ОБСУЖДЕНИЕ

Применение нейронных сетей в этой задаче показало, что статическая нелинейная система может быть обучена так, чтобы выполнять технический анализ на начальном уровне. Наш подход отличается от других, известных в этой области, тем, что мы не пытаемся оптимизировать входное множество. На вход сети, предсказывающей направление будущих изменений цен, подавались временные ряды данных в исходном виде. При помощи перемасштабирования данных достигалась инвариантность пространства входов. Затем сеть обучалась с использованием регуляризирующего штрафного члена, ограничивающего положение интерполирующей поверхности, построенной нейронной сетью. Модель выдавала до 54% правильных сигналов.

Этот результат, по-видимому, свидетельствует о присутствии свойств неэффективности рынка (которые определяются как малые отклонения от 0.5-гиперплоскости) и о том, что нейронная сеть является адекватным инструментом для их обнаружения. Однако необходимы дальнейшие исследования, прежде чем данный метод можно будет использовать непосредственно в торговом зале. При том, что результаты оказались многообещающими, прибыльной стратегии торговли не выработано. Мы хотим высказать ряд предложений, реализация которых, по нашему мнению, могла бы способствовать выработке более совершенной стратегии торговли.

Во-первых, следует расширить базу данных и таким образом повысить представительность данных и увеличить размерность входных образцов. Это можно сделать, включив в рассмотрение акции других компаний, похожих на Юнилевер. При этом остается неясным, как определить степень сходства.

Во-вторых, можно было бы использовать данные котировок с мониторов (тикеров) и таким путем увеличить частоту поступления данных и получить возможность использовать экономический (или операционный) масштаб времени, когда время сжимается (соответственно, растягивается) по сравнению с календарем. Не следует также недооценивать возможность подключения подсказок.

В-третьих, сеть, использующая радиальные функции, позволяет получить локально более точные отображения, чем классическая сигмоидальная, и за счет этого, по-видимому, можно добиться более точного распознавания "неэффективностей" в пространстве входов. Далее, доверительные интервалы (полосы ошибок) можно вычислять по методам, которые были предложены МакКеем [184] и Ле Каном [174]. Правда, эти методы предполагают сходимость обучающего алгоритма.

Четвертое: улучшение характеристик может быть получено за счет использования другого критерия ошибок, который включал бы в себя транзакций иные издержки и, наряду с абсолютным значением, раздельный подсчет потоков платежей в обоих направлениях. Другая возможность заключается в том. чтобы ввести дополнительный выходной элемент, выдающий абсолютное значение дохода.

И последнее: модель может быть включена в качестве составной части в многосетевую среду принятия решений, а полученная общая производительность — измеряться, исходя из заданного решающего правила (см. [290]).

Содержание

К началу

Наконец, более динамичные подходы можно получить, используя рекурсивные сети с механизмами обратной связи.