Разделы



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.

Прогнозирования являются стержнем любой торговой системы, вот почему грамотно составленные прогнозы Forex могут сделать Тебя донельзя состоятельным.

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 незави


симой 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.

п»ї

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.

Читать далее: Модели на основе точки разворота