КОМЕТА - Нейросети в финансовой астрологии и их специфика в программе Neuro Hit! (Часть II)
 Основное меню
Главная
Авторы
Неподвижные звёзды
Библиотека
Работы
Прогнозы
Синастрии
ТАРО
Dynamic Horoscope
Форум
Ссылки

 English version
Forecasts

 Лунная Астрология
Луна в знаках


Расчет гороскопа
ONLINE


2017-05-28
08:31:17 (GMT)

Sun 7 12'33"
Moon 13 10'41"
Mercury 14 15'8"
Venus 21 31'10"
Mars 25 6'54"
Jupiter 13 26'27"
Saturn 25 48'9"
Uranus 26 49'48"
Neptune 14 9'55"
Pluton 19 3'55"
Rahu 28 25'20"
Ketu 28 25'20"
Lilit 11 34'38"
Chiron 28 21'56"

Актуальная тема

Павел Свиридов

Нейросети в финансовой астрологии и их специфика в программе Neuro Hit! (Часть II)

Что такое нейронная сеть и что дает ее использование?

Нейронные сети - это обобщенное название нескольких групп алгоритмов, обладающих одним ценным свойством - они умеют обучаться на примерах, извлекая скрытые закономерности из потока данных. При этом данные могут быть неполны, противоречивы и даже заведомо искажены. Если между входными и выходными данными существует какая-то связь, пусть даже не обнаруживаемая традиционными корреляционными методами, нейронная сеть способна автоматически настроиться на нее с заданной степенью точности. Кроме того, современные нейронные сети обладают рядом дополнительных возможностей - они позволяют оценивать сравнительную важность различных видов входной информации, уменьшать ее объем без потери существенных данных, распознавать симптомы приближения критических ситуаций и т.д.

Свое устройство нейронные сети заимствуют из структуры головного мозга человека, и их появление во многом было определено успехами в биологии, активно исследующей данный вопрос.

Сам термин "нейронные сети" сформировался к середине 50-х годов XX-го века. Основные результаты в этой области связаны с именами У.Маккалоха, У.Питтса, Д.Хебба, Ф.Розенблата, М.Минского, Дж.Хопфилда. Однако, после почти 26 летнего исследования интерес к нейронным сетям стал угасать. Отчасти это было связано с публикацией книги Минского, в которой он доказал принципиальную ограниченность возможностей персептронов (одного из типов нейронных сетей, основных из изучавшихся в то время).

Тем не менее, после накопления новых знаний о структуре человеческого мозга интерес к нейросетям возобновился и в 1982-1985 годах Хопфилд предложил семейство оптимизирующих нейронных сетей, моделирующих ассоциативную память. С 1987 года началось крупномасштабное финансирование разработок в области нейронных сетей, и уже 1997 году годовой объем продаж на рынке исскусственных нейронных сетей превысил 2 млрд. долларов, а ежегодный прирост составил 50%.

На сегодняшний день искусственные нейронные сети успешно применяются в различных областях, где решают такие проблемы, как классификация и распознавание образов, аппроксимация функций, предсказание/прогноз, оптимизация, управление, память, адресуемая по содержанию.

Каким же образом нейросеть решает все эти задачи? Обратимся к биологии, ведь как уже упоминалось, именно она дала толчок математическому моделированию нейронных сетей.

Нервная система и мозг человека состоят из нейронов, соединенных между собой нервными волокнами. Нервные волокна способны передавать электрические импульсы между нейронами. Все процессы передачи сигналов от нашей кожи, ушей и глаз к мозгу, процессы мышления и управления действиями - все это реализовано в живом организме как передача электрических импульсов между нейронами.

Рассмотрим строение биологического нейрона. Каждый нейрон имеет отростки нервных волокон двух типов - дендриты, по которым принимаются импульсы, и единственный аксон, по которому нейрон может передавать импульс. Аксон контактирует с дендритами других нейронов через специальные образования - синапсы, которые влияют на силу импульса.

Можно считать, что при прохождении синапса сила импульса меняется в определенное число раз, которое мы будем называть весом синапса. Импульсы, поступившие к нейрону одновременно по нескольким дендритам, суммируются. Если суммарный импульс превышает некоторый порог, нейрон возбуждается, формирует собственный импульс и передает его далее по аксону. Важно отметить, что веса синапсов и порог возбуждения нейрона могут изменяться со временем, а значит, меняется и поведение соответствующего нейрона.

Нетрудно построить математическую модель описанного процесса. На рисунке изображена модель нейрона с тремя входами (дендритами), причем синапсы этих дендритов имеют веса w1, w2, w3. Пусть к синапсам поступают импульсы силы x1, x2, x3 соответственно, тогда после прохождения синапсов и дендритов к нейрону поступают импульсы w1x1, w2x2, w3x3. Нейрон преобразует полученный суммарный импульс x = w1x1+ w2x2+ w3x3 в соответствии с некоторой передаточной функцией f(x). Сила выходного импульса равна y = f(x) = f(w1x1+ w2x2+ w3x3).



Таким образом, нейрон полностью описывается своими весами wk и передаточной функцией f(x). Получив набор чисел (вектор) xk в качестве входов, нейрон выдает некоторое число y на выходе.

Искусственная нейронная сеть (ИНС, нейросеть) - это набор нейронов, соединенных между собой. Как правило, передаточные функции всех нейронов в сети фиксированы, а веса являются параметрами сети и могут изменяться. Однако в системе Neuro Hit! нейросеть изменяет не только значения весовых коэффициентов, но также параметры передаточной функции, а генетический алгоритм способен изменять и сам тип функций. Некоторые входы нейронов помечены как внешние входы сети, а некоторые выходы - как внешние выходы сети. Подавая любые числа на входы сети, мы получаем какой-то набор чисел на выходах сети. Таким образом, работа нейросети состоит в преобразовании входного вектора в выходной вектор, причем это преобразование задается весами сети.

