нейросети

Допустим, что существует какая-то рыночная закономерность. Это может характеризоваться тем, что можно написать несколько ТС с разной логикой и они будут улавливать профит, но только с разной эффективностью.

Эффективность улавливания прибыли измеряю, например, профитом наилучшего прохода при оптимизации постоянным лотом. Выше профит — выше эффективность. Т.е. чем выше профит, тем точнее накладываются сделки на график цены.

Фразу «Я могу с точностью до секунды предсказать движение планет, но не могу понять, что будет делать на бирже толпа этих безумцев через пять минут» Ньютону стали приписывать годы спустя после его смерти, так что при жизни он мог ее сказать, а мог и не сказать.
С тех пор предсказателей сменились поколенья, но до сих пор никто не знает, где будет цена завтра :(

Зато у нас есть компьютеры, нейронные сети!

Может, нейроны покажут направление цены?
Нет! Если в задачах распознавания образов они показывают выдающиеся результаты, в прогнозировании движения биржевых цен никакого продвижения как не было, так и нет.
Попыток было много. Было дело, сам баловался. Увидев результат прогнозов 50:50, фактически «пальцем в небо», закрыл вопрос.
Но кого это остановит? Примеры:

1. smart-lab.ru/blog/359147.php (страница удалена, скриншот ниже)



2.

Ключевые экономические темы уходящего года обсудили в декабре. Сейчас — о трендах нового года. Именно за ними будут пристально следить наши коллеги и союзники.

Дмитрий Милостнов, сооснователь и CTO Apitech, считает, что в 2019 году

• распространятся голосовые помощники,
• генеративные нейронные сети получат полезные применения,
• появятся новые способы идентификации людей,
• ужесточится контроль над использованием персональных данных.

#справка Если неудобно смотреть видео, прочитайте его расшифровку ниже

Упростим  тему  по максимуму.
Возьмем  данные,  10 входных точек. Неважно чего, неважно каких.
Возьмем  1  нейрон, который  видит эти 10 точек,  а  значит  у него есть 10 весов  которые  нужно найти.
Процесс нахождения  весов и есть обучение.

Метод обучения  на примерах.  Значит мы  должны  знать заранее ответы,  какое значение примет сеть  для  каждого примера.
Есть методы обучения  без примеров.
Вот такой  примитив.

И это не  работает потому  что:

1.  Когда мы  подаем нестационарные  данные,  ответы  так же будут нестационарны, какую бы математику  мы  не  применили. Не существует математики корректно описывающей  нестационарные  процессы.  Сети инструмент стационарный!!!!!  Это означает что необходимо подавать стационарные  данные  на вход. Самый  яркий  пример синусоида,  идеал стационарности и по амплитуде, и по частоте.
2. Метод обучения  на  примерах,  применять нельзя. Потому что для  любого набора  данных невозможно разметить данные 100% правильно. Потому  что у вас в реальном рынке есть куча  факторов задержка, скорость расчетов, скорость выставления  и получения  данных, точность этих данных, ликвидность,  набрал позу или нет,  и в  каком объеме и  тд и тп.
3. Таким образом применение сетей реально серьезная  софтовая  задача, придется  разработать очень серьезный  комплекс, внутри которого будет зашита сеть для обучения,  и отдельный  режим этого софта для  тестирования  полученных результатов.

Если вы не умеете программировать забудьте про сети.
Если умеете, будьте  готовы  писать очень большой и сложный  проект. Который  даст мощный  исследовательский  инструмент, и не факт что этот  инструмент даст необходимый  результат.

И сами сети здесь в общем то вторичны, по сравнению  задачей  по разработке всего комплекса софта в  целом.

Вам потребуется:
1. Данные  в виде ордерлога  из которых вы будете  нарезать модели данных для сети.
2. Видеокарта с CUDA + ваш супер софт.
3. Крайне необычно мыслящий мозг, который будет способен решать такую исследовательскую задачу.

Этот материал входит в подборку статей о новых технологиях и медицине. В планах рассказать, как ученые работают над повышением эффективности лечения рака кожи, пищевода, легких и других органов, инсульта, проблем с сосудами и прочих заболеваний. Помогают им в этом 3D-принтеры, виртуальная и дополненная реальность, нейронные сети и другие технологии будущего.

В этой статье — о заболеваниях сердца, в том числе ишемической болезни.

Диагностика

Традиционные кардиомониторы — устройства для отслеживания сердечного ритма вне больниц — имеют недостатки: их необходимо прикреплять к коже проводами, а для расшифровки — обращаться к врачу. Новые технологии делают их применение более удобным:

Отказ от проводов. Некоторые кардиомониторы считывают показания через чувствительные датчики — без прикрепления проводов, которые могут мешать пациенту.

По сути я инвестор, но по смартлабу вижу, что многие практикуют роботов. 

И многие рассказывают нам, что зарабатывают аж по 1 мио в месяц на них.
Знания по программированию у меня есть, решил тоже попробовать.
Попробовать подзаработать на этом или еще больше убедится, что зарабатывать на рынке можно только в долгосрочном инвестировании.

1) За первую платформу решил взять Форекс и MT4 и демо-счет (конечно, куда без него), так как валюты не такие волатильные, как акции, да и просто надо на чем то первом попробовать, а писать для бирж я пробовал тока на МТ4.
Короче просто ближе, это мне, если так можно выразится, потому что я об это терминале автоматической торговле хоть чего то знаю.

2) За основу решил брать неронные сети, так как они фактически ищуть схожести в прошлом с текущей ситуацией и довольно легко организовать процесс устаревания информации, достаточно просто переобучить сеть от новой даты.

3) Для торговлю предполагаю брать периоды М5 и М1 для анализа, для вычисления тренда М15. Открывать позицию планирую только по тренду.

Оригинал опубликован на blog.dti.team

Читать предыдущее исследование: Интернет вещей

В работе Oxford Martin School 2013 года говорилось о том, что 47% всех
рабочих мест может быть автоматизировано в течение следующих 20 лет. Основным драйвером этого процесса является применение искусственного интеллекта, работающего с большими данными, как более эффективной замены человеку.

Машины теперь способны решать все больше процессов, за которые раньше отвечали люди. Кроме того, делают это качественнее и во многих случаях дешевле. О том, что это значит для рынка труда, в июле этого года говорил Герман Греф, выступая перед студентами Балтийского федерального университета им. Канта:

“Мы перестаём брать на работу юристов, которые не знают, что делать с нейронной сетью. <...> Вы — студенты вчерашнего дня. Товарищи юристы, забудьте свою профессию. В прошлом году 450 юристов, которые у нас готовят иски, ушли в прошлое, были сокращены. У нас нейронная сетка готовит исковые заявления лучше, чем юристы, подготовленные Балтийским федеральным университетом. Их мы на работу точно не возьмем.”