Термин нейронные системы относится к группе методов, разработанных для имитации процесса создания нового знания человеком. В основе этих методов лежит тот же подход, что и в статистике существует множество возможных исходов (результативных признаков) и множество факторных признаков, наблюдаемых в момент принятия решения о предоставлении кредита, тогда можно построить модель, которая позволяет объяснить получаемые результаты. Отличие нейронных сетей от статистического подхода заключается в способе построения модели. Нейронные сети получают в качестве исходных данные, используемые в принятии решения о предоставлении кредита, и задание на получение результата в виде классификации дебиторов на имеющийся допустимый или недопустимый уровень риска. Посредством анализа возможных путей нейронные сети изучают к каким результатам приводят исходные данные. Таким образом, сеть отражает нелинейное представление связей данных на входе и выходе. [c.355]
Поскольку основа торговой системы всегда состоит из двух компонентов, книга, естественно, включает две части Исследование входов и Исследование выходов . Рассмотрение отдельных технологий входов и выходов, например нейронных сетей, проводится в контексте разработки конкретных стратегий входа или выхода. Введение содержит указания по фундаментальным принципам использования научного подхода при разработке торговых систем. Первая часть книги — Рабочие инструменты — содержит основную информацию, необходимую всем системным трейдерам. В Заключении подводятся итоги исследований всех систем, даются советы по их оптимальному применению, что кладет начало дальнейшим исследованиям. В конце книги приведены ссылки и рекомендуемые материалы. [c.10]
Обработка вводов, использование статистики и другие аспекты методологии тестирования для моделей, основанных на точке разворота, идентичны используемым для модели на обращенном во времени Медленном %К. Обе модели в принципе идентичны, различаются только цели предсказания и, следовательно, цели для обучения нейронных сетей. Кроме того, ввиду отличия прогнозов различаются правила получения сигналов входа на их основе. [c.265]
Мы полностью исследовали каждый из классов моделей входа (т.е. все следующие за трендом модели на основе скользящих средних, все модели на основе пробоев, все малые нейронные сети). Все тесты по каждой из этих групп усреднялись для данных в пределах и вне пределов выборки. [c.378]
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]
Интересно, что вне пределов выборки сохранили эффективность генетическая модель и малые нейронные сети. Такие модели чрезвычайно способны к подгонке под исторические данные и часто проваливаются в тестах вне выборки и при реальной торговле. Кроме того, некоторый торговый потенциал был проявлен редко исследуемыми сезонными моделями. При этом наиболее популярные методики (скользящие средние, осцилляторы, циклы) были среди худших как в пределах, так и вне выборки. Примечательно, что модели на основе пробоев в среднем хорошо работали в прошлом, но теперь их эффективность снизилась до уровня модели случайных входов. [c.379]
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 этой главе будет исследоваться модифицированная стратегия стандартного выхода (МССВ) в сочетании с элементами, основанными на нейронных сетях и генетических алгоритмах. В гл. 11 для генерации сигналов входа были разработаны системы прогнозирования на основе нейронных сетей. Один из этих нейронных индикаторов (сеть на обращенном во времени Медленном %К) пытался предсказывать положение завтрашней цены относительно диапазона цен на следующие несколько дней. Эту сеть можно использовать совместно со стратегией выхода если в длинной позиции сеть указывает, что рынок близок к максимуму следующих нескольких дней, то имеет смысл выйти из позиции, пока рынок не начал падать. Если в короткой позиции сеть показывает, что цены будут расти, то также следует выходить из позиции, не дожидаясь убытков при реальном движении рынка. [c.361]
В предыдущей главе были изложены результаты классификации ex ante (т.е. наперед) в задаче оценки привлекательности фирм с точки зрения размещения кредитов, которую выполняли несколько польских специалистов в области кредитного дела на материале гипотетических заявок на предоставление кредита также были рассмотрены результаты классификации ex post (т.е. задним числом) на материале реального инвестиционного портфеля Голландского инвестиционного банка. В обеих задачах имеющихся данных было недостаточно для того, чтобы проанализировать цену ошибок классификации. В этой главе мы займемся оценкой ошибок классификации 1-го и 2-го родов в задаче прогнозирования банкротства корпораций и исследуем возможные результаты применения нейронных сетей. Материалом для конкретной задачи послужат данные по ряду британских компаний — производителей комплектующих для автомобилей. В основе конструкции сети лежат семь входных моделей, использующих показатели, которые входят в так называемое дзета Альтмана. [c.201]
Поскольку код для модели, прогнозирующей минимумы, почти идентичен коду модели на основе обращенного во времени Медленного %К, выше приведены только два измененных блока. В первом блоке обращенный Медленный %К не используется, а вместо этого рассчитывается цель — серия нулей или единиц, указывающая на наличие (1) или отсутствие (0) минимумов. При записи фактов вместо значения Медленного %К записываются значения цели. Во втором блоке вводятся правиладля сравнения выхода нейронной сети с соответствующим порогом и генерации собственно сигналов входа в рынок. В обоих блоках включен код, препятствующий записи фактов и использованию прогнозирования в случае, когда завтрашняя цена открытия не может образовать минимум согласно правилам. В коде ниже приведены аналогичные правила прогнозирования максимумов. [c.266]
Затем идет модель на основе точки разворота под управлением нейронной сети 16-10-1вкороткихпозициях. Эта модель давала прибыль везде и со всеми входами вне пределов выборки при входе по цене открытия модель показала доходность 9,3% годовых, причем средняя сделка принесла 580 прибыли в пределах выборки данные показатели составили 35,2% и 8448 соответственно. [c.385]
Смотреть страницы где упоминается термин Входы на основе нейронной сети
: [c.29]Смотреть главы в:
Энциклопедия торговых стратегий -> Входы на основе нейронной сети