Субъективность представления специалиста сказывается в первую очередь на подборе обучающего и контрольного множеств. От характера подобранных множеств зависят результаты работы нейронной сети. [c.279]
Для понимания возможностей нейросетей важное значение имеет работа А. Н. Колмогорова, появившаяся в 1958 г. как результат научной полемики с В. И. Арнольдом. В этой работе говорится о возможности отображения некоторого множества X на множество Y с помощью пороговых преобразований. И хотя в этой работе не говорится ни слова о нейронных сетях, в ней, по существу, в общем виде доказывается теорема разрешимости задачи представления функции достаточно произвольного вида на нейронной сети. [c.134]
Процедура использования этих программ состоит в том, что на большом массиве известных данных мы можем обучать эту программу. Подавая на вход программы набор данных, мы просим ее спрогнозировать результат. После ее прогноза мы поправляем ее, сообщая точный результат. Таким образом, с помощью большого количества обучающих циклов мы настраиваем программу на анализ конкретных данных. При этом мы не пытаемся сами определить никаких правил или закономерностей, которые влияли бы на ее работу. Успешность обучения программы, конечно, зависит от способностей учителя. Он должен представлять себе устройство программы и суметь выделить те данные, которые необходимо передавать нейронной сети для анализа, и т.п. [c.166]
Начиная с 1995 г., некоторые московские участники рынка ГКО пытаются использовать нейронные сети в своей работе. Судя по отзывам в прессе, эти эксперименты принесли обнадеживающие результаты. Но успешное применение таких программ для рынка ГКО вызывает у нас сомнение. Действительно, мы не можем воспринимать этот российский финансовый инструмент как настоящий рынок слишком мало участников, слишком малы объемы операций, слишком велико волюнтаристское воздействие небольшого количества участников на весь рынок. ПОЭТОМУ волюнтаристский характер рынка должен существенно снизить эффективность нейронной сети. Хотя, кто знает [c.166]
Как отмечалось выше, нейронные сети могут служить универсальным средством аппроксимации в том смысле, что при достаточно разветвленной архитектуре они реализуют широкий класс функций [79]. Как часто бывает, достоинство одновременно является и недостатком. Благодаря способности тонко улавливать структуру аппроксимируемой функции сеть достигает очень высокой степени соответствия на обучающем множестве, и в результате плохо делает обобщения при последующей работе с реальными данными. Это явление называется переобучением, или эффектом бабушкиного воспитания. Сеть моделирует не столько саму функцию, сколько присутствующий в обучающем множестве шум. Переобучение присутствует и в таких более простых моделях, как линейная регрессия, но там оно не так выражено, поскольку через обучающие данные нужно провести всего лишь прямую линию. Чем богаче набор моделирующих функций, тем больше риск переобучения. На рис. 1.5 показаны типичные проявления переобучения. [c.252]
Нейросетевые технологии в настоящее время находятся на начальной стадии развития. Успешное продолжение работ в этой области связано с разработкой новых методов построения и обучения нейронных сетей. Несомненно, экспертные системы и нейронные сети позволяют достичь больших результатов, чем традиционные вычислительные средства, но лишь в некоторых областях. Для задач, в которых объект или процесс представлен четкой математической моделью, традиционные методы несомненно оказываются предпочтительнее. Тем не менее нейросетевые технологии значительно расширяют возможности создания интеллектуальных систем управления. [c.130]
Пример применения метода искусственных нейронных сетей для адаптации защиты минимального напряжения узла к режиму нагрузки. Для одного из основных узлов (секция шин РУ-6 кВ) системы электроснабжения газоперерабатывающего завода были выполнены расчеты параметров устойчивости при разном составе электрической нагрузки и максимальном режиме источника питания. Состав нагрузки изменялся отключением ветвей системы, схема замещения которой приведена в работе [43]. Результаты расчетов при различном составе нагрузки приведены в табл.2.3. Значениям параметров устойчивости для трех рассмотренных вариантов соответствуют кривые 1,2,3 границ устойчивости, определяющие допустимое время т провала напряжения в узле при остаточном напряжении и, [c.146]
Второй вопрос относится к индуктивной технике, когда результат получается обобщением информации базы (например, если информация о служащих включает отделы и менеджеров, то верно обобщающее утверждение, что каждый отдел имеет менеджера). Обобщения являются знаниями. Во втором случае база данных просматривается на предмет "регуляторов", т. е. комбинаций определенных факторов, влияющих на выходную величину. Обнаружение регуляторов позволяет, в свою очередь, сформулировать правила, по которым можно предсказать величину одного фактора на основании других факторов. Таким образом работают, например, нейронные сети. [c.456]
