Sieci że odreagowanie w góre

pilu

Model na kolejne 10 sesji nadal w dół

pilu

WIG20 – na co mi te wpisy???

Żadnej wartości dodanej a wpis idzie, bez sensu…

WIG20 dochodzi ponownie do ważnych oporów 1779-82, kluczowy opór 1808. Według SSN odreagowanie ma się ku końcowi. Jeśli model się nie myli, to wkrótce możemy zobaczyć poziom 1728.

SSN

W20

pilu

WIG20 – a co mi tam, mój blog, zrobię sobie wpis

SSN pro spadkowo

WIG20 na ważnych oporach, wypełniona żółta  przerywana linia kanału spadkowego. Nastroje inwestorów szampańskie! 1820 dla W20 to spore wyzwanie, jeśli pęknie poziom 1780 to na 1730 lecimy. Jeśli W20 przebij eopór 1820 to idziemy na 1865.

 SII - INI

W20

SSN

pilu

WIG20 - kanał został wypełniony

Sieci neuronowe już nie są takie mocne w gębie, kanał wypełniony, indeks może skorygować w dół.

pilu

PORÓWNANIE PODEJŚCIA APROKSYMUJĄCEGO I KLASYFIKUJĄCEGO W PROGNOZOWANIU KURSÓW WYBRANYCH AKCJI NA GPW W WARSZAWIE S.A. Z UŻYCIEM JEDNOKIERUNKOWYCH SIECI NEURONOWYCH

ZOBACZNIE CO ZNALAZŁEM NA STRONIE UE.KATOWICE

>>>TUTAJ<<<

pilu

Znalazłem trochę czasu. Kontynuacja wzrostu WIG20? Co mnie niepokoi!

• Sankcje niestety działają i bolą NASZ budżet >>>TUTAJ<<<
• Mateusz Szczurek: Od listopada wzrost cen >>>TUTAJ<<<
• Dzisiejszy odczyt INI 4-ty tydzień z rzędu optymistycznie >>>TUTAJ<<<
• SSN +15 też widzi trend spadkowy

pilu

PS

Za 5-10 dni mogę zmienić koncepcję jak sytuacja zmusi




PS II

 
Zaznaczyłem opory techniczne na WIG20, jeśli będzie odreagowanie na 2515-20 to może zlecenie kupna OW20V142350


USA wg zniesień Fibona też przy oporach… HISTORYCZNYCH – bo od 1900 roku na wykresie logarytmicznym

Mój Mentor i Mistrz Świata w dziedzinie sieci neuronowych

Wprowadzenie do obliczeń neuronowych prof.Ryszard Tadeusiewicz 

pilu

Sieci Neuronowe na giełdzie

Począwszy od lat 90-tych skuteczne inwestowanie wymaga integracji analizy międzyrynkowej z tradycyjną analizą techniczną. Analiza pojedynczych rynków musi dziś ustąpić miejsca szerszej perspektywie analitycznej uwzględniającej nieliniowe zależności między różnymi rynkami finansowymi. Po raz pierwszy taka perspektywa została opisana w 1991 r i nadano jej nazwę „analizy synergistycznej” . Podejście to pozwala ujmować ilościowo złożone relacje międzyrynkowe , szacować jednoczesne wpływy wielu rynków na dany rynek oraz mierzyć czasowe przesunięcia tych wpływów.

Sieci nieuronowe są świetnym narzędziem do analizy synergistycznej. Można dzięki nim łączyć w analizie dane różnego rodzaju i odnajdować ukryte schematy oraz złożone relacje między rynkami ,niedostrzegalne gołym okiem. Sieci neuronowe są realne i działają .

Wykonują wspaniałą pracę , przetwarzając wielką ilość międzyrynkowych danych. Czy jest inny sposób jednoczesnego zbadania danych z pięciu, dziesięciu czy nawet piętnastu rynków w celu wykrycia ich wpływu na jeden konkretny rynek. Poza tym sieci neuronowe umożliwiają prognozowanie finansowe , które dają inwestorowi możliwość antycypowania zdarzeń. Każdy potrafi powiedzieć na podstawie wykresu , co działo się na rynku w przeszłości, ale na giełdzie zarabia się dzięki przewidywaniu tego co się stanie.

