Нейрокомпьютинг и его применения в экономике и бизнесе

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


59:41


Как видно из приведенного выше рисунка, в данном случае выигрыш комитета даже выше, чем выигрыш каждого из экспертов. Таким образом, метод комитетов может существенно повысить качество прогнозирования. Обратите внимание на абсолютное значение нормы прибыли: капитал комитета возрос в 3.25 раза при 100 вхождениях в рынок (Естественно, эта норма будет ниже при учете транзакционных издержек).


Предсказания получены при обучении сети на 30 последовательных экспоненциальных скользящих средних (ЕМА! … ЕМА30) ряда приращений индекса. Предсказывался знак приращения на следующем шаге.


В этом эксперименте ставка была зафиксирована на уровне (|х|)с> = 0.16, близком к оптимальному при данной точности предсказаний (59 угаданных знаков против 41 ошибки) т.е. p-q ~ 0.18. На следующем же рисунке приведены результаты более рискованной игры по


тем же предсказаниям, а именно — с (Ixl)^ = 0.2 .

Рисунок 13. Норма прибыли на последних 100 значениях ряда sp500 при тех же предсказаниях комитета из 10 сетей, но по более рискованной


стратегии.


Выигрыш комитета в целом остался на прежнем уровне (чуть увеличился), поскольку данное значение риска так же близко к оптимуму, как и предыдущее. Однако, для большинства сетей, предсказания которых хуже, чем у комитета в целом, такие ставки оказались слишком рискованными, что привело к практически полному их разорению.


Приведенные выше примеры показывают как важно уметь правильно оценить качество предсказания и как можно использовать эту оценку для увеличения прибыльности от одних и тех же предсказаний.


Можно пойти еще дальше и вместо среднего использовать взвешенное мнение сетей-экспертов. Веса выбираются адаптивно максимизируя предсказательную способность комитета на обучающей выборке. В итоге, хуже обученные сети из комитета вносят меньший вклад и не портят предсказания.

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