В табл. 11-5 и 11-6 приведены результаты работы всех моделей, основанных на нейронных сетях на различных рынках. В первом столбце указано обозначение рынка, средний и правый столбцы содержат количество выгодных тестов для данного рынка. Цифры в первой строке указывают на номер теста. Последняя строка показывает, на скольких рынках данная модель была выгодной. Степень прибыльности и убыточности рынков для каждой модели указана следующим образом один минус (—) означает [c.276]
В пределах выборки прибыльными были генетические модели ( 12 533 в средней сделке), все нейронные сети ( 8940 — мелкие и 13 082 — крупные) и все модели на основе пробоев ( 1537). Вне пределов выборки прибыльными остались только генетические модели, нейронные сети работали лучше случайных входов (хотя из-за подгонки под исторические данные их показатели заметно ухудшились), а эффективность моделей пробоев упала до случайного уровня ( вредная оптимизация не может быть единственной причиной такого результата). [c.378]
Хотя солнечные модели в пределах выборки работали лучше случайного входа, вне пределов выборки результаты были неоднородными и изменчивыми. Это также относится к моделям на основе циклов. Впрочем, циклические модели при входе по лимитному приказу или по цене открытия в последние годы работали гораздо хуже, чем случайные входы. Как и в случае с моделями на основе пробоя, оптимизация здесь не играет роли значимый уровень подгонки под исторические данные был обнаружен только в генетических моделях и нейронных сетях. Из-за огромного размера образца данных оптимизация одного-двух параметров, необходимых для большинства моделей (за исключением генетической и нейронной сети) давала минимальный эффект вредной подгонки. [c.383]
Как было сказано выше, путь был долгим, порой трудным и обескураживающим. Но при этом взгляд с высоты сумел обнаружить много потенциально прибыльных моделей входа. Кроме того, было обнаружено немало сюрпризов так, несмотря на ужасную репутацию и опасную тенденцию к подгонке под исторические данные, наилучшими вне пределов обучающей или эволюционной выборки оказались именно нейронные сети и генетические модели. Другим сюрпризом оказалось то, что некоторые из наиболее популярных торговых подходов — например, пересечения скользящих средних и стратегии на основе осцилляторов — оказались в числе наихудших всего с несколькими исключениями. Примечательны были также результаты исследования циклических моделей, от которых ожидали хорошей, если не идеальной работы на основе их теоретического изящества. Но, возможно, ввиду их популярности, даже при солидной математической реализации эффективность этих моделей была низкой. [c.384]
Портфель формировался на основе статистической значимости в пределах выборки. Целью был поиск оптимального сочетания модели и входа для каждого из рынков в составе портфеля. Если для данного рынка потенциально подходило несколько моделей, то лишние отбрасывались по признакам сложности (чем сложнее модель, тем меньше к ней доверие), плохой работы с целым портфелем и подобных факторов. Специфические комбинации, отобранные в результате, включают весь спектр различных осцилляторов, скользящих средних, лунных и солнечных моделей, сезонных моделей и нейронных сетей не включены только генетические алгоритмы, поскольку в наших тестах генетические системы совершали очень редкие сделки. При этом на рынках, хорошо работавших в пределах выборки, система обычно вообще не торговала вне выборки — прибыль вне выборки была получена на совершенно других рынках. Это не означает, что поведение системы вне пределов выборки было плохим — просто, если рынок был прибылен в одной части, то в другой почти не использовался. Малое количество сделок, характерное для генетической модели, было обусловлено специфическими свойствами данного набора правил и способов их сочетания в сигналах покупки и продажи. При некоторых изменениях наборов правил, особенно в количестве используемых правил и их сочетаний, можно в корне изменить настройку алгоритмов на редкие события. [c.386]
В пределах выборки было получено улучшение общих результатов за счет применения дополнительного нейронного выхода. Средняя прибыль в сделке достаточно медленно изменялась при изменениях значения порога. Наилучшее значение порога составило 54, средняя сделка при этом приносила убыток в 832. Процент прибыльных сделок составил 41%, годовое соотношение риска/прибыли —0,87. Таким образом, внедрение нейронного выхода значительно повысило эффективность торговли по сравнению с результатами, приведенными в табл. 15-1. Вне пределов выборки, впрочем, улучшения не наблюдалось эффективность не особо отличалась от работы базовой МССВ. Когда исследовалась работа нейронных сетей для генерации входов, эффективность при переходе на данные вне пределов выборки падала весьма резко — видимо, нечто подобное произошло и в этом тесте, где в качестве элемента стратегии выходов использовалась та же нейронная сеть. [c.366]
