Методология тестирования модели на основе обращенного Медленного %К

Модель выполняется со значением mode — 1 для получения набора фак­тов. Набор фактов загружается в N -TRAIN — набор для разработки ней­ронных сетей Scientific Consultant Services (516-696-3333), масштабирует­ся и перетасовывается, как это необходимо при разработке нейронной сети. Затем обучается набор сетей, начиная с маленькой и кончая весьма большой; в основном это простые 3-слойные сети. Также обучаются две 4-слойные сети. Все сети тренируются до максимальной конвергентнос-ти и затем полируются для удаления мелких отклонений или сдвигов. Процесс полировки обеспечивается снижением интенсивности обуче­ния до очень низкой и еще примерно 50 прогонами после этого.

В табл. 11-1 приводится информация о всех сетях, обучавшихся для этой модели, с коэффициентами корреляции и другими показателями. В табли­це указаны название файла, содержащего сеть, размер — число слоев и число нейронов в каждом из слоев, число связей в сети, оптимизирован­ных при обучении (подобно количеству коэффициентов регрессии при множественной регрессии и их связи с излишней подгонкой под истори­ческие данные), и корреляция — множественная корреляция выхода сети с его целевым значением. Скорректированные на излишнюю подгонку под входные данные значения корреляции занимают два столбца: в левом — коррекция исходя из обучения на наборе в 40 000 точек данных, в пра­вом — исходя из 13 000 точек. Последние строки содержат реальное коли­чество точек данных, а также их количество, предполагаемое при расчете коррекции.

Количество точек данных, использованное при расчете коррекции коэффициентов корреляции, меньше, чем реальное их количество в на­боре для обучения. Причина в повторяемости фактов, а именно в том, что факт, основанный на некоторой точке данных, с большой вероятностью будет весьма подобен факту, основанному на соседней точке. Из-за этого эффективное число точек данных в отношении статистически независимой информации будет уступать реальному. Мы использовали два раз­ных прореживания данных, представленных в двух столбцах. Процесс коррекции корреляций подобен процессу коррекции вероятностей мно­жественных тестов при оптимизации: при прогонке параметра через ряд значений полученные результаты для соседних значений, скорее всего, будут подобны, что снижает эффективное количество тестов по сравне­нию с реальным.

Результаты обучения для модели обращенного во времени Медленного % К

Как следует из табл. 11-1, значения некорректированной корреляции не­уклонно возрастали с увеличением сети в отношении количества связей. Если же провести коррекцию коэффициентов корреляции, то для эффек­тивной выборки величиной 13 000 точек картина драматически меняется: наиболее эффективными оказываются малые 3-слойные сети с 6 нейро­нами в среднем слое и наименьшая из двух 4-слойных сетей. При более умеренной коррекции ожидаемая прогностическая способность оказалась наибольшей для двух 4-слойных сетей, как видно из множественных кор­реляций результата с целью.

При более консервативной оценке (с меньшей эффективной выбор­кой и, следовательно, с большей коррекцией коэффициентов корреляции) на основе данных табл. 11 -1 для работы в модели было выбрано две сети — сеть 18-6-1 (rm 2.net ) и сеть 18-14-4-1 (nn 8.net ). Они были признаны лучши­ми из сетей, способными потенциально эффективно работать вне преде­лов выборки. Для теста модели входа в рынок программа прогонялась со значением mode = 2; как обычно, тестировались все входы — по цене от­крытия, по лимитному приказу и по стоп-приказу.