Банковское дело / Доходы и расходы / Лизинг / Финансовая статистика / Финансовый анализ / Финансовый менеджмент / Финансы / Финансы и кредит / Финансы предприятий / Шпаргалки Главная
Финансы
Финансы
| Д.Э. БЭСТЕНС, В.М. ВАН ДЕН БЕРГ, Д. ВУД. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. - Москва: ТВП,1997. - хх, 236 с., 1997 | |
Анализ влияния переменных, основанный на решающем правиле классификации |
|
|
Теперь мы рассмотрим другой метод решения задачи, который основан на решающем критерии классификации. Этот критерий заложен в разработанный Хехт-Нильсеном программный пакет KnowledgeNet для MBPN-сетей, предназначенный для принятия одного или нескольких бинарных решений. Бинарный выходной узел сети выдает один из двух сигналов - TRUE или FALSE (ИСТИНА или ЛОЖЬ). Такая схема, скорее, может быть использована в сети, предназначенной для классификации периодических доходов, а не для прогнозирования. Каждому классу доходов соответствует один выходной узел. Мы выделили 4 класса доходов по индексу: 0 - очень низкий (т.е. сильно отрицательный), 1 - умеренно низкий, 2 - умеренно высокий, 3 - сильно положительный. Границы классов были установлены так, чтобы во все классы попадало примерно поровну случаев. Для описания четырех классов необходимы два бинарных элемента, каждый из которых дает на выходе либо О (FALSE), либо 1 (TRUE). Таким образом, возможны 4 выходных комбинации: 00, 01, 10, 11. Каждый из выходных элементов порождает внутренний сигнал с значениями от 0 до 1, а решающее правило с порогом, установленным на 0.5, квалифицирует сигналы, превышающие 0.5, как TRUE, а меньшие 0.5, - как FALSE. Сеть была обучена проводить классификацию дохода по индексу путем последовательной подачи на ее вход обучающего сигнала, состоящего из показателей действительно полученных доходов. После того, как сеть обучена, становится возможным проследить для каждого входного решающего (determinant) вектора результаты классификации реальных доходов. Для каждого временного отрезка мы можем вычислить так называемое решающее значение классификации. Эта величина показывает, насколько оба внутренних выходных сигнала были далеки от порога, установленного для принятия решения (лсила сигнала). В нашей реализации мы просто берем среднее сил обоих сигналов. Расстояние от сигнала до порога может принимать значения от 0 до 0.5. Мы берем 0.5 за 100%, так что величина решающего значения может меняться от 0 до 100. Теперь можно определить вклад каждой из компонент входного вектора в решающую способность на взятом отрезке времени. Делается это так: временно предполагается, что значение компоненты неизвестно, и изучается изменение решающей способности на выходе. Вместо не-известного входного значения внутрь нейронной сети вводится среднее арифметическое значение (или безусловное математическое ожидание) соответствующих входных значений. После того, как влияние всех входов вычислены, они масштабируются так, чтобы наибольшая абсолютная величина вклада у каждого входа равнялась 100. В табл. 6.7 представлен репрезентативный временной срез выходных значений. Столбец Выход содержит результаты классификации, выданные сетью, а в столбце Цель указан настоящий номер класса. лABSERR - это абсолютная ошибка классификации, т.е. расстояние до настоящего класса, a лDECISIVN - определенная выше величина решающей способности. На всем материале не произошло ни одной грубой ошибки в классификацииЧ величина ABSERR ни разу не превосходит двух. Переменная временной структуры имеет сильную распознающую роль. Премия за риск, наоборот, представляется лишней переменной. Месячное производство приобрело несколько большее значение, в то время как вклад переменных, выражающих инфляцию, неясен. Результаты такого анализа, которые репрезентативны для всего набора данных, не вполне согласуются с той интерпретацией роли переменных, которую мы получили при изучении погрешности. Однако это противоречиеЧ скорее, кажущееся, поскольку ЮчГЕТ разбивает наблюдения на классы без учета величины и знака реального дохода. Дата Цель Выход ABSERR DECISIVN UI DEI URP UTS MP YP 810130 0 1 1 9 -9 -2 7 100 35 -2 810227 2 1 1 13 2 -1 1 100 55 -1 810331 3 1 2 4 -57 90 -13 31 100 -14 810430 1 1 0 66 -10 -1 1 100 59 -1 810529 2 1 1 17 -22 -21 18 -26 100 2 810630 1 1 0 2 -11 4 -6 100 48 1 810731 2 1 1 5 1 -3 -7 100 90 -1 810831 0 1 1 4 -3 -3 0 100 72 -1 810930 0 0 0 34 1 70 -12 100 -44 0 811030 3 2 1 3 45 -3 11 62 100 0 811130 3 3 0 87 3 1 4 100 -8 0 811231 1 1 0 95 -1 1 2 100 79 3 820129 1 1 0 43 5 -7 15 100 9 -13 Таблица 