2.1.4 Использование систем с искусственной «памятью» для решения задач прогнозирования

Люди, которые используют технический анализ, принимают утверждение о повторении истории на рынке и прогнозировании за аксиому.

Существующая теория "Случайности цен" говорит о том, что картина цен на финансовых рынках представляет собой хаотичные изменения. Конечно, в действиях участников на бирже немало случайного. Но внимательный наблюдатель может заметить повторяющееся поведение “биржевой толпы”. Основываясь на своих наблюдениях, он делает ставку на сохранение или изменение тенденции. Трейдеры помнят прежние курсы валют, и это позволяет им в реальном времени принимать решения о покупке или продаже.

Приверженцы теории "Случайности цен" не учитывают тот факт, что память о прошлом напрямую выстраивает поведение человека в настоящем. Информация о спросе и предложении закладывается в цену. Эта информация используется участниками рынка для принятия решений о покупке/продаже.

Если говорить об обычных людях, то им свойственно покупать больше товара на распродажах и меньше при высоких ценах. Игроки финансового рынка так же практичны.

Каждая цена - это сиюминутное соглашение о ценности, достигнутое всеми участниками рынка. Цена показывает действия или бездействие участников финансового рынка. Анализ графиков цен - анализ поведения участников рынка.

Специалисты изучают поведение цен по графикам и пытаются выяснить ценовые шаблоны. Учитывая утверждение о повторении истории, они находят успешный вариант при повторении шаблонов.

Для того чтобы научиться качественному выявлению повторений на графиках, трейдеру может понадобиться от нескольких месяцев, до нескольких лет практики.

Предполагая, что история на рынке повторяется, имеет смысл разработка системы, способной «запоминать» прошлые рыночные ситуации и соответствующие им продолжения. Целью этой системы будет сопоставление полученных сведений со складывающимися на рынке ситуациями. Для простейшей реализации такой системы понадобится база данных, в которую будут помещаться закодированные рыночные отношения. Однако такое решение не представляется конструктивным, так как для достижения точного прогноза понадобилось бы огромное количество записей и сложное сопоставление информации по критериям.

“Запоминание ” свойственно системам, реализующим нейросетевые принципы для обработки данных. Систему прогнозирования на базе искусственной нейронной сети можно обучить большими объемами информации. Обрабатывая эту информацию, система выявляет зависимости, которые не поддаются обнаружению при использовании других методов.[16]

Идеи искусственных нейронных сетей развиваются более полувека. На сегодняшний день в данном направлении накапливается все больше теоретической базы. Так же системы прогноза, построенные на баз нейронных сетей, все чаще используются на практике.

2.2 Выбор метода исследований

2.2.1 Искусственные нейронные сети

Сейчас все чаще наблюдается интерес к нейронным сетям. Это вызвано сферой их применения в таких областях, к примеру, как медицина, бизнес, физика. Нейронные сети входят в практику там, где нужно решать задачи прогнозирования, классификации или управления.[16] Такой впечатляющий успех они имею по нескольким причинам:

1. Богатые возможности. Нейронные сети – это мощный метод моделирования. Он позволяет воспроизвести сложные зависимости. Так же нейронные сети позволяют моделировать линейные зависимости в случае большого количества переменных.

2. Простота в использовании. Нейронные сети учатся на примерах. Пользователю нейронной сети нужно подобрать данные, а затем запустить алгоритм обучения, который автоматически воспринимает структуру данных. Пользователь должен предоставить набор эвристических знаний, позволяющих определить, как подготавливать данные, выбирать требуемую архитектуру сети и интерпретировать результаты. Знания, необходимые для применения нейронных сетей, значительно скромнее в сравнении с традиционными методами статистики.

Моделирование с применением нейронных сетей базируется на данных, не привлекая априорной информации. Количества данных для обучения нейронной сети может не хватить, а размерность входов может оказаться велика.

Поэтому для хорошего прогноза нужно пользоваться, во-первых, очень качественно подготовленными данными, а во-вторых, нейропакетами с большой функциональностью.

Для того чтобы качественно подготовить данные проводится технический анализ.