Генетические алгоритмы эффективны для оптимизации торговых систем

При использовании различных входящих параметров, методов обработки данных, а также архитектуры конфигураций требуется создание автоматизированного режима тестирования, который смог бы интегрировать процесс тестирования и генерацию данных. Такие инструменты, как генетические алгоритмы или же моделируемый отжиг, могут использоваться для поиска пространства допустимых значений этих параметров. Генетические алгоритмы эффективны для решения задач оптимизации систем с большим числом параметров. Во время пробного запуска моделируемый отжиг позволяет автоматизировать процесс поправки коэффициента обучения путем включения такой переменной, как температура, которая, в свою очередь, влияет на коэффициент обучения. При высоких температурах скорость обучения также высока. При снижении температуры обучение замедляется и сеть останавливается на каком-нибудь решении.

Чрезмерная апробация, аналогично подгонке результатов тестирования торговых систем, представляет собой одну из многочисленных ловушек, в которую лучше не попадаться при разработке нейросетей. Чрезмерная апробация имеет место, когда сеть начинает запоминать неуловимые и идиосинкразические особенности пробного множества, тем самым снижая способность сетей генерировать новые данные. Когда наблюдается чрезмерная апробация, сеть выдает просто превосходные результаты на пробном множестве, но никуда не годные — на тестовом множестве, а значит, и в реальной торговле. Чтобы не допустить чрезмерной апробации, следует через определенные интервалы времени делать паузы в работе сети, а затем снова перезапускать сеть уже на тестовом множестве, чтобы оценить состоятельность определенных ранее критериев расчетных отклонений. Далее следует продолжить работу сети с того места, в котором она была остановлена. Итерацию в автоматизированном процессе следует проводить до тех пор, пока состоятельность тестового множества не начнет снижаться, что будет указывать на намечающуюся чрезмерность апробации. Все промежуточные результаты, которые удовлетворяют условию допустимого отклонения, в дальнейшем должны быть оценены.

Статистика ошибок. Следующая немаловажная разработка сетевых решений заключается в определении того, что использовать в качестве статистики ошибок (отклонений) для апробации и для тестирования. Мерой измерения ошибок (отклонений) может служить разность между точно вычисленным каким-то статистическим значением ошибок, например их скользящей средней, и выходными ланными нейросети. Эта разность должна быть определена для каждого из событий в тестовом множестве, просуммирована и затем разделена на число событий в тесте. Это стандартная мера ошибок, которая называется «средней ошибкой». Другие способы вычисления ошибки включают в себя среднее значение абсолютных ошибок, сумму квадратов ошибок или же квадратный корень ошибок (Root-mean-squarcd— RMS). После того как будет выбрана нейросетевая модель, ее следует апробировать еще раз на определенных временных промежутках. Следующий этап исследования должен заключаться в модификации входящих и выходящих данных, архитектуры, а также реализации процесса тестирования и апробации в целях улучшения результативности сети и точности выдаваемых ею прогнозов.

У вас не получится разработать эффективное приложение, основанное на нейросетевых механизмах и способное выдавать хорошие прогнозы для финансовых рынков, до тех пор, пока не появится солидный опыт торговли, пока вы не проведете соответствующий математический и программный анализ, а также пока не уделите достаточно времени на проработку задачи. Тщательно разработанное нейросетевое приложение — это и наука и искусство. Для успешного результата придется потратить огромное количество времени и приложить титанические усилия, лаже если над разработкой будут трудиться несколько экспертов одновременно.

Могу привести пример из своего собственного опыта. В 1991 г. Predictive Technology Group (группа по работе с прогнозными технологиями), научно-исследовательский отдел моей компании, вводил в эксплуатацию программное обеспечение VantagePoint Intcrmarket Analysis (межрыночный анализ точек, обладающих преимуществами), разработанное на основе межрыночного анализа, который проводился с середины 1980-х гг. Программа VantagePoint использовала нейросети в межрыночном анализе для прогнозирования трендов, значений скользящих средних, а также цен на каждый последующий торговый день для различных финансовых фьючерсных рынков. В настоящее время на основе VantagePoint разработана 2! программа для валютных рынков, рынков процентных ставок, фондовых индексов, а также энергетического комплекса, которые позволяют трейдеру воспользоваться всеми преимуществами межрыночного анализа, не заставляя их изобретать велосипед или превращаться в суперученых.