разработка нейронного прогностического устройства

Собрав для будущего факта 18 скорректированных квадратным кор­нем разностей для входов, мы используем процедуру нормализации. Целью нормализации является удаление информации, заложенной в амплитуде, при сохранении формы волны. При обращении с 18 переменными входа как с вектором, нормализация состоит в масштабировании вектора в единицы длины. Расчеты включают возведение каждого элемента век­тора в квадрат, сложение квадратов, вычисление квадратного корня и за­тем деление каждого элемента на полученное число. Так получаются переменные входа для нейронной сети — фактически, программа нейронной сети в дальнейшем еще раз будет масштабировать эти входы, приводя их значения к уровням, допустимым для входных нейронов.

Для каждого факта целью (т.е. зависимой переменной регрессии) яв­ляется попросту значение обращенного во времени Медленного %К. Входные переменные и цель для каждого факта выдаются в простом ASCII -формате в виде файла, который может анализироваться качественным пакетом для разработки нейронных сетей.

Полученный набор фактов используется для обучения сети прогнози­рованию обращенного во времени Медленного %К, т.е. относительного положения сегодняшней цены закрытия и, предположительно, завтраш­ней цены открытия по отношению к диапазону цен за последующие 10 дней (обращенный во времени Медленный %К с периодом 10 дней).

Следующий шаг разработки нейронного прогностического устрой­ства — реальная тренировка нескольких сетей на полученном наборе фактов. Обучают серию нейронных сетей различного размера, причем метод отбора наиболее хорошо обученной и устроенной сети не состоит, как можно было бы подумать, в проверке ее эффективности на данных вне пределов выборки. Вместо этого проводится коррекция коэффици­ентов корреляции (показателей прогностических способностей каждой сети), причем коэффициент коррекции зависит от размера выборки дан­ных и количества параметров (связей между нейронами) в исследуемой сети. При этом используется то же уравнение, что и при коррекции мно­жественных корреляций, получаемых при многовариантной регрессии (см. главу о статистике и оптимизации). Чем больше и сложнее сеть, тем сильнее будут скорректированы (в меньшую сторону) коэффициенты корреляции. Этот подход помогает оценить степень излишней подгонки системы под исходные данные. Чтобы большая сеть превзошла малень­кую, она должна давать значительно больший коэффициент корреляции. Этот метод позволяет выбирать лучшие сети без обычного обращения к данным вне пределов выборки. Все сети проходят полное обучение, т.е. не делается попыток скомпенсировать снижение степеней свободы мень­шим обучением сети.

Наилучшие сети, отобранные на основе скорректированных корре­ляций, затем тестируются с настоящей моделью входа, стандартизован­ным выходом на всех рынках как в пределах, так и вне пределов выборки.

Как было сказано выше, излишне подогнанные сети должны иметь очень низкие значения корреляции после проведения ее коррекции. Большое количество фактов в наборе (88 092) должно помочь избежать вредного влияния подгонки для сетей умеренного размера.

Код включает две функции — обычную функцию Model , реализую­щая торговую модель, и процедуру подготовки входов нейронной сети PrepareNeurallnputs . Процедура, которая подготавливает входы, требует для работы индекса текущего дня (cb ) и серии цен закрытия (cls ).