Dzięki sieciom neuronowym można prognozować zachowania rynków finansowych tak jak meteorolodzy prognozują jaką drogą będzie przesuwał się huragan. Prognozy nigdy nie są dokładne w 100 % . I nigdy nie będą bo takie możliwości posiada jedynie Pan Bóg. Jednak z punktu widzenia kogoś , kto musi podejmować decyzje w warunkach niepewności , jest to krok we właściwym kierunku. Do tego , by włączyć do własnego planu inwestycyjnego analizę międzyrynkową , nie trzeba zmieniać swojego stylu ani rezygnować ze stosowania na poszczególnych rynkach wskaźników, które przecież działają całkiem nieżle.

Analiza miedzyrynkowa może stanowić poszerzenie tradycyjnych analiz konkretnych rynków. Jeśli chcemy zrozumieć różnicę między analizą jednego rynku a analizą międzyrynkową , zasłońmy jedno oko . Perspektywa widzenia zostaje nagle zawężona i nie jesteśmy już w stanie objać wzrokiem całego otoczenia. To samo jest z analizowaniem pojedynczego rynku. Gdy odsłonisz oko. Perspektywa poszerza się. Oto właśnie chodzi w analizie międzyrynkowej – o poszerzenie pola widzenia.

Nie będę się tu rozpisywał o budowie i strukturze sieci neuronowej bo to nie rozprawa doktorska na ten temat. Zapodam jedynie prosty przykład możliwości sieci w wykorzystaniu praktycznym na naszym rynku, nie jest to co prawda analiza synergistyczna ale obrazuje wycinek możliwości sieci :

Aby sprawdzić skuteczność nieskomplikowanej sieci neuronowej sprawdziłem z jakim prawdopodobieństwem sieci będzie udawało się przewidzieć kierunek ruchu instrumentu w ciągu jednej sesji. Na badany instrument wybrałem indeks WIG20. Dane dostarczane do sieci to m.in cena otwarcia sesji, oraz jej opóźnienia(ceny otwarcia z 3 i 5 ostatnich dni), cena zamknięcia z dnia poprzedniego i również jej trzy opóźnienia oraz kilka podstawowych wskaźników (RSI, MACD, Momentum). Sieć na ich podstawie ma określać czy rozpoczęta sesja dla WIG20 skończy się na plusie czy na minusie.

Sieć została utworzona na danych dziennych z okresu jednego roku.

Stworzona przez program sieć dopasowała się do danych treningowych tak, że trafiała z prognozą w blisko 85% przypadków. Następnie wytrenowana już sieć została użyta do prognozowania na danych z losowo wybranego okresu . Wyniki prognoz porównane z faktycznymi pokazują, że sieć trafiła z prognozą w 68% przypadków. Widzimy więc, że wynik sieci neuronowej nawet zbudowanej z tak prostych danych wejściowych jest już o 18% lepszy od rzutu monetą. To sugeruje, że dobrze przemyślana sieć, składająca się z większej ilości danych wejściowych i trenowana na dużej ilości rekordów może mieć w sobie duży potencjał prognostyczny.

W dostępnych na zachodzie opracowaniach na temat sieci neuronowych dotarłem do danych o sieci zbudowanej w 1999 r prognozującej na 5 dni na przód wartość indeksu S&P500.

Wyniki jakie uzyskano były imponujące . Błąd średniokwadratowy wyniósł 0.000217 a błąd średni

1,268 punktu indeksu !!!!!!!. W 56 % przypadków różnica między wartością rzeczywistą a prognozowaną nie przekraczała jednego , w 77 % - dwóch , a w 99 % czterech punktów .

Parę lat temu w zawodach forexowych autonomicznych automatów grających na rynku , wygrała sieć neuronowa zaimplementowana na Meta Traderze i napisana przez rosjanina.

Sieć zdyskontowała konkurentów o sic !! 1000 %.

Z moich osobistych kontaktów z tematem doszedłem do wniosków, że zagadnienie wykorzystania sieci neuronowych na rynkach kapitałowch są ściśle chronionymi tajemnicami.

A specjaliści z tej dziedziny nauki są przechwytywani przez korporacje finansowe i szybko słuch o nich ginie.

„Klasyką” sieci neuronowych jest opowieść o człowieku, maklerze giełdowym, a z zapalenia będącego programistą, który nauczył sieć neuronową "rozumienia" giełdy. Sieć ta, po pewnym szkoleniu, wymknęła się spod kontroli. Na szczęście w dobrym tego słowa znaczeniu. Sieć zaczęła bardzo dokładnie przewidywać wahania cen na giełdzie, dzięki czemu człowiek ten dużo zarobił.

