Teknisk analys med neurala nätverk

Neurala nätverk är mycket lämpade för att modellera kursutveckling. De kan själva utveckla matematiska modeller av kursbeteendet och de har förmåga att extrahera information från stora datamängder vilket är nödvändigt för komplexa signaler såsom aktiekurser.

Ett neuralt nätverk består av en mängd sammankopplade “neuroner” som fungerar som en artificiell hjärna. Nätet stimuleras med lämpliga insignaler som kan bestå av kurshistorik, utdata från tekniska indikatorer, m.m.Det neurala nätverket tränas för att kunna hitta samband mellan dessa insignaler och framtida kursvärden. Om det finns sådana samband är neurala nätverk fenomenala att hitta dessa. Detta utnyttjas sedan för att ge lämpliga köp- och säljsignaler.

Inställningsmöjligheter i Optimal Börs »»»

Den biologiska hjärnan

Den mänskliga hjärnan tillhör de mest komplexa objekten i universum. Fastän hjärnan har en betydligt långsammare bearbetningshastighet och mindre lagringsutrymme än en modern dator så är den ändå överlägsen i många områden såsom mönsterigenkänning och anpassning till nya sitationer. Med modern teknik kan neurala nätverk härma hjärnans sätt att lära sig och bearbeta information. Dessa neurala nätverk består av en mängd sammankopplade “neuroner” med flera ingångar och en utgång. Ingångarnas vikt(betydelse) och antal kan variera. Utgången är en funktion av alla ingångar. Bilden nedanför visar hur biologiska neuroner samverkar med varandra.

Vi ser att den blåa neuronen sänder en impuls till den gula neuronen. Den gula neuronen kan ta emot andra impulser (olika starka) från andra neuroner, men skickar bara ut en utsignal (en funktion av alla insignaler).

Detta biologiska system kan överföras till en dator:

Figuren nedan visar ett antal ingångar med varierande styrka som neuronerna bearbetar och producerar en utsignal ifrån. Att bygga nätverk av dessa neuroner är mycket komplicerat och involverar neurala modeller och matematik som är utanför denna korta sammanfattning.

Fastän neurala nätverk inte närmelsevis är lika avancerade som deras biologiska förebilder, så härmar dessa nätverk vårt sätt att tänka för att ge snabbare och bättre beslutsunderlag.

Trading med neurala nätverk

Neurala nätverk utgår inte från några förutfattade regler (som klassisk teknisk analys) utan hittar egna samband

Neurala nätverk är mycket bra på att hitta mönster

Neurala nätverk kan arbeta med olika typer av indata och är därför mer flexibla än en enskild indikator. T.ex kan man mata ett neuralt nätverk med både kurshistorik och med olika tekniska indikatorer.

Vilka använder neural trading?

Det finns flera finansiella områden där neurala nätverksbaserade applikationer används professionellt, t.ex vid handel med obligation för att beräkna sannolikheten att ett givet bolag inte kan betala sin skuld, för att förutsäga framtida försäljning baserad på olika indata och vid aktiehandel för att förutsäga framtida kursutveckling. Proffesionella aktörer och institutioner testar och använder teknologin i ökande grad för att mer noggrannt kunna förutsäga händelser och vinster.

Varför använder inte alla det?

Att applicera neurala nätverk vid trading är relativt nytt och att bygga neurala applikationer involverar komplex matematik. Det går inte heller att analysera ett neuralt nätverk och förklara hur det fungerar när det drar sina slutsatser.En del kritiker menar att idén om att mjukvara kan lära sig marknadens beteende är bristfällig. Om människor inte kan förutsäga marknaden med säkerhet, hur kan vi då skapa mjukvara som kan åstadkomma någonting vi inte själva förstår?

Empiriska studier

Det finns många empiriska studier utförda på högskolor och universitet som visar att neurala nätverk kan utnyttjas för att ge bättre avkastning än en simpel “buy and hold” strategi. Läs gärna mer i nedanstående samling av tekniska avhandlingar:

Stock Market Prediction Using Artificial Neural Networks
Birgul Egeli, Meltem Ozturan, Bertan Badur
Bogazici University, Istanbul, Turkey

Testing Stock Market Efficiency Using Neural Networks
Marius Januskevicius
Stockholm School of Economics in Riga, Lithuania

Neural Network Applications in Stock Market Predictions
Marijana Zekic
University of Josip Juraj Strossmayer in Osijek, Croatia

Feedforward and Recurrent Neural Networks and Genetic Programs for Stock Market and
Time Series Forecasting

Peter C. McCluskey
Brown University, Rhode Island

Using Neural Networks to Forecast Stock Market Prices
Ramon Lawrence
University of Manitoba

Regime Switching and Artificial Neural Network Forecasting of the Cyprus Stock Exchange Daily Returns
Eleni Constantinou, Robert Georgiades, Avo Kazandjian och Georgios Kouretas
University of Crete, Greece

Stock Price Prediction: Kohonen Versus Backpropagation
Alexey Zorin
Technical University of Riga, Lithuania

Stock Prediction – A Neural Network Approach
Karl Nygren
Kungliga Tekniska Högskolan, Stockholm

Modelling Riga Stock Exchange Index Using Neural Networks
Alexey Zorin och Arkady Borisov
Technical University of Riga, Lithuania

Hurst Exponent and Financial Market Predictability
Bo Quian och Khaled Rasheed
University of Georgia, USA
Experiment med neurala nätverk som visar att finansiella data med stora hurst-koefficienter lättare kan förutsägas än finansiell data med hurst-exponenter nära 0,5 Länk: http://www.optimalbors.se/neuralt_natverk.htm

Advertisements

~ by globalgovernmentality on August 31, 2012.

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s

 
%d bloggers like this: