神经网络实验（第 6 部分）：自给自足的价格预测工具 — 感知器

MetaTrader 5 — 交易系统 | 28 九月 2023, 10:21

1 642

Roman Poshtar

概述

感知器是一种机器学习技术，可用于预测市场价格。对于那些努力获得价格预测的交易者和投资者来说，这是一个实用的工具。

一般概念

感知器是一个简单的神经网络，由一个或多个神经元组成，这些神经元接受输入数据，进行处理，并提供输出。它由弗兰克·罗森布拉特（Frank Rosenblatt）于 1957 年开发，此后在各个领域得到了广泛的应用，包括金融分析和股票市场预测。

感知器可解决分类和回归问题，包括价格预测。在最简单的情况下，感知器由单个神经元组成，该神经元接受多个输入变量，并产生单个输出信号。例如，为了预测外汇市场的价格，您可以采用以下输入数据：汇率，交易量，消费者价格指数、和其它因素。数据处理完毕之后，神经元生成一个输出信号，其为货币对的预测。

感知器工作原理

感知器的操作基于监督学习原理。这意味着感知器依据历史数据进行训练，从而判定各种市场因素和价格之间的关系。该数据用于调整神经元的权重，从而判定每个输入因子对预测股票价格的重要性。

感知器可以在学习和预测模式下运行。在训练模式下，感知器将外汇市场中的历史数据和实际价格作为输入，然后以最小化预测误差的方式调整其权重。

运用感知器预测外汇价格的益处

使用感知器预测外汇价格有若干优点。首先，感知器能够适应市场的变化，并根据新的数据调整其预测。这使得它比传统的数据分析方法，如统计分析和时间序列等更有效，后者不能始终适应市场变化。
其次，感知器可以处理大量输入数据，这令其可参考影响价格的许众不同因素。由此可导致比传统数据分析方法更准确的价格预测。
第三，感知器可以依据大量数据进行训练，这允许它基于大量历史数据进行训练和价格预测。

然而，运用感知器来预测价格也有一些缺点。首先，感知器可能很容易受到数据中的峰值或误差的影响，这可能导致价格预测不准确。其次，训练感知器需要大量的历史数据。如果历史数据不能充分代表当前的市场情况，那么感知器预测可能不准确。

此外，当感知器对历史数据过于敏感而无法适应新的市场变化时，可能会出现过度拟合的问题。为了应对这个问题，可以使用各种监管技术，例如 L1 和 L2 正则化，这有助于控制神经元权重，并防止过度拟合。

感知器可以与其它预测方法，如自回归模型（ARIMA）或指数平滑结合使用，从而获得更准确、更可靠的预测。例如，您可以使用感知器来预测长期价格趋势，并使用 ARIMA 或指数平滑来预测短期价格趋势。请记住，用于训练感知器的历史数据可能与当前的市场条件并不匹配。在这种情况下，预测结果可能并不准确。因此，应定期更新模型，以便充分反映市场变化。

优化感知器的参数

感知器是最简单的神经网络类型之一，它由输入层、隐藏层和输出层组成。它可用于各种任务，例如分类、回归或图像处理。不过，为了令感知器有效工作，必须正确为其选择参数。

感知器参数是定义其结构和行为的数值。它们包括隐藏层的数量，每层中的神经元数量，激活函数，学习率、等等。正确调整的参数令感知器获得最佳结果。

此处是一些可以优化的感知器参数：

Number of hidden layers

隐藏层的数量决定了模型的复杂性。如果模型太简单，那么它可能无法胜任任务；如果它太复杂，则可能发生过度拟合。因此，应根据要解决的问题以最优方式选择隐藏层的数量。

Number of neurons in each layer

每层中神经元的数量也会影响模型的复杂性。大量的神经元可以提高预测的准确性，但同时会增加训练时间。神经元的数量应该针对特定任务进行优化。

以下示例事关 Number of hidden layers，Number of neurons in each layer。此处用到了 NeuralNets 函数库：

int OnInit()
  {

// set the number of neurons in the input, hidden and output layers
int n_inputs = 2;
int n_hidden = 3;
int n_outputs = 1;

// create a perceptron object
CNeuralNet ann;

// add layers
ann.AddLayer(n_inputs);
ann.AddLayer(n_hidden, CNeuralNet::TANH);
ann.AddLayer(n_outputs, CNeuralNet::TANH);

// set learning parameters
ann.SetLearningRate(0.1);
ann.SetMomentum(0.9);
ann.SetMaxEpochs(1000);
ann.SetDesiredAccuracy(90);

// create arrays to store input and target values
double inputs[][2] = {{0,0}, {0,1}, {1,0}, {1,1}};
double targets[] = {0, 1, 1, 0};

// train the perceptron
ann.Train((double*)inputs, targets, 4);

// test the perceptron
double output;
ann.Compute((double*)inputs[0], output);
Print("0 XOR 0 = ", output);
ann.Compute((double*)inputs[1], output);
Print("0 XOR 1 = ", output);
ann.Compute((double*)inputs[2], output);
Print("1 XOR 0 = ", output);
ann.Compute((double*)inputs[3], output);
Print("1 XOR 1 = ", output);

}

在这个例子中，我们创建了一个含有两个输入神经元、三个隐藏神经元、和一个输出神经元的感知器。我们还设置训练参数，例如训练速率、矩和最大世代。接下来，创建存储输入和目标值的数组，并依据该数据训练感知器。在四个不同的输入上测试感知器后，在屏幕上显示结果。

