Заключение

При первой попытке применить для анализа индивидуальных рынков нейронную сеть (Katz, McCormick, ноябрь 1996) мы пришли к выводу о полной бесполезности такого подхода. Поведение некоторых из проведенных сейчас тестов вне пределов выборки немного обнадеживает по сравнению с нашим опытом исследования простых нейронных сетей. Эти результаты, почти несомненно, обусловлены большим количеством точек данных в обучающем наборе, включающем все рынки в составе портфеля, а не какой-либо один рынок. В общем, чем больше выборка, используемая для обучения (или оптимизации), тем больше вероятность сохранения положительной эффективности вне ее пределов. Увеличить размер выборки можно, используя более старые данные, что вполне возможно для ряда включенных в наше исследование рынков. Кроме того, можно ввести в портфель дополнительные рынки, что, возможно, представляет собой оптимальный способ улучшения обучающего набора.

Принцип оптимизации состоит в том, что вероятность устойчивых результатов повышается со снижением количества параметров модели. Учитывая в чем-то положительные результаты некоторых из тестов, возможно, имеет смысл продолжать исследования с более усложненными моделями. Как вариант можно было бы улучшить предварительную обработку данных в смысле уменьшения общего числа вводов без потери важной прогностической информации — это может сделать систему очень прибыльной. При меньшем количестве вводов в сети будет меньше связей для оценки, следовательно, подгонка под кривую — важная проблема, судя по результатам и уровням усадки, — будет представлять меньшую угрозу.

Что мы узнали?
• При выполнении некоторых условий нейронные сети могут использоваться в системной торговле. Критическим моментом для избежания вредной подгонки под исторические данные (в противоположность полезной оптимизации) является достижение адекватного соотношения размера выборки данных и количества свободных параметров сети.
• Подгонка под исторические данные является значительной проблемой при использовании нейронных сетей. Следует обращать внимание на любой метод, способный уменьшить общее количество свободных параметров без потери важной информации, например тщательную предварительную обработку и сжатие информации.
• Для обучения нейронных сетей необходимо использовать выборки большого размера. Поэтому обучение на целом портфеле финансовых инструментов приводит к лучшим результатам, чем обучение на отдельных рынках, несмотря на потерю рыночной специфики. Один из возможных подходов — расширять количество рынков в портфеле и, по возможности, объем обучающей выборки данных. Доведя это до предела, возможно, имеет смысл обучать сеть на сотнях рынков разнообразных товаров, валют и ценных бумаг в попытке создать «универсальную систему прогнозирования цен». Если в таком всемирном пространстве рынков существуют прогностически полезные модели, то такая попытка, вероятно, действительно будет оправданной.
• Некоторые из рынков работают плохо даже в пределах выборки, другие удерживают прибыльность вне ее пределов, как это случалось с некоторыми моделями в предшествующих главах. Одни рынки, следовательно, больше подходят для применения определенных методов, чем другие. Поиск подходящих рынков на основе эффективности вне пределов выборки может стать полезным подходом при разработке и использовании торговых систем на основе нейронных сетей.

Далее

Вернуться к оглавлению