文章 "第三代神经网络：深度网络"

MetaQuotes 2016.01.11 08:57

本文致力于介绍一种新的有前景的机器学习方向 — 深度学习或者更准确的说，深度神经网络。简要回顾第二代神经网络，它们的连结架构和主要类型，学习的方法和规则以及缺点，随后介绍第三代神经网络的发展，它们的主要类型，特点和学习方法。创建并训练一个深度神经网络，由真实数据通过堆栈式自动编码器权重进行初始化。从输入数据的选择到数量化求解的所有步骤都会详细讲述。文章的最后部分包含一个深度神经网络的EA实例，其中带有一个MQL4/R的内置指标。

本文将要讨论这一课题的主要概念，诸如深度学习以及无复杂layman形式运算的深度网络。

真实数据的实验，通过定量和比较（无法定量和比较），证实（或证伪）深度神经网络的理论优势。当前的任务是分类。我们要基于深度神经网络模型创建一个指标和一个EA，根据客户端/服务器的方式进行运作，并对它们进行测试。

本文的读者应该对神经网络中使用的基本概念已有一定程度的了解。

4. 实现（指标和EA）

现在我们要写一个接收深度神经网络交易信号的指标和EA程序。

有两种实现方式：

第一种方式。神经网络的训练在Rstudio中手动执行。在获得可接受的结果后，将网络保存在恰当的目录中。然后在图表上加载EA和指标。EA将加载已训练后的神经网络。指标将每个新柱形上的输入数据组织成向量传入EA。EA呈现神经网络数据，接收交易信号然后执行交易。EA执行常规操作如开仓、平仓，追踪止损等。指标的目的是给EA准备和传递每个新柱形的输入数据，最重要的是，在图表上呈现网络的预测信号。实践证明，可视化控制是评估一个神经网络的最有效的方法。
第二种方式。在图表上加载EA和指标。刚加载时，指标传递给EA一个预先准备好的输入输出大数据集。EA开始训练、测试及选择最佳神经网络。这之后的运作和第一种方式一样。

我们打算根据第一个算法编写指标-EA关联程序。最简单化实现EA。

为何这么困难呢？这样的实现方式允许将在不同的货币对/时间框架上的多个指标和同一个EA关联起来并正常运行。为了实现这点，EA必须进行小的调整。我们打算后面再讨论它。

下面是指标和EA的交互结构：

图. 31. 指标和EA之间的交互结构