|
При работе с набором данных о сделках, совершаемых в течение торгового дня, который был предоставлен Европейской биржей опционов (ЕОЕ), адаптивно обучаемая сеть WINNET показала лучшие результаты, чем статически обученная сеть и регрессия, по трем выбранным критериям. Простейшая основанная на этом прогнозе торговая стратегия принесла бы доход приблизительно в 11% годовых (без учета транзакционных издержек).
Хотя эта цифра может показаться не такой большой, если сделать поправку на риск (акций Филипс), постигнутый уровень дохода свидетельствует о хороших потенциальных возможностях нейронных сетей в вопросах моделирования информации, поступающей с рынка производных финансовых инструментов.
|
|
Поскольку нейронные сети дают возможность исследовать ранее не использовавшиеся модели с нелинейной спецификацией, возможно, что их преимущества перед традиционными моделями формирования цены объясняются в большей степени недостатками спецификации последних, нежели чем свойствами эффективности рынка.
Задним числом можно сказать, что выбор акций Филипс был не самым удачным. Эти акции, будучи одним из основных предметов торгов на Амстердамской бирже, обладают большим информационным действием, и возможности для извлечения дополнительной информации невелики. После опционов на индексы курсов акций опционы на акции Филипс были наиболее торгуемым активом на ЕОЕ в 1992 году, а торговля самими акциями также активно велась на наличном рынке. Если бы были выбраны другие, менее активно торгуемые акции, то возможностей для улучшенного прогноза было бы больше, и показатель дохода в 11% годовых, вероятно, был бы превзойден.
При переходе к более простой сети за счет уменьшения количества входных переменных и серий опционов (мы считали бы разумным сосредоточиться на at-the-money опционах), безусловно, упростился бы процесс обучения, а способность сети к обобщению — повысилась.
|