Факторный анализ используется для изучения структуры данных. Основной его посылкой является предположение о существовании таких признаков - факторов, которые невозможно наблюдать непосредственно, но можно оценить по нескольким наблюдаемым первичным признакам. Так, например, такие признаки, как объем производства и стоимость основных фондов, могут определять такой фактор, как масштаб производства. В отличие от нейронных сетей, требующих обучения, факторный анализ может работать лишь с определенным числом наблюдений. Хотя в принципе число таких наблюдений должно лишь на единицу превосходить число переменных рекомендуется использовать хотя бы втрое большее число значение. Это все равно считается меньшим, чем объем обучающей выборки для нейронной сети. Поэтому статистики указывают на преимущество факторного анализа, заключающееся в использовании меньшего числа данных и, следовательно, приводящего к более быстрой генерации модели. Кроме того, это означает, что реализация методов факторного анализа требует менее мощных вычислительных средств. Другим преимуществом факторного анализа считается то, что он является методом типа white-box, т.е. полностью открыт и понятен - пользователь может легко осознавать, почему модель дает тот или иной результат. Связь факторного анализа с моделью Хопфилда можно увидеть, вспомнив векторы минимального базиса для набора наблюдений (образов памяти - см. Главу 5). Именно эти векторы являются аналогами факторов, объединяющих различные компоненты векторов памяти - первичные признаки. [c.202]
Еще одним достоинством нейронных сетей является то, что экспериментирование можно начать с простых вариантов программ стоимостью 500— 1500, которые работают на обычных персональных компьютерах. В случае успеха можно переходить к более дорогим программам и дополнительному оборудованию. Самый последний этап совершенствования — специализированные нейронные компьютеры и суперпрограммы стоимостью в несколько сотен тысяч долларов. Таким образом, эксперимент с нейронными сетями доступен не только банкам или инвестиционным компаниям, но и частным инвесторам. Если вы убедились в эффективности нейронных сетей, то можно переходить к более мощным и дорогим вариантам программ. Если вы разочарованы первыми результатами, то ваши затраты на эксперимент не столь велики. [c.166]
В гл. 5 на примере Европейской биржи опционов (ЕОЕ, Амстердам) исследуется вопрос о том, дают ли нейронные сети существенные возможности для получения прибыли в течение одного торгового дня. Гл. 6 посвящена результатам определения макроэкономических показателей (так называемых глобальных (pervasive) факторов), влияющих на доходы от общего индекса акций на Нью-Йоркской и Амстердамской фондовых биржах. В гл. 7 показано, что нейронные сети являются вполне жизнеспособным инструментом отбора в международном распределении активов, поскольку они позволяют выбрать среди всех портфелей тот, который имеет наивысший доход и наименьший риск. Гл. 8 посвящена оценке кредитного риска посредством данных нефинансового характера. До сих пор очень мало было сделано для того, чтобы в моделях предсказания банкротств учитывать качественные показатели. В то же время, нейронные сети могут работать как с числовыми, так и с нечисловыми данными. В гл. 9, напротив, чисто экономические числовые показатели используются для оценки возможности банкротства корпорации на примере английских производителей комплектующих для автомобилей. В последней, десятой, главе построена нейронная сеть для обнаружения критических точек при изменении показателей доходов по акциям. Результаты показывают, что простое техническое правило торговли, реализованное нейронно-сетевой системой с прямой свя- [c.17]
Для некоторых конфигураций количество весов явно превосходило число входных данных (наблюдений). Хотя недостаток степеней свободы делает оценку сомнительной, мы приводим здесь результаты работы 13-27-1 модели, чтобы проиллюстрировать доказанную Колмогоровым в 1957 г. и популяризованную Хехт-Нильсеном [137] теорему о существовании отображения. Эта теорема утверждает, что любая непрерывная функция может быть реализована трехслойной нейронной сетью, имеющей во входном слое т (в нашем случае 13) элементов, промасштабированных на [0,1], (2т-1-1) элементов-процессоров в единственном скрытом слое и п элементов в выходном слое. Таким образом, гарантируется, что иерархическая многослойная нейронная сеть может решить любую нелинейно отделимую задачу и может точно реализовать любое отображение га-мерных входных векторов в и-мерные выходные. При этом теорема ничего не говорит нам ни о возможности реализовать отображение посредством сети меньших размеров, ни о том, что для этого подойдут обычно используемые сигмоидные преобразования. [c.100]
