将预测连续时间神经网络集成到

图4显示了神经网络的预测输出（5分钟时帧）与实际价格历史进行了对比，并对其进行了验证和训练。每个图表都包括两条记录道的皮尔逊相关性的系统计算。该图表补充了自适应指标（MACD和随机K/D），并模拟了用于评估波周期长度的小波变换。作为指导，请注意，当使用此5分钟时间段进行评估时，x轴上的-10相当于当前时间（零）的“50分钟前”。在该模拟中，预测值提前10个周期（绘制8个周期），技术分析指标使用这些值作为计算的基础。有人认为，正是通过这种组合图，向神经网络的使用过渡可能对交易者最有用。大多数平台目前只提供历史价值图表（因为未来价格不能成为当前数据源的一部分），尽管修改被认为是微不足道的。图4:FTSE 100指数连续输出的示例图表。实际价格（蓝色）和预测（红色），支持自适应技术分析指标、MACD、小波增长、随机K&D4。4持续输出——持续交易使用自动化策略的主要驱动力是在风险控制制度内实施安全、可靠（基于规则）的交易程序。因此，向半自主交易功能的发展需要对交易前建模的使用进行逐步改变，并将该建模集成到控制系统中。在利用本文所述模拟的连续输出时，可能需要修改投资和交易策略。

例如，在并行工作中，（Panella，2008）引入机器学习系统和人工智能方法来改进无人驾驶飞行器（UAV）的监视、目标检测和跟踪系统，也需要对自动系统进行调整，有时还需要用自主系统来代替。因此，自动化交易系统可能需要被允许他们“学习”的自治或半自治系统所取代。然后，系统可以更有效地适应和应对意外事件，并相应地降低风险。这将使交易操作变成一个高度客观的功能，而不是一个高度主观的功能。在适应的过程中需要进一步的整合。由于自治级别可能根据功能进行分类，[低、中、高]（Panela，2008），这可以用证券市场的术语来解释，以解决资本储备和流动性、使用资本的程度、总体风险敞口，以及最终更明确的监控方法，而不仅仅是当前资产价值，但是，神经网络在连续基础上进行的进化预测，可能是通过使用一种均值回归策略（其中输出的平均值是一种高级均值）创建一个混合系统，或者通过考虑使用缩放策略进行连续交易。5系统集成5。1集群上的并行操作[Williams Zipser 1989a]指出的缺点是，神经网络的某些调整在计算上非常昂贵，这种实现也不例外。因此，为了完成测试阶段，构建了一个由四个四核计算机组成的异构集群。

这成功地证明了代码的并行性，以及作为分布式系统的可扩展性。与超级计算机相比，异构集群的成本和调试更具优势，尤其是在需要退役的情况下，因为集群可以分解为单个单元，随着技术的改进，这些单元可以被替换，而不会影响操作。5.2预处理在提交用于模拟的连续数据馈送之前，需要对确定系统运行界限的若干策略进行模拟。特别是对历史数据中存在的时间不连续性的处理，如交易前和交易后交易的使用、现金市场建模时缺口开放的影响、滚动衍生品市场中隔夜交易的相关性以及外汇交易时段的转换。市场数据馈送可能会产生噪音，因为它可能包含不需要的数据，如果保留这些数据，将需要进行不必要的计算来模拟异常事件，并限制模型真实模拟事件的能力。因此，有必要创建用于删除异常值的apolicy。这些事件有时被称为“灾难性事件”，可以是“胖手指”、“闪电崩盘”、对新闻的反应，或其他持续时间极短的剧烈波动的价格差异。市场数据由供应商根据合同和路由能力以不同的频率提供，从实时数据流（股市行情数据）到延迟馈送，在延迟馈送中，提取文件以预先确定的时间步长（例如1分钟、3分钟、5分钟或15分钟）提取。可以提供一些实时数据馈送的历史记录，但周期通常是有限的。

本项目中使用了价格和数量数据源，但可能会聚合其他数据源，以包括差异、vwap和订单信息。6结论和进一步工作在本文中，我们给出了一个深度学习的例子，即将预测性、连续时间递归神经网络集成到交易和风险评估操作中。在贸易环境中应用期间，强调了可能需要调整技术分析指标，以便继续使用这些指标，并将其集成到杂交系统中。研究表明，该体系结构可以直接应用于对不同资产类别的预处理数据源进行建模，但开发新的交易策略以充分利用连续预测输出可能是必要的。这项工作将扩展到完全集成馈线网络，以创建网络集群，模拟完全自主的交易和风险评估操作。参考Bulkowski，T.N.，2000，图表模式百科全书（纽约州纽约市约翰·威利父子出版社）。Kirk C.S.，Mileham A.R.，1999，“使用有限体积法模拟非均匀过渡焊缝中的原子扩散”，Sudura-罗马尼亚焊接学会杂志，第九卷，第4期，第8-16页，Kirk，C.S.，和Mileham，A.R.，2002年，有限体积法在预测抗蠕变钢失效区中的应用，材料科学试验和信息学，材料科学论坛，ed.J.Gyulai，第414-415卷，2003年，ISBN 087849 908 3，第431-438页，Trans-Tech Publications Inc.，苏黎世，斯威茨兰德兰村，Y.，波图，L.，奥尔，G.和米勒，K.，1998年，高效背道具，奥尔，G.安德米勒，K.（Eds），神经网络：交易技巧。SpringerMcClelland，J.L.，2013年。

并行分布式处理中的探索：模型、程序和练习手册，http://www.stanford.edu/group/pdplab/pdphandbook/.Murphy，J.，1999，金融市场技术分析，纽约金融研究所。Neely，C.J.和Weller，P.A.，2011，《外汇市场的技术分析：工作文件2011-001B，美国联邦储备银行圣路易斯潘研究部》，适用于支持无人机决策能力的人工智能方法。发表于：Stoica，A.等人（编辑）：2008年ECSIS生物启发、学习和智能安全系统研讨会，BLISS 2008，英国爱丁堡，2008年8月4日至6日。IEEE计算机学会2008年Pearlmutter，B.A.，1989年。递归神经网络中的学习状态空间轨迹。神经计算1:2263-269Raihan，S.M.，et al.（2005），小波：商业周期分析的新工具工作论文2005-050A，圣路易斯安德普拉斯联邦储备银行，J.，et al.，2012，astroML导论：天体物理机器学习，proc。《西都》第47-54页。http://press.princeton.edu/titles/10159.htmlhttp://www.astroml.org/book_figures/appendix/fig_neural_network.htmlWilliams，R.J.和Peng，J.，1990年。一种有效的基于梯度的递归网络轨迹在线训练算法。神经计算，2490-501。Williams，R.J.和Zipser，D.，1989年a。实时重复学习算法的实验分析。连接科学，第一卷，第一期。Williams，R.J.和Zipser，D.，1989b。连续运行全连续神经网络的学习算法。神经计算，1270-280。Williams，R.J.和Zipser，D.1995年。递归网络的基于梯度的学习算法及其计算复杂性。在Y.Chauvin和D.E.Rumelhart（编辑）中，反向传播：理论、架构和应用。

新泽西州希尔斯代尔：厄尔鲍姆。感谢Forecast有限公司和Market Forecast有限公司的董事，感谢他们获得了知识产权，使本文得以实现。