6.7. Классификация вкладов переменных в фактор решающей способности (KNET) Анализ маргинального влияния переменных имеет смысл только тогда, когда коэффициент решаемости DECISIVN велик, а фактическая ошибка классификации ABSERR (равная разности номеров дей-ствительного и спрогнозированного классов) мала. Иначе говоря, если классификация оказалась успешной, можно ожидать сильную обратную зависимость между решающей способностью и ошибкой классификации. На рис. 6.4 показано совместное распределение решающей способности (упорядочена по убыванию) и абсолютной ошибки. Хорошо видно, что число случаев неправильной классификации и величина ошибки растут с убыванием решающей способности - что и следовало ожидать. Как уже говорилось, набор переменных, предложенный Ченом, Роллом и Россом, может быть расширен с тем, чтобы учитывалась международная торговля. Мы попытались выяснить зависимости между так называемыми глобальными факторами и месячным доходом по Амстердамскому индексу обыкновенных акций Datastream за период с ноября 1979 г. по март 1991 г. (см. [23]). Для того чтобы учесть особенности голландского рынка, было добавлено 11 новых макроэкономических переменных (см. табл. 6.8), в том числе: предложение денег (М2), средний курс обмена доллар/гульден (FUS), условия торговли (TERMS). 2 S w 1 ьо * ВЭ < LU -li llu III 1111 os oo oo ^ ^inoOrri^iriolCN-HKvd-^'-^'tNfN-HO 00 'ч" r<1 гч гч ^ч^ч^ч-ч^ч^ч^ч^ч Решающая способность Рис. 6.4. Случаи неправильной классификации сетью (упорядочены) Обозначение Описание ставка по ссудам до востребования проценты по долгосрочным государственным облигациям предложение денег разница между процентными ставками по векселям казначейств Нидерландов и США временная структура (LTGOVB минус ставка по казначейским векселям) предполагаемый процент инфляции непредвиденная инфляция изменения предполагаемой инфляции премия за риск средний курс обмена гульден/доллар условия торговли (отношение экспортных цен к импортным, в том числе BLEU & Oil) изменения потребления товаров недлительного пользования валовое промышленное производство экспертная оценка активности рынка: число распоряжений о сделках, расцененных как превышающие обычный уровень CALLRATE LTGOVB М2 TBNLUS TESTRU ECPI UCPI DECPI R1SKP FUS TERMS NONDUG 13.1NDPR0 14. ORDANO ORDBNO RETLAG LEVELLAG RETIN (целевая) число распоряжений о сделках ниже обычного уровня доход по индексу акций за предыдущий период времени уровень индекса акций в предыдущий период доход по Амстердамскому индексу акций (по данным Datastream) Таблица 6.8. Обозначения и описания переменных Архитектура сети такова: 17-мерный входной вектор, один скрытый слой из 9 элементов, и все эти узлы имеют непосредственные соединения с двумя бинарными элементами выходного слоя. В табл. 6.9 приведены репрезентативные результаты классификации и влияния отдельных переменных. В последних 17 столбцах показан вклад каждой переменной в решающую способность. Рассмотрим, например, классификацию на февраль 1989 г. (вторая строка сверху). Класс указан правильно (большой положительный доход) и решающая величина большая. Предложение денег, потребление товаров краткосрочного пользования и доход по долгосрочным государственным облигациям вносят наибольший вклад в решающую способность в том смысле, что они отчетливо подтверждают результат классификации. Наоборот, премия за риск и обменный курс валюты резко противоречат результату классификации. Вклад переменной RETLAG (доход за время с t - 2 до t- 1) невелик, и этого следовало ожидать, поскольку изменения зависимой переменной описываются если не случайным блужданием, то, во всяком случае, мартингальным процессом (см. [177]). Существенная роль переменной LEVELLAG (предыдущий показатель индекса) подтверждает гипотезу о том, что уровень ицдекса является важным лидирующим показателем для ожидаемого дохода. То обстоятельство, что регрессия не квалифицирует эту переменную как значимую, может говорить о том, что в механизме влияния уровня индекса на доход имеется какая-то асимметрия, возможно, связанная с нелинейной обратной связью. Это наблюдение интуитивно придает дополнительный вес гипотезе встречных инвестиций, которую высказал Чан [62] и ряд других авторов. Поведение рынка, для которого характерны возвращения к средним значениям, если оно, действительно, имеет место, неявно опровергает гипотезу эффективного рынка. |
|
| << Предыдушая | Следующая >> |
| = К содержанию = | |
Похожие документы: "Анализ влияния переменных, основанный на решающем правиле классификации" |
|
|