5.6 神經系統網絡
我四處尋找著一個專家來為本書寫關於神經系統網絡這部分的内容。神經系統網絡的一個問題是它們很複雜，一般都接近曲線擬合程度，並且僅是預測一個市場的價格明天是否會更高或更低就可能費掉你好大的功夫。並且還只有55%的準確率，這是很令人沮喪的一件事，特別是當我覺得用神經系統網絡可以做得比這更多時。
最後，我碰巧在路易絲·門德爾松（Louis Mendelsohn) 的網頁上發現了他並且對自己的所見印象非常深刻。他所寫的文章（至少超過50篇）都全部在網頁上列出。門德爾松遠不止預測明天的價格，他實際上是以一些非常有用的方式使用了神經系統網絡。因此，當他同意為本書寫理念這部分章節時我非常高興。他是一個在國際上被稱頌的技術分析家、投資軟件開發者和金融方面的作家。
路易絲·門德爾松：神經系統網絡簡介
跨市場分析和傳統的單個市場技術分析的整合在2O世紀90年代及以後對有利潤的交易來說是必需的。在今天，有限的單個市場聚焦必須讓位於一種更廣泛的分析架構，這種分析架構能夠致力於當今金融市場的非線性相互依賴關系，1991 年，我首次撰寫這個架構時，把它稱作“協作市場分析” 。這個方法可以讓交易商量度複雜的跨市場關系。評價多個相關市場對一個給定市場的同時沖擊，以及度量存在於這些關系中的領先程度和落後程度。
神經系統網絡是實現協作分析的一個很不錯的工具，它們能用來合成迥然不同的數據並發現隐藏在背後的模式和市場間複雜的關系，神經系統網絡是真實的，並且確實是有用的。事實上，它們在處理跨市場間大量數據方面能非常出色地工作，神經系統網絡在金融領域中，由於其具有的量度微妙關系的能力和探察隐藏在無數相關的市場間的模式的能力而成為一個重要的數學工具。沒有它，一個交易商怎麼可能同時檢查過去10年5個、10個或者15個相關市場的價格數據以辨明這些市場對某一特定市場的影響效果呢？
此外，通過對神經系統網絡的使用，金融預測就變得可能，交易商在金融市場中就能夠得到一個可以預期的，而不僅僅是回顧性的有利地位。任何人只要看一下價格圖表就能夠告訴你市場過去是在哪裡，但真正的利潤則在於正確地預測市場未來的方向！通過把神經系統網絡應用到跨市場分析中，交易商就可以真正地預測金融市場，就像氣象學家預測飓風可能會有的路徑一樣：預測永遠不會100 %正確，永遠不可能。但是從在不確定的情形下做決定的立場看，它是邁向正確方向的主要一步。
要把跨市場分析包含進你的交易計劃並不需要改變你的交易風格，或者停止使用工作得很有效的單個市場指標，跨市場分析可以用來增加存在的單個市場途徑。
為了幫你識別單個市場分析和跨市場分析，請把你的一只手蓋到一只眼睛上。突然間，你週圍的視線就縮小了很多。並且你對整個環境的領悟能力也大大降低，這就是單個市場在今天的金融環境中的情形。現在把你的手移開，那麼你週圍的視線馬上就恢複過來：這正是跨市場分析能做的：開闊你的視野。
1．神經系統網絡啟蒙
我想粗略地介紹一下什麼是神經系統網絡以及怎樣把它們應用到金融市場中去。這裡著重要講的是神經系統網絡應用於金融預測的範例、體系結構，以及對訓練和測試制度的作用。
神經系統網絡通過在神經元之間傳輸信息來“學會”解決問題。這些神經元都是神經系統網絡中的基本處理單位，一個神經系統網絡一般都包含幾層神經元。由網絡體系結構確定需要幾層神經元、每層需要多少神經元、它們是怎麼聯系起來的、需要使用什麼樣的傳遞函數等等。存在著無數的學習範例，包括金融分析中很流行的兩個。第一個流行的範例是週期性發生的向後傳播網絡，它通過帶有事實的指令得到暫時的信息。第二個範例是向前供給向後傳播網絡，它通過向後傳播誤差來進行訓練。在這些誤差中，暫時的信息通過使用一張預先處理過的數據“快照”譯碼成輸入的數據。典型的向後傳播網絡體系結構如圖5-7所示。這個範例在這裡用來解釋網絡體系結構。
向後傳播網絡由一個輸入層、一個或以上的隐藏層和一個輸出層組成。輸入層含有與每個獨立的輸入變量相關的神經元；輸出層對每個將要預測的相互依靠的變量都有配套的神經元；而隐藏層則含有把輸入層和輸出層連接起來的隐藏神經元。各層之間一般都是完全連接的，一層中的每個神經元都與鄰近層的神經元相連。
既然對於某些特定的應用來說，肯定存在一些更好的轉化和統一化方法，我們就可以自己探索各種各樣的方法。一旦選定了網絡體系結構，並且輸入的數據經過選擇和預處理後，就必須選擇數據事實。
事實選擇 事實是以一行相關的數字表示的，在這行數字裡，第一個i數字與i網絡輸入相關，第j個數字與j網絡輸出相關。一堆相關的事實組合就叫做“事實集”。如果兩個事實有完全相同的輸入和輸出值，那麼就只能有一個事實被歸到事實集中。一旦定義了這個事實集，在大多數金融應用中，它就會被分成一些相互排斥的訓練和測試子集。
向後傳播的網絡以兩個模式運作：一個是學習模式，網絡使用來自訓練集的事實，通過改變它們的權重來更改它的内在表達：另一個就是回憶模式．網絡處理來自測試集的輸入。並利用先前學會的表達產生相關的輸出。應該把測試集對各種訓練網絡的相對表現用來決定哪個網絡包含進金融應用中。
訓練和測試 一旦事實被選定後、就在訓練期間把它連續地引入網絡。允許網絡在模擬一個問題時採用内在表達的權重，這些權重一般都初始化為一些比較小的隨機分配的權重。如果初始的權重被設置成相同的值．網絡可能就永遠無法學習了，因為誤差的改變與權重值是成比例的。每次通過訓練集時，網絡都對每個輸出層的輸出計算實際輸出與理論輸出之間的誤差大小，然後這些誤差就通過網絡一層一層地向後傳播，並且為了使與每個輸出有關的整體誤差最小化，還需要不停改變神經元之間的權重關系。
每次權重改變時，網絡就在表示整體誤差空間的多維表面上邁一步：在訓練期間，網絡就在表面上穿行，力圖找到最低點或者最小誤差點、權重的改變與被叫做“學習速率”的訓練參數成比例，在訓練過程中可以調整的其他訓練參數包括溫度、收入和噪音等。
有了各種訓練參數、預處理方法和可以探索的體系結構的配置，就需要一個結合了測試和訓練的自動的訓練和測試制度。類似於遺傳的運算法則和模擬退火工具。這個制度可以加速對這些參數空間的尋找過程。遺傳運算法則對很多參數優化任務來說都是很有效的。在訓練期間，模擬退火通過引入一個影響學習速率的變化的溫度條件來使學習速率的調整自動化。溫度高時，學習速率就很快，而當溫度降下來時，由於網絡要了結一個解決方案，學習速度就降下來。
1/5 1 2 3 4 5 下一頁 尾頁