нейронные сети в системной торговле

При первой попытке применить для анализа индивидуальных рынков нейронную сеть ( Katz , McCormick , ноябрь 1996) мы пришли к выводу о полной бесполезности такого подхода. Поведение некоторых из прове­денных сейчас тестов вне пределов выборки немного обнадеживает по сравнению с нашим опытом исследования простых нейронных сетей. Эти результаты, почти несомненно, обусловлены большим количеством точек данных в обучающем наборе, включающем все рынки в составе портфеля, а не какой-либо один рынок. В общем, чем больше выборка, используемая для обучения (или оптимизации), тем больше вероятность сохранения положительной эффективности вне ее пределов. Увеличить размер выборки можно, используя более старые данные, что вполне воз­ можно для ряда включенных в наше исследование рынков. Кроме того, можно ввести в портфель дополнительные рынки, что, возможно, пред­ставляет собой оптимальный способ улучшения обучающего набора.

Принцип оптимизации состоит в том, что вероятность устойчивых ре­ зультатов повышается со снижением количества параметров модели. Учи­ тывая в чем-то положительные результаты некоторых из тестов, возмож­ но, имеет смысл продолжать исследования с более усложненными моделя­ ми. Как вариант можно было бы улучшить предварительную обработку данных в смысле уменьшения общего числа вводов без потери важной про­ гностической информации — это может сделать систему очень прибыль­ ной. При меньшем количестве вводов в сети будет меньше связей для оцен­ ки, следовательно, подгонка под кривую — важная проблема, судя по ре­ зультатам и уровням усадки, — будет представлять меньшую угрозу.

ЧТО МЫ УЗНАЛИ ?

При выполнении некоторых условий нейронные сети могут использоваться в системной торговле. Критическим моментом для избежания вредной подгонки под исторические данные (в противоположность полезной оптимизации) является дости­жение адекватного соотношения размера выборки данных и количества свободных параметров сети.

• Подгонка под исторические данные является значительной проблемой при использовании нейронных сетей. Следует об­ ращать внимание на любой метод, способный уменьшить об­щее количество свободных параметров без потери важной информации, например тщательную предварительную обра­ботку и сжатие информации.

Для обучения нейронных сетей необходимо использовать вы­борки большого размера. Поэтому обучение на целом портфеле финансовых инструментов приводит к лучшим резуль­татам, чем обучение на отдельных рынках, несмотря на поте­рю рыночной специфики. Один из возможных подходов — расширять количество рынков в портфеле и, по возможности, объем обучающей выборки данных. Доведя это до предела, воз­можно, имеет смысл обучать сеть на сотнях рынков разнооб­разных товаров, валют и ценных бумаг в попытке создать уни­версальную систему прогнозирования цен. Если в таком все­мирном пространстве рынков существуют прогностически полезные модели, то такая попытка, вероятно, действительно будет оправданной.

Некоторые из рынков работают плохо даже в пределах выбор­ки, другие удерживают прибыльность вне ее пределов, как это случалось с некоторыми моделями в предшествующих главах. Одни рынки, следовательно, больше подходят для применения определенных методов, чем другие. Поиск подходящих рын­ков на основе эффективности вне пределов выборки может стать полезным подходом при разработке и использовании тор­говых систем на основе нейронных сетей.