Jeżeli komuś uda się zaprogramować SN na tyle dobrze, aby myślała mniej-więcej dobrze, może się spodziewać dużej kasy:).

http://gmtrading.pl/index.php?option=com_content&task=view&id=75&Itemid=47

Nigdy nie sądziłem, że temat zainteresuje kogoś na tyle aby zadać mi kilkanaście pytań. A jednak!

http://30-lat-pozniej.blogspot.com/2014/04/bo-spekulowac-to-trzeba-umiec-i-tyle-w.html

pilu

Nie sztuką jest zarobić w ciągu jednego miesiąca, sztuką jest zarabiać regularnie jako spekulant instrumentami finansowymi. Poradnik pana Marka (dla ubogich i mniej zamożnych)

Poradnik pana Marka (dla ubogich i mniej zamożnych). Bezrobotny 30-latek Ujawnia ZA DARMO Jak Zarobił W Grudniu Kwotę 19 836,87 zł Używając Do Tego Domowego Komputera I Stosując Kilka Banalnie Prostych Metod!

Wiem, że korporacja Plus500 nie podlega KNF. Zobaczcie, jakie stosują metody <<< TUTAJ>>>  Widzę niebezpieczeństwo powtórki na skalę opcji walutowych 2008, tym razem ofiarami padają osoby fizyczne

Co mnie najbardziej zadziwia w tym procederze? Komentarze pod artykułem, granie na emocjach w gangsterskim stylu  (dodawanie komentarzy na chwilę obecną jest zamknięte.*) i zdjęcie Pani Moniki Zając, publicystki rodem z filmów REDTUBE

P.S.

Ma ktoś koncepcję na ruch cenowy WIG20?

FW20

SSN +30

pilu

Ostatnie info od Ledo z dnia 2014-01-10

jestesmy gdzie strzałka, brakuje korekty na wysokości strzałki , /choc ta może nie wystąpić/ oraz powinny wystapic elementy w elipsach. jesli mamy isc na 2050 to "jestesmy" nieco wyżej i MOŻE, może zrobimy jeszcze powrót do 2380. standartowy schemat.

Mam nadzieje, że Ledo nie ma mi za złe opublikowania koncepcji

 

Wyjścia SSN też niewesoło, kluczowe 2 do 5 wartości poniżej 1 (pierwszej kropki od lewej) BAZOWEJ. Model +15 słabiutko, może LEDO majaczy poprawnie?

Czekam na kolejne koncepcje, zawsze opublikuję. Zachęcam wszystkich zainteresowanych i szukam sponsorów na ufundowanie nagród dla najtrafniejszych koncepcji! 

pilu 


P.S.

Czesanie stopów - opór na WIG20, około 2400 pkt

 

ŁATWA KSIĄŻKA NA TRUDNY TEMAT

Rzadko się zdarza, by wybitny badacz był jednocześnie dobrym popularyzatorem wiedzy. Jeśli jednak taka koincydencja się przydarzy, to powstają dzieła godne uwagi.

Awangardowy charakter sztucznej inteligencji oraz zdecydowany prymat, jaki przez długi czas miały w tej dziedzinie sieci neuronowe, skłaniają do bliższego ich poznania, oswojenia się z ich działaniem, zrozumienia tego, co wniosły do nauki i poznania ich wpływu na informatykę jutra. Sztuczną inteligencję warto i wypada znać. Niestety podręczniki, zwłaszcza dotyczące sieci neuronowych, nie należą do łatwych w czytaniu. Jakkolwiek podstawowe intuicje można szybko uchwycić, to jednak droga do zrozumienia szczegółów wiedzie poprzez gąszcz skomplikowanych formuł matematycznych i trudnych do zrozumienia algorytmów.

W tym kontekście książka prof. Tadeusiewicza stanowi niezwykle cenną ofertę zwłaszcza dla czytelnika początkującego i niezbyt dobrze przygotowanego matematycznie oraz algorytmicznie, ponieważ objaśnia wszystkie poruszane zagadnienia rezygnując z matematycznego formalizmu (w książce nie ma ani jednego wzoru).

Sieci neuronowe są nie tylko użytecznymi narzędziami obliczeniowymi, mogą też służyć jako komputerowe modele fragmentów biologicznego systemu nerwowego albo wręcz jako komputerowe imitacje ludzkiego mózgu (naturalnie pamiętając o uproszczeniach, jakie się stosuje przy ich budowie). Autor wykorzystuje tę okoliczność, by rozbudzić dodatkowe zainteresowanie czytelnika opisywanym przedmiotem, nie przekraczając jednak granicy dopuszczalnych i naukowo uzasadnionych analogii.

