Нейрокомпьютинг и его применения в экономике и бизнесе

Скачать в pdf «Нейрокомпьютинг и его применения в экономике и бизнесе»


Измерение качества предсказаний


Хотя предсказание финансовых рядов и сводится к задаче аппроксимации многомерной функции, оно имеет свои особенности как при формировании входов, так и при выборе выходов нейросети. Первый аспект, касающийся входов, мы уже обсудили. Теперь коснемся особенностей выбора выходных переменных. Но прежде ответим на главный вопрос: как измерить качество финансовых предсказаний. Это поможет определить наилучшую стратегию обучения нейросети.


Связь предсказуемости с нормой прибыли


Особенностью предсказния финансовых временных рядов является стремление к получению максимальной прибыли, а не минимизации среднеквадратичного отклонения, как это принято в случае аппроксимации функций.


В простейшем случае ежедневной торговли прибыль зависит от верно угаданого знака изменения котировки. Поэтому нейросеть нужно ориентировать именно на точность угадывания знака, а не самого значения. Найдем как связана норма прибыли с точностью определения знака в простейшей постановке ежедневного вхождения в рынок (Рисунок 9).


Обозначим на момент t: полный капитал игрока К,, относительное изменение котировки xt = А С, /С, , а в качестве выхода сети возьмем степень ее уверенности в знаке этого


изменения yt 1, lj. Такая сеть с выходной нелинейностью вида у — tanh(я) обучается


предсказывать знак изменения и выдает прогноз знака с амплитудой пропорциональной его вероятности. Тогда возрастание капитала на шаге t запишется в виде:




где 8 — доля капитала, «в игре». Выигрыш за все время игры


К гхр( Z Ц1 + ‘ sgn(jT))


£ = ]    у


нам и предстоит максимизировать, выбрав оптимальный размер ставок 8. Пусть в среднем игрок угадывает долю р = т+е знаков и, соответственно, ошибается с вероятностью q = 7s. Тогда логарифм нормы прибыли,

Скачать в pdf «Нейрокомпьютинг и его применения в экономике и бизнесе»