Как должен выглядеть нейрон в нейросети для трейдинга?

Немного обо мне и том, почему я взялась за этот проект

Привет! Я Нелли, и я частенько пишу тут интересные статьи о различных IT-проектах, о бизнесе и психологии. А сегодня начну рассказывать о новом необычайном крипто-проекте.

Дело в том, что раньше у меня тут дома жили тропические палочники, но они все умерли. А мне бы хотелось их вернуть.

Да, можно было бы купить палочников у кого-нибудь здесь — на родине, но гораздо приятнее иметь насекомых, которых ты сам с любовью собрал в баночку. Поэтому я стала думать о том, как бы мне заработать на билет в манящие тропические страны и так, чтобы особо не перенапрягать мои пять нейронов в мозге.

Я вспомнила про искусственный интеллект, про криптовалюту и подумала: «А что, если сказать искусственному интеллекту, чтобы он трейдил вместо меня?» Это же невероятно!

Я посмотрела на крипто-бирже на графики — там были красненькие и зелененькие, потом я поговорила с чатом-GPT, и поняла, что буду работать с ним, ведь он умный как человек.

Но, если вы станете гуглить, то увидите, как куча нытиков пишут о том, что торговать на бирже с помощью нейросетей очень сложно, почти невозможно, мол, рабочих решений нет. Но я поизучала, что к чему, и к слову, не будучи ни программистом, ни математиком, я уверяю, что переплюну всех этих слабаков, называющих себя технарями.

Работать я будут с монетой — эфириумом, просто потому что мне больше всего нравится её название.

По итогу я покажу вам результат: каждый из вас увидит в режиме реального времени, как нейросеть будет предсказывать.

Ну, а сейчас начнем с азов: давайте посмотрим, как выглядят живой нейрон, самая простая его математическая модель, а потом мы сможем разобраться с тем, каким должен быть нейрон в нейросети для трейдинга.

Живой нейрон

И так, функция живого нейрона состоит в том, чтобы получать от других нейронов, хранить, обрабатывать и передавать другим нейронам информацию в виде электро-химических импульсов.

Что мы имеем:

1. Дендриты — это разветвлённые отростки нейрона, которые получают информацию от других нейронов. От сложности и разветвлённости дендритного дерева зависит то, сколько входных импульсов может получить нейрон.

2. Информация передается через синапсы — это места контакта отростков. В этих местах как раз и происходит передача нервного импульса от одного нейрона к другому, и механизм этот бывает разный — он бывает электрический, бывает химический, а бывает и смешанный. От того, каков именно механизм передачи импульса, зависит дальнейшее поведение клетки.

3. В синапсах информация, получаемая от нейрона к нейрону модифицируется, чтобы пойти дальше в тело клетки.

4. В теле клетки находится ядро. Входящий в состав ядра генетический материал управляют различными клеточными процессами и, в том числе процессами, которые касаются той информации, которая поступила в клетку со всех дендритов. Что именно происходит с информацией от каждого дендрита, зависит от того, сколько информации было получено, какой именно информации, и от генетического материала, заложенного в этой клетке.

5. Далее обработанная в ядре информация передается в аксонный холмик, в место соединения клетки с аксоном, и суммируется.

6. После этого сумма информации передается в аксон — самый длинный и толстый, как чей-то юмор, отросток, разветвленный на конце. У нейрона такой отросток один. У этого отростка множество сегментов, а в первом сегменте активируется нервный импульс. Например, либо возбуждение, либо торможение или еще что-то. Эта функция активируется только лишь в том случае, если в аксонном холмике будет определенное значение: может быть такое, что значение вообще недостаточное для того, чтобы активировать импульс.

7. Теперь информация попадает на терминали — концевые участки аксонов, на конце каждого из которых есть синапсы. Информация от этих синапсов дальше передается к рецепторам клетки-мишени. И, как я уже сказала, в момент передачи информация снова преобразуется, чтобы пойти дальше.

Нейрон может иметь несколько дендритов и обычно только один аксон. Такой нейрон может иметь связи с 20 тысячами других нейронов.

Искусственный нейрон: простая модель Маккалока-Питтса

Искуственный нейрон — это упрощенная абстрактная модель живого нейрона, представленного в виде математической модели.

Математическая модель искусственного нейрона была предложена в 1940-ые нейропсихологом-нейрофизиологом У. Маккалоком и математиком-нейролингвистом У. Питтсом вместе с моделью сети, состоящей из этих нейронов. Кстати, оба ученых были невероятные тусовщики: в загородном доме Маккалока они любили собраться всей своей уютной компанией ученных, курили травищу, скакали голые и говорили о математике. Я бы так же хотела, но в моем окружении нет ученых, поэтому живу скучно. Но, к слову, я, как и Маккалок тоже нейропсихолог, хотя, признаюсь, я немного преувеличиваю: он не так крут, как я.