Książka, poza tym, że rozbudza (i zaspokaja!) ciekawość czytelników związaną ze sztuczną inteligencją i skłania do zainteresowania biologią, ma dodatkowy walor, uwidoczniony w jej tytule. Chodzi mianowicie o aktywizację czytelnika, który – zamiast czytać o sieciach neuronowych i poznawać je w sposób bierny – jest zachęcany do samodzielnego eksperymentowania. A wystarczy tylko dostęp do komputera.

Dzięki temu, że integralnym składnikiem tej książki są samodzielne eksperymenty czytelnika z programami modelującymi funkcjonowanie sieci (udostępniono je za darmo w Internecie: http://home.agh.edu.pl/~tad/), ma ona dwie dodatkowe zalety. Po pierwsze, wyrabia u czytelnika (zwłaszcza młodego) chęć i gotowość samodzielnego odkrywania wiedzy zamiast jej biernej „konsumpcji”. Po drugie, programy są napisane w popularnym języku C# (do jego używania można uzyskać za darmo w Internecie wszystkie niezbędne składniki: edytor, kompilator, linker, biblioteki, środowisko uruchomieniowe itd.) i są udostępnione m.in. jako tzw. kody źródłowe. Dzięki temu czytelnik może te programy przeanalizować, wiążąc ich obserwowane działanie z tekstem samego programu, który można w tym przypadku potraktować jako rodzaj samouczka dobrego programowania komputerów z wykorzystaniem nowoczesnej technologii obiektowej. Co więcej, zainteresowany „informatyczną kuchnią” czytelnik może sam te programy rozbudowywać, modyfikować, zmieniać, wzbogacać, do czego zachęcają go pytania kontrolne oraz problemy do samodzielnego rozwiązania, znajdujące się w zakończeniu każdego rozdziału. Może to być znakomitą szkołą dla przyszłych mistrzów świata w programowaniu – co stało się ostatnio polską specjalnością i… dumą.

Leszek Rutkowski
Ryszard Tadeusiewicz, Tomasz Gąciarz, Barbara Borowik, Bartosz Leper, Odkrywanie właściwości sieci neuronowych przy użyciu programów w języku C#, Wydawnictwo polskiej akademii umiejętności, Kraków 2007.

http://www.forumakad.pl/archiwum/2008/04/61_ksiazki.html

Zastosowanie sieci neuronowych do generowania strategii decyzyjnych

http://winntbg.bg.agh.edu.pl/rozprawy/9848/full9848.pdf

Zastosowania sieci neuronowych, predykcja – giełda

http://staff.iiar.pwr.wroc.pl/piotr.ciskowski/dydaktyka/sieci.neuronowe/L.06.a.Zastosowania.sieci-predykcja%28gielda%29.pdf

Sztuczne inteligencje Google'a pod pewnymi względami są już bystrzejsze od ludzi

O tym, że Google stara się tam, gdzie tylko może zastąpić ludzi algorytmami, wiadomo już od dawna. Z technologii związanych ze sztuczną inteligencją korzystamy już dziś zresztą na co dzień, w takich produktach jak Tłumacz Google, wyszukiwarka obrazków czy głosowa wyszukiwarka Androida. W pracach tych niedawno jednak przekroczono pewną ważną barierę – inżynierowie z Mountain View przestali rozumieć to, co stworzyli.

Taką skłaniającą do refleksji deklaracją podzielił się z zebranymi jeden z programistów Google, Quoc V. Le, który podczas odbywającej się w zeszłym tygodniu w San Francisco konferencji dotyczącej maszynowego uczenia, przedstawiając zgromadzonym działanie technologii głębokiego uczenia, stosowanych przez wyszukiwarkowego giganta. Prace nad wykorzystaniem klastrów obliczeniowych do automatycznego klasyfikowania zgromadzonych danych przekształciły je w cybernetyczne czarne skrzynki, których zasady działania wymknęły się ludzkiemu opisowi.

