Итак, завершившийся недавно эксперимент следует считать скорее неудавшимся, но тем не менее он предоставляет некоторую информацию для анализа. Для полноты картины я публикую краткое описание технической части эксперимента.
В ходе эксперимента использовалось несколько комитетов нейронных сетей с обратным распространением ошибки (backpropagation neural networks), обучаемых на дневках в диапазоне 2 лет с помощью алгоритма "batch rprop". Разные комитеты обучались на разных ценах - typical и close.
В качестве входных данных нейронным сеткам подавались не сами цены, и даже не их приращения, а вектора, построенные по методике В.А.Головко - Нейросетевые методы обработки хаотических процессов (PDF).
Для временного ряда котировок определялась временная задержка тау (методом взаимной информации) и размерность пространства вложения (через фрактальную размерность и корреляционный интеграл). Затем на основе этих параметров проводилась нарезка ряда в вектора пространства вложения, которые и использовались для обучения.
Данный подход сулил более адекватную обработку котировок, чем обучение на тривиальных последовательностях приращений цен. Выбор был обоснован тем, что по виду котировки действительно сопоставимы с хаотическим процессом. Как известно, результат получился не очень хорошим, что можно объяснить тем, что котировки все же не формируются хаотическим детерминированным процессом, а являются склейкой разных процессов, скачки между которыми происходят в результате выхода новостей и изменения экономических макропоказателей.
Таким образом, имеет смысл, вероятно, смотреть в сторону термодинамики, с её фазовыми переходами, или Марковских процессов.
Подписаться на:
Комментарии к сообщению (Atom)
Комментариев нет:
Отправить комментарий