И так, первоначально нейрон мог оперировать только сигналами логического нуля и логической единицы, поскольку был построен на основе биологического прототипа, который может пребывать только в двух состояниях — возбужденном или невозбужденном. Развитие нейронных сетей показало, что для расширения области их применения необходимо, чтобы нейрон мог работать не только с бинарными, но и с непрерывными (аналоговыми) сигналами. Только в 2000-ые годы в связи с появлением мощных компьютеров появилась возможность применять эту технологию.

Что мы имеем:

1. Входные сигналы — это либо данные от других нейронов из предыдущего слоя нейронной сети, либо данные из вне (например, это могут быть данные от картинки, на которой нейросеть должна распознать животное). Это такие данные, как размер картинки (х1), цвета (х2, х3, х2...) и так далее.

2. Связи, по которым выходные сигналы одних нейронов поступают на входы других: их часто называют синапсами по аналогии со связями между биологическими нейронами. Тут все данные х преобразуются в цифровой вид, и каждому значению назначается вес (то есть значимость для каждого входного данного). Вес обозначается как «w». Связи с положительным весом называются возбуждающими, а с отрицательным — тормозящими.

3. Внутри нейрона у нас находится сумматор: все значения х и значения w суммируются. Мы получаем некое значение u — индуцированное локальное поле.

4. Далее вступает в силу функция активации f(u) — это может быть какая угодно функция, какая угодно формула, заданная разработчиком. В зависимости от того, какое значение мы получим результате реализации этой функции, сигнал пойдет дальше или угаснет.

5. Нейрон имеет один выход, часто называемый аксоном по аналогии с биологическим прототипом.

6. С единственного выхода нейрона сигнал может поступать на произвольное число входов других нейронов или же выдавать искомое значение (у) во вне. Например, значение 1 будет значить, что есть на картинке животное, а −1 — что его нет.

Формула:

Нейрон в нейросети для трейдинга

И так, начну с того, что суть моей работы заключается в том, что я даю различные задания нейросети чат-GPT относительно трейдинга, и чат-GPT выполняет их.

Так, к примеру, нейросеть порекомендовала мне сгенерировать специальную LSTM-сеть. LSTM-сеть — это рекуррентная нейронная сеть, которая способна запоминать предыдущую информацию и агрегировать её с новой поступившей информаций.

Дело в том, что вся информация с крипто-биржи генерируется не моментально, а она зависит от процессов на рынке, которые следуют друг за другом, поэтому для того, чтобы осуществить прогноз на будущие цены, нам необходимо анализировать каждую новую информацию с учетом предыдущей. На это способна LSTM-сеть: в ней нейрон в каждый момент времени не передает принятую информацию следующему слою, а передает ее себе же и суммирует ее со вновь поступившей информацией, и только после этого мы получаем искомое значение.

И, таким образом, мы тут имеем:

1. Входные сигналы (значения хt) — это либо данные от других нейронов из предыдущего слоя нейронной сети, либо данные напрямую из крипто-биржи.

2. Связи или синапсы (или веса). Есть веса W, U и V: тут информация передается несколько раз, и в каждый момент времени данным задается свой вес или значение.

3. Ht — скрытое состояние в момент времени t: тут обрабатывается поступившая информация согласно функции, которую я задам, суммируясь с предыдущими данными.

4. Искомое значение y, которое я получаю после того, как все значения в нейроне суммируются согласной моей функции активации.

5. n, k — это количество элементов в ряде.

6. В сложных нейронах обязательно присутствует такая переменная bais (b) — это коэфициент смещения. Он нужен для того, чтобы снизить шумы.

Вот формула:

ht=Q(Wxt+Uht-1+bn), y= Q(Vh1+bn)

q — это функция, которую мы зададим.

Вот так упрощенно можно представить нейрон, в нейросети, которую я собираюсь использовать. Стоит учесть, что в нейронке-LSTM три-четыре вентиля: входной вентиль (принимает данные), вентиль состояния (запоминает полученные данные), вентиль забывания (забывает предыдущие значения, после того как произведет вычисления и получит новое значения) и выходной вентиль (вычисляет итоговый результат). Для каждого вентиля задается своя функция активации.

Вот так выглядят живой нейрон, самая простая математическая модель нейрона Маккалокка-Питса и нейрон в LSTM-сети, которую следует использовать в нейронке для трейдинга. А ты подписывайся на мой канал в Телеграме, чтобы быть в курсе событий! Я уверяю, что нейросеть сможет трейдить.