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 | |
ВОСПРОИЗВЕДЕНИЕ ПРАВИЛА СМА НЕЙРОННОЙ СЕТЬЮ |
|
|
Статическую нейронно-сетевую модель можно рассматривать как обобщение сети, изображенной на рис. 10.1, и поэтому она похожа на правило СМА с той разницей, что значения величин Ь, 1 и параметра q заранее не фиксируются. Нейронная сеть должна выделять существенные показатели и оценивать эффективные значения. В соответствии с принципами технического анализа, требуется, глядя на временной ряд цен, выдавать сигнал на покупку, продажу или удержание позиции при каждом поступлении новых данных. При различной ширине временного окна и числе показателей принятые решения будут различными. Чтобы уменьшить число возможных моделей, мы ограничились размером временного окна для прошлых цен в пять последних рабочих дней (1 неделя). Такой выбор в чем-то произволен, но он, во всяком случае, гарантирует, что даже при большом числе скрытых элементов мы будем иметь достаточный объем данных (2500 точек на обучение) по отношению к количеству весов (см. [35]). Каждая запись, состоящая из пяти последовательных цен, была перемасштабирована так, чтобы значения лежали от 0 до 1. При этом истинные значения утрачиваются, и все входные записи вкладываются в гиперкуб [0,1]5. Таким образом, при любом уровне цен гарантируется инвариантность преобразования входной записи. Если имеются две записи I и ), причем цены в ) равны соответствующим ценам в г + /+ 10 флори нов, то структура обеих записей будет одинакова. Такое перемасштабирование не лишено смысла, так как трейдер-человек обычно оценивает даные временного ряда в относительном выражении с помощью стандартных приемов. Результат описанного преобразования показан на рис. 10.2. Целевой переменной является направление завтрашнего сдвига цены, или знак дохода. Выходной сигнал кодируется следующим образом: Ч распоряжение о продаже, 0.5 - нейтральный сигнал, Ч распоряжение о покупке. Рис. 10.2. Результаты перемасштабирования различных входных сигналов Как уже говорилось, правило СМА дает относительно лучшие результаты на неперемешанных данных. Тем самым мы неявно принимаем, что имеет место некоторая неэффективность (и, следовательно, предсказуемость) рынка. На это указывают небольшие оклонения от гиперплоскости s = 0.5, которые можно видеть на рис. 10.3. При эффективном рынке вероятность выдачи сигнала на покупку (или про-дажу) на основе информации, относящейся к прошлому, равна 50% (0.5). В такой ситуации решающая поверхность в пространстве задержек (входном пространстве сети) должна в точности совпадать с гиперплоскостью s = 0.5. В нашем случае определенная степень неэффективности приводит к тому, что некоторые области в пространстве входов соответствуют значениям, немного отличным от 0.5, так что решающая поверхность имеет небольшие локальные отклонения от гиперплоскости s = 0.5. 0.5 + 0 " 0.5-0 - Удерживать Цена в момент t Рис. 10.3. НеэффективностьЧ наличие отклонений от гиперплоскости 5=0.5 Продать Купить Нейронные сети хорошо приспособлены для отображения таких поверхностей в случаях, когда данные позволяют использовать достаточное количество нелинейных средств (скрытых элементов). Возникает следующая проблема: коль скоро мы определили неэффектив-ность как малые отклонения от 0.5-гиперплоскости, нам, очевидно, не нужно, чтобы сеть чересчур точно приближала обучающее множество (светлая волнистая линия). Конкретнее, нам нужно найти такое решение в фазовом пространстве модели, которое бы несильно отходило Сигнал (t+1) от 0.5-гиперплоскости (жирная кривая), или, иначе говоря, такое решение, которое дало бы квадратный корень из среднеквадратичной ошибки RMSE, близкий к 0.5 (за вычетом нейтральных сигналов). Степень обучения трудно отследить с помощью подтверждающего множества, так как при исходных малых случайных весах (сплошная 0.5-линия) ошибка RMSE уже будет близка к 0.5. Мы не применяли известный метод перекрестного подтверждения, потому что процедура обучения обычно прекращалась сразу же, когда начинал работать обучающий алгоритм (в зависимости от порядка подачи образцов обучающего множества). Вместо этого мы использовали методы регуляризации. Для того чтобы сеть не выдавала слишком сложную решающую поверхность, в критерий ошибки был добавлен штрафной член и соответствующим образом изменен алгоритм обучения. В результате мы минимизировали следующее выражение: (3) где с1к - правильный сигнал для к-го образца, а 5,. - сигнал, который выдает сеть. В формулу включен параметр г) для того, чтобы веса не могли принимать очень больших значений, - это сужало бы класс функций, которые сеть способна реализовать. Такой критерий ошибки уже обсуждался в гл. 1 (соотношение (17)). Далее, был введен параметр 0, чтобы уменьшить число сигналов о покупке/продаже, выдаваемых сетью. Смысл этого очевиден: количество сделок в течение одного дня ограниченно из-за расходов на со-вершение сделок (транзакционных издержек). Сеть никогда не даст на выходе значение, в точности равное 0.5, и мы относили к нейтральным все сигналы, лежащие от 0.5 на расстоянии плюс/минус 0. Для оценки качества работы сети использовались три показателя, аналогичные тем, которые были взяты в табл. 10.3: купить) Ч средний доход по сигналам на покупку, ^(продать) Ч средний доход по сигналам на продажу, купить/продать) Чсредний доход по сигналам обоих видов. |
|
| << Предыдушая | Следующая >> |
| = К содержанию = | |
Похожие документы: "ВОСПРОИЗВЕДЕНИЕ ПРАВИЛА СМА НЕЙРОННОЙ СЕТЬЮ" |
|
|