente, Neural Turing Machine.
Tente acompanhar a notícia de diferentes conferências de inteligência artificial. By the way, se você estiver interessado, Kirill Eremenko está chegando a San Diego em novembro com sua incrível equipe para falar sobre Aprendizado de Máquinas, Redes Neurais e Ciência de Dados.
Conclusão.
Os modelos LSTM são poderosos o suficiente para aprender os comportamentos passados ​​mais importantes e entender se esses comportamentos passados ​​são características importantes na realização de previsões futuras. Existem várias aplicações em que os LSTMs são altamente utilizados. Aplicações como reconhecimento de fala, composição de música, reconhecimento de manuscrito e até mesmo na minha pesquisa atual de mobilidade humana e previsões de viagem.
Segundo mim, o LSTM é como um modelo que tem sua própria memória e que pode se comportar como um ser humano inteligente na tomada de decisões.
Obrigado novamente e aprendizagem de máquina feliz!
Você também gosta:
Construindo uma estratégia dinâmica de preços no varejo blog. statsbot. co.
Como funcionam os métodos de conjunto: empacotar, aumentar e empilhar o blog. statsbot. co.
Aprendendo SVMs de exemplos blog. statsbot. c.
Ao bater palmas mais ou menos, você pode nos indicar quais são as histórias que realmente se destacam.
Neelabh Pant.
Eu adoro a Data Science. Vamos construir alguns robôs inteligentes juntos! ;)
Estatísticas e Bots.
Histórias de dados sobre aprendizagem e análise de máquinas. Dos fabricantes da Statsbot.

Previsão de Forex.
Este exemplo é muito semelhante ao anterior. A única diferença é que ele mostra dados para divisas (forex) pares de moedas.
Como trabalhar com o applet.
Se você não viu o primeiro exemplo, explore-o primeiro - a descrição básica está disponível lá. Neste applet, os dados a seguir estão disponíveis. Todos eles são valores próximos do fim do dia para todo o ano de 2007, ou seja, 313 valores. Como no applet anterior, cada uma dessas séries temporais tem os seguintes valores: zero para intervalo abaixo de 0, valor de fechamento no intervalo 0-número de valores e novamente zero após o último valor conhecido. EURUSD - USD EUR USD moeda estrangeira dados par USDJPY - EUR USD moeda estrangeira par data USDCHF - EUR USD moeda estrangeira par dados EURJPY - EUR USD moeda estrangeira par dados Observe novamente que este exemplo é fornecido apenas para ilustração. O comércio usando esta configuração simples geralmente não está longe de usar a previsão pelo último valor disponível. Observe também que, para o comércio, precisamos desenvolver regras de entrada e saída e que são mais importantes do que a previsão exata.
Aguarde até que o applet seja carregado.
Applet e descrição (c) Marek Obitko, 2008; A rede neural no applet usa classes Java BPNeuron e BPNet.
do NeuralWebspace, (c) Tom Vehovský, 1998, que foram modificados para os propósitos deste applet.

Previsão de taxas de câmbio em moeda estrangeira usando o CGP e rede neuronal recorrente ☆
O feedback na Neuro-Evolution é explorado e avaliado para sua aplicação na elaboração de modelos de previsão para taxas de câmbio de moeda estrangeira. Uma nova abordagem para a previsão de taxas de câmbio em moeda estrangeira com base em Neuro-Evolution Recorrente é introduzida. A Programação Genética Cartesiana (CGP) é o algoritmo implementado para o modelo de previsão. A Rede de Neural Artificial (RCGPANN) evoluiu de forma evolutiva para produzir um modelo computacionalmente eficiente e preciso para a predição de forex com uma precisão de até 98,872% por um período de 1000 dias. A abordagem utiliza as tendências que estão sendo seguidas em dados históricos para prever cinco taxas de câmbio em relação ao dólar australiano. O modelo é avaliado usando métricas estatísticas e comparado. O método computacional supera os outros métodos, em particular devido à sua capacidade de selecionar a melhor característica possível em tempo real e a flexibilidade que o sistema oferece na seleção de recursos, padrão de conectividade e rede.
Seleção e revisão por pares sob responsabilidade do Instituto de Pesquisa em Engenharia da Informação.