Forex: просто о сложном Анализ рынка Форекс Торговля на Forex Технический анализ Форекс Forex-инвестиции Торговые стратегии Форекс Лучшие брокеры Форекс
В данной книге рассмотрены методы построения и обучения нейронных сетей. Описаны наиболее распространенные виды сетей и их применение к таким расчетам на финансовом рынке, как расчет цен опционов, оценка индексов акций и управление международным портфелем.
Лучший брокер бинарных опционов
Отбор и диагностика модели
Forex

Проверка свойств модели временного ряда — необходимое условие для надежного предсказания и дли понимания природы имеющихся закономерностей. К сожалению, этот вопрос слабо освещен в литературе. Разности между истинными и оцененными значениями должны подчиняться гауссовскому распределению с нулевым средним. Если оказалось, что распределение имеет слишком тяжелые хвосты или несимметрично, то нужно пересмотреть модель. Среди значении разностей могут выявиться закономерности или последовательные корреляции, тогда необходимо дополнительное обучение или улучшение модели.

Оценка качества модели обычно основывается на критерии согласия типа средней квадратичной ошибки (MSE) или квадратного корня из нее (RMSE). Эти критерии показывают, насколько предсказанные значения оказались близки к обучающему, подтверждающему или тестовому множествам.


По нашей оценке, на 18.07.2018 г. лучшими брокерами являются:

• для самостоятельной торговлиNPBFX;

• для инвестицийАльпари;

• для бинарных опционовBinomo;

• для торговли акциямиRoboForex Stocks (на счете R Trader доступно более 8700 торговых инструментов).


Для рядов с большим разбросом Лапедес предложил критерий средней относительной вариации:

где S— временной ряд, е, — разность (истинное значение d, минус х,) в момент t, (х,) — оценка для среднего значения ряда, N — число данных в ряде. Последующая нормализация с помощью оценки для вариации позволяет проводить более надежные сравнения для различных приложений.

Используя предыдущее значение х, , целевой переменной, можно оценить способность модели предсказывать на один шаг вперед. Подставляя предсказанные значения на место истинных, получим метод предсказания на k шагов вперед. Если через несколько шагов модель начинает отклониться от настоящей траектории, это значит, что в ней происходит накопление и рост ошибки (см. [290], [275]).

Самый распространенный метод выбора нейронно-сетевой модели с наилучшим обобщением это проверка критерия согласия (MSE, ARV и др.) на тестовом множестве, которое не использовалось при обучении Если же данных мало, разбивать их на обучающее и подтверждающее множество нужно разными способами. Такое перекрестное подтверждение может потребовать много времени, особенно для нейронных сетей с их длительным процессом обучения.

В линейном анализе временных рядов можно получить несмещенную оценку способности к обобщению, исследуя результаты работы на обучающем множестве (MSE), число свободных параметров (W) и объем обучающего множества (N). Оценки такого типа называются информационными критериями (IC) и включают в себя компоненту, соответствующую критерию согласия, и компоненту штрафе, которая учитывает сложность модели. Барроном [30] были предложены следующие информационные критерии: нормализованный IC Акаикс (NAIC), нормализованный байесовский IC (NBIC) и итоговая ошибка прогноза (FPE):

Было показано |198|, что FPE представляет собой несмещенную оценку способности к обобщению для нелинейных моделей, я частности, — для нейронных сетей. К сожалению, при этом предполагается, что в нашем распоряжении имеется бесконечное число на6людений, — в этом случае оценка надежности модели, вообще, не представляет особых сложностей. Ясно, что информационные критерии дают информацию об адекватности модели и помогают выбрать модель подходящего уровня сложности. Другие методы диагностики позволяют, если такая задача стоит, избежать подхода к системе как к "черному ящику". Поскольку основное отличие сети от линейной регрессии — это возможность применять нелинейные преобразователи, имеет смысл посмотреть, насколько глубоко модель использует свои нелинейные возможности. Проще всего это сделать с помощью введенного Вигендом [275] отношения:

Для более тщательной проверки нелинейных возможностей нужно изобразить распределение выходных значений для скрытых элементов. Слишком большая доля крайних значений (0 или 1) говорит о том, что некоторые элементы попали в режим насыщения. Еще один способ — построить совместное распределение линейного и нелинейного выходов и применить линейную регрессию. Отклонения от наклона с углом 45е говорят о том, что нелинейные возможности задействованы [84;. Между прочим, встречается точка зрения, что появление во время обучения резких изменений разностей говорит об использовании нелинейностей. К сожалению, это не соответствуй действительности.

Следует также проверить, скоррелированны ли действия скрытых элементов. В многомерном регрессионном анализе при росте мультиколлинеарности значения коэффициентов регрессии становятся все менее надежными. Так же и здесь предпочтительно, чтобы выходы скрытых элементов одного слоя были некоррелированны. Нужно найти собственные значения корреляционной матрицы для выходов скрытых узлов по данным обработки всех обучающих примеров. При полной некоррелированности все собственные значения будут равны единице, а отличия от единицы говорят об избыточном числе скрытых элементов. Кроме того, для анализа внутреннего представления нейронно-сетевой модели часто применяются методы кластерного анализа.

Доводка

При построении системы прогноза преследуется цель не только расширить паше понимание процессов, но и получить помощь для принятия решений в финансовой области. Такого рода руководства можно создать с помощью комбинаций нескольких нейронных сетей, обученных на разных множествах данных и разных отрезках времени.

Содержание Далее

Например, сигналы на покупку или продажу будут даваться по пороговым значениям, которые настроены с учетом предыдущих позиций и ошибок. Очень важно также распознать момент, когда эффективность модели начинает падать. Alpari
Forex: просто о сложном
Яндекс.Метрика
Литература по биржевой торговле:

Бестенс Д. и др. Нейронные сети и финансовые рынки

Ван Тарп и др. Биржевые стратегии игры без риска

Грант К. Управление рисками в трейдинге

Моррис Г. Японские свечи

Пайпер Д. Дорога к трейдингу

Резго Г.Я., Кетова И.А. Биржевое дело

Рэдхэд К., Хьюс С. Управление финансовыми рисками

Сафонов В. Трейдинг. Дополнительное измерение принятия решений

Торговая система Woodies CCI

Торговая стратегия «Трейдинг без головной боли»

Тощаков И. Forex: игра на деньги. Стратегии победы

Хатсон Дж. Метод Вайкоффа

Черепков А. Теория длинных волн Н.Д. Кондратьева

Бинарные опционы Альпари