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 | |
РЕЗУЛЬТАТЫ РАБОТЫ НЕЙРОННОЙ СЕТИ |
|
|
5-20-1-сеть обучалась в течение 3000 эпох. Число скрытых элементов было выбрано волевым образом из расчета, чтобы было достаточно вычислительных ресурсов для размещения сигмоидов в гиперпространстве. Коэффициент обучения в был взят равным 0.25, а ограничивающий параметр г| - равным 0.0005. Так как обучение прекраща ется после фиксированного числа эпох и нет оснований ожидать, что сходимость будет достигнута, то и не следует обращать слишком большое внимание на числовые значения параметров. Однако на моделях с нужными свойствами даже ранняя остановка обучения (как это имеет место в нашем случае) может дать определенный результат. При этом произвол в выборе параметров является главным недостатком нейронно-сетевого подхода. В табл. 10.4 представлены результаты, которые показала обученная сеть на новых данных при различных значениях отсекающего порога. Транзакционные издержки, по-прежнему, в расчет не брались. Интересно, что с повышением порога (т.е. при уменьшении количества сделок) возрастали доли правильных сигналов и на покупку, и на продажу. По-видимому, те неэффективности (т.е. малые отклонения от 0.5-линии на рис. 10.3), которые имели место в периоде обучения (1970-е годы), подтвердились в проверочном периоде (1980-е годы). При 0 = 0 доля правильных сигналов была менее 50%, потому что в этом случае каждый раз должен был выдаваться сигнал (на покупку или продажу), тогда как в значениях целевой переменной до 10% могут составлять распоряжения удерживать имеющуюся позицию. На рис. 10.4 показана зависимость достигнутого дохода от пороговых значений. Средний доход на одну сделку (покупку или продажу) примерно 0.13% выигрывает в сравнении с безусловным средним доходом 0.064% (для наибольших значений 0). 0 0.05 0.075 0.09 0.1 0.105 0.11 0.115 0.12 0.125 Порог 2 -0.05 I -0-1 й -0.15 Сеть Средний доход ЧОЧ Сеть-покупка ЧXЧ Сеть-продажа Рис. 10.4. Совокупный доход для возрастающих значений Э Модель торговли достигает наилучших показателей при количестве сделок около 250 в расчете на все тестовое множество (или около 25 сделок в год). Дальнейшее уменьшение числа сделок путем поднятия порога приводит к уменьшению дохода на одну сделку. Тета Кол-во лкупить Кол-во лпродать Купить Продать Купить- продать Купить >0 Продать <0 Успех 0 1227 1273 0.0002024 0.0010608 -0.0008584 49.71% 43.91% 46.76% (-0.907) (0.885) (-1.551) 0.05 579 505 0.0013548 0.0009169 0.0004379 52.33% 43.56% 48.25% (1.121) (0.411) (0.520) 0.075 352 280 0.0015585 0.0005341 0.0010244 54.26% 43.93% 49.68% (1.167) (-0.121) (0.925) 0.09 237 211 0.0014866 0.0003691 0.0011175 53.16% 45.97% 49.78% (0.901) (-0.273) (0.854) 0.1 167 172 0.0023428 -0.0002775 0.0026203 56.29% 49.42% 52.80% (1.541) (-0.841) (1.744) 0.105 143 155 0.0019836 -0.0008902 0.0028738 54.55% 50.97% 52.68% (1.130) (-1.336) (1.792) 0.11 125 142 0.0024005 -0.0012447 0.0036452 56.00% 50.70% 53.18% (1.389) (-1.579) (2.149) 0.115 ИЗ 124 0.0023238 -0.0006691 0.0029929 53.98% 49.19% 51.48% (1.266) (-1.028) (1.664) 0.12 93 из 0.0019135 -0.0009954 0.0029089 54.84% 50.44% 52.43% (0.872) (-1.229) (1.502) 0.125 79 106 0.0013371 -0.00110.62 0.0024432 56.96% 51.89% 54.05% (0.441) (-1.273) (1.188) Таблица 10.4. Результаты на новых данных M e 05 X П Se 43 О Я я г п п П H п я X Л п п и S К' № Я № h X ы Образцы входных данных с большой положительной активацией выхода Образцы входных данных с большой отрицательной активацией выхода Рис. 10.5. Примеры активации Чтобы лучше представить себе механизмы, стоящие за сигналами на покупку или продажу, мы изобразили на графике (см. рис. 10.5) восемь входных образцов, породивших правильные сигналы, соответственно, на покупку и продажу. Мы не исследовали каждое значимое отклонение от 0.5-линии по отдельности (это можно сделать, например, при помощи техники кластеризации весов состояния методом Гормана и Сейновского [127], который обсуждался в гл. 4), и поэтому из результатов, относящихся к этим восьми примерам, нельзя делать обобщения. Однако, образцы внутри каждой группы обладают определенными общими чертами, и это говорит о том, что они соответствуют одним и тем же областям в пространстве входов. Наконец, есть еще один способ оценить качество модели: подсчитать, сколько денег вы заработаете с ее помощью. На рис. 10.6 представлены соответствующие результаты для 0 = 0.15. Сигналы на покупку или продажу дают возможность трейдеру свести свой дневной баланс с плюсом. Ложные же сигналы уменьшают суммарный доход. Нейтральные сигналы игнорируются, т.е. полученный доход переходит на следующий день. При торговле по данной системе, в предположении, что все сигналы были правильные, будет получено 14% от максимально достижимого дохода. Хорошо видно, что система дает отклонение в положительную сторону от линии случайного прогноза. Однако, если бы учитывались транзакционные издержки, то прибыли Рис. 10.6. Нереализованная прибыль |
|
| << Предыдушая | Следующая >> |
| = К содержанию = | |
Похожие документы: "РЕЗУЛЬТАТЫ РАБОТЫ НЕЙРОННОЙ СЕТИ" |
|
|