Activation function

激活函数判定神经元应如何响应输入。有许多激活函数，例如 sigmoid、ReLU、和双曲正切。激活函数的选择还应取决于所要解决的问题。

下面是选择不同激活函数的示例：

int OnInit()
  {

// set the number of neurons in the input and output layers
int n_inputs = 2;
int n_outputs = 1;

// create a perceptron object
CNeuralNet ann;

// add layers
ann.AddLayer(n_inputs);
ann.AddLayer(3, CNeuralNet::TANH);
ann.AddLayer(n_outputs, CNeuralNet::SIGMOID);

// set learning parameters
ann.SetLearningRate(0.1);
ann.SetMomentum(0.9);
ann.SetMaxEpochs(1000);
ann.SetDesiredAccuracy(90);

// create arrays to store input and target values
double inputs[][2] = {{0,0}, {0,1}, {1,0}, {1,1}};
double targets[] = {0, 1, 1, 0};

// train the perceptron
ann.Train((double*)inputs, targets, 4);

// test the perceptron
double output;
ann.Compute((double*)inputs[0], output);
Print("0 XOR 0 = ", output);
ann.Compute((double*)inputs[1], output);
Print("0 XOR 1 = ", output);
ann.Compute((double*)inputs[2], output);
Print("1 XOR 0 = ", output);
ann.Compute((double*)inputs[3], output);
Print("1 XOR 1 = ", output);

}

在这个例子中，我们添加一个由三个神经元组成的隐藏层，并为隐藏层选择 “tanh” 激活函数，为输出层选择 “sigmoid”。

Training rate

训练率决定了神经网络改变其权重的速度。训练率太高会导致溢出，而该数值太低可能会导致训练时间过长。您需要选择最适合特定任务的训练率。

Regularization

监管是一种用于防止过度拟合的方法。它包括向误差函数添加附加项，从而惩罚模型的权重过大。监管减少了预测的盲目扩散，提高了模型的普适能力。

Weight initialization

权重初始化是感知器中每个神经元的权重初始设置。不正确的初始化权重可能会导致模型收敛到误差函数的局部最小值，而非全局最小值。因此，有必要选择正确的方法来初始化权重。

Batch size

批量规模决定了在一个训练迭代中将用到多少个数据样本。批量规模太小可能会减慢学习过程，而批量规模太大会导致内存溢出。针对特定任务选择最适合的批量规模。

Optimizer

优化器是一种算法，用于在训练期间更新模型的权重。有许多优化器，例如随机梯度下降，Adam 和 RMSprop。每个优化器都有其优点和缺点，最佳优化器的选择取决于任务。

通常，感知器的最佳参数取决于所要解决的问题。有必要尝试不同的参数值，以便找到特定任务的最优集合。机器学习是迭代改进模型的过程，正确调整的参数是获得更好结果的关键。

将指标和价格传递给感知器进行市场分析

指标是用于分析市场并帮助识别趋势、入场和离场时机、以及支撑位和阻力位的数学方程式。可以在感知器中用于分析外汇市场的一些最常见指标包括：

移动平均线;
相对强弱指数（RSI）;
随机振荡器;
MACD（移动平均收敛扩散）。

将收盘价和指标传递给感知器，可令模型参考市场分析的各个方面，并创建更准确的价格预测。例如，模型可利用移动平均线来判定整体市场趋势，然后利用随机振荡器来判定入场切入点。

不过，将大量指标传递给感知器可能会导致数据冗余问题。数据冗余会导致模型过度拟合，以及普适能力低下。因此，有必要针对特定的市场分析任务选择最明显的指标。

此外，数据传输到感知器需要相应的数据预处理。例如，如果数据包含缺失值，则需要解决此问题，例如，用平均值填充缺失值、或删除含有缺失值的行。

有必要为感知器选择最优参数，如此模型就能够最好地训练和预测价格。需要优化的一些主要参数包括：

The number of neurons in the hidden layer;
Neuron activation function;
Number of learning epochs;
The size of data mini batches for training.

最佳参数的选择可以通过反复试验，或使用优化算法（如遗传算法，或基于梯度的优化方法）来完成。

示例和实际应用

在此，我们将研究一个基于简单感知器的 EA 示例，该感知器将两条移动平均线指标之间的距离作为输入传递。传递周期为 1 和 24 的两条移动平均线指标之间的距离。类型为指数移动平均线，应用收盘价，但首先把这些数值转换为点数的常规化数值。

在输入里取蜡烛序号 1、4、7、10（4 个参数）上的距离。在感知器输出中，我们得到两个值 — 开仓买入，和开仓卖出。这些条件不是标准条件。它们只是作为感知器的一个例子给出。我们当前的示例将尽可能简单。

在此，我将提供优化和前向验证测试的所有参数，以免在文本中重复：

外汇市场；
货币对 EURUSD；
时间帧 H1；
止损 300，止盈 600；在 EA 里止盈设为止损的两倍；
"仅开盘价"，"快速（基于遗传算法）"，以及 "最大复杂准则" 优化和测试模式；常重要的是使用“最大复杂准则”模式，与“最大盈利能力”相比，它展示出更稳定和有利可图的结果；
优化范围 3 年。从 2019.04.19 至 2022.04.19。 3 年并非是一个可靠的准则。您可以自行试验此参数;
前向验证测试范围为 1 年。从 2022.04.19 至 2023.04.19。
初始本金 10000 单位；
杠杆 1:500。