Участвовавшие в сравнении MDA-методы были рассчитаны и оптимизированы, исходя из доли ложных сигналов 10 1 при некоторых априорных вероятностях и цене ошибок. Хотелось бы использовать в качестве ex ante критерия меньшее, чем 10-процентное, число потенциальных банкротов в популяции, но это плохо согласуется с параметрами моделей. Это также противоречит практике, когда снижение порога ниже 10-процентного уровня не приводило к банкротству. Так, когда доля ложных сигналов урезалась до 7%, Z-шкала Таффлера вообще переставала идентифицировать банкротства, а модель Datastream наталкивалась на это препятствие на отметке 8%. В противоположность этому нейронная сеть распознала два случая банкротства ниже разделяющего уровня в 4.5%, т.е. сеть способна работать в условиях, когда на одну правильную идентификацию банкротства приходится всего пять ложных сигналов. Этот показатель сравним с наилучшими результатами, которые получаются у MDA-моделей на гораздо менее требовательных тестах задним числом (ех post). Отсюда следуют два вывода во-первых, нейронные модели представляют собой надежный метод классификации в кредитной сфере, и, во-вторых, использование при обучении в качестве целевой переменной цены акции может оказаться более выгодным, чем собственно показателя банкротство/выживание. В цене акций отражает- [c.209]
Многослойная нейронная сеть может быть формально определена как совокупность простых обрабатывающих элементов, называемых нейронами, организованных по слоям и объединенных однонаправленными связями, называемыми синапсами. Различают входной слой, на который поступает сигнал, выходной слой, формирующий отклик, и один или несколько промежуточных слоев, называемых скрытыми. Сеть принимает некоторый входной сигнал и пропускает его через себя с преобразованиями в каждом нейроне. Таким образом, в процессе прохождения сигнала по связям сети происходит его обработка, результатом которой является определенный выходной сигнал. В укрупненном виде МНС выполняет функциональное соответствие между входом и выходом. В ряде работ доказана теорема полноты для функций, вычисляемых нейронными сетями. Это означает, что с помощью МНС при некоторых требованиях к структурной сложности сети и характеристикам нейронов, можно сколь угодно точно приблизить любую непрерывную функцию многих переменных [29]. [c.156]
Формула приведена в стиле языка FORTRAN. Здесь SOR Т означает квадратный корень N— количество точек данных или фактов в случае нейронной сети Р— количество коэффициентов регрессии или (в случае нейронной сети) весов связей R — некорректированную множественную корреляцию R — скорректированную корреляцию. Хотя эта формула строго приложима только к линейной множественной регрессии (для которой, собственно, и разрабатывалась), она неплохо работает с нейронными сетями и может быть использована для того, чтобы оценить, какая часть эффективности системы обусловлена вредной подгонкой на данном образце. Эта формула описывает связь между размером выборки, количеством параметров и снижением эффективности результатов. Статистическая коррекция, рассчитываемая по данной формуле, будет использована в главе о входах систем на нейронных сетях. [c.75]
Для того чтобы СОК эффективно использовались в области финансов, экономики и маркетинга, очень важно суметь продемонстрировать информативность получаемых результатов. Фразы типа Взгляните, какую замечательную картинку я получил не произведут никакого впечатления на членов правления, директоров или маркетологов действующих компаний. Применяя обучаемые нейронные сети для создания финансовых моделей, мы определяем информативность этих моделей путем измерения эффективности (прибыли), рисков и оборачиваемости портфеля. Полученные результаты мы сравниваем с результатами применения эталонных методов (например, с эффективностью работы конкретных трейдеров или моделей, основанных на более традиционных подходах). Прибыль обычно сопоставляется с риском, неразрывно связанным с процессом извлечения прибыли. Соотношение риск — прибыль можно затем сравнивать с общепринятыми стандартами (например, индексом Standard and Poor s 500). Добавление показателя оборачиваемости портфеля позволяет учесть торговые издержки. Чем выше оборачиваемость, тем больше операционные расходы. Соотношение между скорректированной по риску прибылью и затратами дает представление об эффективности инвестиционной стратегии. [c.281]
Смотреть страницы где упоминается термин Результаты работы нейронной сети
: [c.147] [c.243] [c.71] [c.250]Смотреть главы в:
Нейронные сети и финансовые рынки -> Результаты работы нейронной сети