Po raz pierwszy tak spektakularnymi efektami w dziedzinie AI Google pochwaliło się raptem półtora roku temu, kiedy to stworzony w sekretnym X Laboratory klaster 16 tysięcy procesorów, z ponad miliardem wewnętrznych połączeń, wykorzystany został do „obejrzenia” 10 milionów miniaturek klipów wideo z YouTube, by na tej podstawie nauczyć rozpoznawać się wizerunki kotów. Wszystko to odbyło się bez jakiegokolwiek treningu ze strony człowieka, nigdy system nie otrzymał komunikatu oto kot. Jak stwierdził wówczas nadzorujący badania dr Jeff Dean, google'owy klaster po przetworzeniu milionów obrazów w praktyce wynalazł koncepcję kota, podobnie jak to robi to kora wzrokowa u małych dzieci. Jego kolega Andrew Ng ostrzegł jednak przed zbyt pochopnym sięganiem po organiczne analogie, podkreślając, że google'owa sieć była o wiele rzędów wielkości mniejsza od ludzkiej kory wzrokowej.

Wykorzystywane przez Google'a mechanizmy głębokiego uczenia mają bowiem hierarchiczną strukturę, w której najniższe warstwy wykrywają różnice kolorów pikseli, a warstwy wyższego rzędu wykrywają krawędzie obiektów. Kolejno dodawane warstwy mogą opracować sobie własne mechanizmy detekcji cech, o których ludzie by nawet nie pomyśleli. Quoc V. Le przywołał tu historię wykrywania niszczarek do dokumentów. O ile w zasadzie łatwo jest określić, czym się charakteryzują koty, to z niszczarkami sytuacja jest bardziej skomplikowana. Programista wyjaśnił, że gdy pokazywał zdjęcia tych urządzeń swoim kolegom, wielokrotnie nie potrafili oni ich poprawnie zaklasyfikować.

Tymczasem komputerowy system rozpoznawania obrazu poradził sobie z tym zadaniem znacznie lepiej, niż ludzie – a Le stwierdził, że nie wie, jak mógłby sam napisać program, który by sobie z tym równie dobrze poradził. Doszliśmy do etapu, na którym musimy polegać na danych, by stworzyły mechanizmy dla nas, zamiast sami opracowywać takie mechanizmy – przyznał. Otwiera to drogę do rozwiązywania problemów, w których nie ma ekonomicznego sensu szukać ludzkich ekspertów. Karmiąc maszynowych sawantów ogromną ilością relewantnych danych, Google chce, by z danych tych wyłoniły się ich własne sposoby kategoryzacji. W ten sposób bliżej byłoby do spełnienia google'owej misji – zorganizowania całej informacji świata.

Mimo że w opinii wielu badaczy AI i filozofów, takich jak Noam Chomsky, takie statystyczne podejście nie jest w stanie przynieść maszynom uchwycenia sensu, znaczenia danych, to wyszukiwarkowy gigant niekoniecznie się tym przejmuje. Peter Norvig, szef badań nad AI w Google, co prawda nie oczekuje, że mechanizmy głębokiego uczenia same przekształcą się w silne sztuczne inteligencje, ale jest pewien, że pozwoli to na rozwiązanie realnych problemów, takich jak rozpoznawanie czy rozumienie mowy.

Emergencji – czyli spontanicznego wyłonienia się systemów o właściwościach, których ich poprzednicy nie posiadali, nie można tu wykluczyć. Sami eksperci Google'a przyznają, że doszło do zaobserwowania w ich firmie emergentnych zjawisk, w których systemy zachowywały się od czasu do czasu bardziej jak żywe istoty, niż sterowane programem maszyny. Tak było w wypadku systemu Omega, następcy projektu Borg, stworzonego aby efektywniej rozdzielać zasoby pomiędzy serwerowymi aplikacjami w google'owych centrach danych – jego zachowanie wielokrotnie okazywało się niedeterministyczne, szczególnie w scenariuszach wykorzystujących większą liczbę węzłów sieci. Programiści z Fundacji Apache, rozwijający opensource'owy projekt Mesos, będący odpowiednikiem Borga, twierdzą zresztą, że to jedyna droga dla bardziej złożonych systemów – można próbować wyeliminować nieprzewidywalność tylko do pewnej skali, powyżej której koszty takich działań stają się zaporowe. O wiele sensowniej budować systemy, które akceptują indeterminizm – i wykazują coś na kształt ograniczonej inteligencji, do skutecznego rozwiązywania problemów, z którymi ludzie sami już sobie nie radzą.


http://www.wykop.pl/ramka/1739624/sztuczne-inteligencje-google-a-bywaja-bystrzejsze-od-ludzi/