Обучить нейросеть - значит, сообщить ей, чего мы от нее добиваемся. Этот процесс очень похож на обучение ребенка алфавиту. Показав ребенку изображение буквы "А", мы спрашиваем его: "Какая это буква?" Если ответ неверен, мы сообщаем ребенку тот ответ, который мы хотели бы от него получить: "Это буква А". Ребенок запоминает этот пример вместе с верным ответом, то есть в его памяти происходят некоторые изменения в нужном направлении. Мы будем повторять процесс предъявления букв снова и снова до тех пор, когда все 33 буквы будут твердо запомнены. Такой процесс называют "обучение с учителем".

Обучение сети включает многократную подачу примеров на ее входы. Сеть отгадывает выход, сравнивает его с правильным ответом, и выполняет внутреннюю коррекцию сети, если выход был неправильным. Этот процесс повторяется для каждого примера. В этом смысле обучение напоминает повторение упражнений в спорте - тренировку.

Важно отметить, что вся информация, которую сеть имеет о задаче, содержится в наборе примеров. Поэтому качество обучения нейронной сети напрямую зависит от количества примеров в обучающей выборке, а также от того, насколько полно эти примеры описывают данную задачу.

Что такое генетический алгоритм?

Согласно эволюционной теории каждый биологический вид целенаправленно развивается и изменяется для того, чтобы наилучшим образом приспособиться к окружающей среде. Эволюция в этом смысле представляет процесс оптимизации живых организмов. Природа решает эту задачу эволюции путем естественного отбора. Его суть состоит в том, что более приспособленные особи имеют больше возможностей для выживания и размножения и следовательно приносят больше потомства, чем плохо приспособленные особи. При этом, благодаря передаче информации (генетическому наследованию) потомки наследуют от родителей основные их качества.

При размножении особей происходит слияние двух родительских клеток, и их ДНК взаимодействуют, образуя ДНК потомка. При наследовании возможны мутации, в результате которых некоторые гены потомка могут измениться. Если эти свойства полезны, они, скорее всего, сохраняться в данном виде. При этом, чаще всего, происходит скачкообразное повышение приспособленности вида.

Кроме механизма мутации в природе заложен механизм инверсии, под которой подразумевается отрицание потомками каких-то родительских качеств. Это извечный конфликт отцов и детей, психологически дискомфортный, но также способствующий повышению приспособляемости вида.

Генетический алгоритм обучения нейронной сети воспроизводит описанный выше механизм естественного отбора, что дает ему преимущество перед обычным градиентным алгоритмом в виде способности самостоятельно выпрыгивать из локальных минимумов функции ошибки, в поисках глобального минимума. Используя генетические алгоритмы вы получаете в своем компьютере не просто электронную модель мозга, но эволюционирующий мозг.

Подобный механизм был использован при построении нейросетевых математических моделей в системе Neuro Hit!, что позволило значительно (на 8-10%) повысить точность прогноза.

Использование астрологических гипотез при построении нейросетевых моделей.

Для того, чтобы нейронная сеть давала хороший результат, необходимо вдумчиво подойти к формированию астрологических гипотез, подаваемых на ее входы. Что же мы под этим понимаем? Астрологу вовсе не нужно проводить статистическую обработку работоспособности того или иного аспекта или ингрессии, как это некоторые предлагают делать. Однако требуется провести качественный анализ гипотез.

Пусть, к примеру, нам необходимо осуществлять прогноз направления суточного тренда. Какие астрологические события взять для рассмотрения? Скорости планет, а также их широту и склонение безусловно брать не следует. Эти параметры меняются слишком медленно, для того чтобы вызывать значимые движения рынка за сутки. Может быть, положения планет в знаке, фасе или терме? Опять нет. Ведь большинство планет, за исключением Луны находится в каждом знаке, фасе и терме продолжительное время. А вот положение в градусе и аспекты, если не принимать в рассмотрение высшие планеты, вполне подойдут. Кроме того, ежедневно меняются лунные дни, лунные стоянки, управители дней. Также к часто меняющимся факторам можно отнести наличие у Луны курса. Получаем минимальный набор факторов на входе нейронной сети. На выходе же должен быть суточный тренд, рассчитанный по реальному значению индекса. И никакого сглаживания, никаких скользящих средних!

Для прогноза на два-три месяца все по-другому. Необходимо включить высшие планеты, но исключить Луну. Учесть положение в терме и фасе, но отключить учет положения в градусе, добавить скорость планет и взаимные планетные фазы. Никаких аспектов, никаких лунных дней, они для двухмесячного прогноза слишком быстрые факторы, а потому не применимы. Все! На выход же подать сглаженное за 60 дней значение тренда.

Если вас волнует тот факт, что Солнце в терме находится несколько дней, а Юпитер несколько недель, и Вам хочется отключить еще и Солнце, не беспокойтесь. С такой задачей нейросеть вполне способна справиться сама, оставив Вам простор для астрологического творчества.

Продолжение следует...


Нейросети в финансовой астрологии и их специфика в программе Neuro Hit! (Часть I)
Влияние новых технологий на лицо цивилизации. Часть 1
Влияние новых технологий на лицо цивилизации. Часть 2
Влияние новых технологий на лицо цивилизации. Часть 3

Обсудить статью в Форуме >>

Павел Свиридов
http://www.ctp.ru






Главная | Авторы | Неподвижные звёзды | Библиотека | Работы | Прогнозы | Синастрии | ТАРО | Dynamic Horoscope | ФорумСсылки
Яндекс.Метрика


Copyright © 2002-2016 KOMETA-LOVE