Методология тестирования модели , основанной на точке разворота

Методология идентична использованной для модели на обращенном во времени Медленном %К. Набор фактов генерируется, загружается в N -TRAIN , масштабируется и перетасовывается. Набор сетей по 3 — 4 слоя нейронов обучается до максимальной сходимости и полируется. Рас­считываются статистические показатели, такие как скорректированная на избыточную подгонку корреляция.

Прогнозирование минимумов. Структура табл. 11-2 идентична табл. 11-1. Как и в случае с нейронной сетью, обучавшейся прогнозированию обра­щенного во времени Медленного %К, между числом связей в сети и мно­жественной корреляцией выхода с целью наблюдалось растущая связь; т.е. корреляция была выше для более крупных сетей. Сеть, в общем, обучалась на наборе из 23 900 фактов, что меньше, чем сеть для прогноза обращенно­го Медленного %К. Различие в количестве фактов объясняется тем, что ис­пользовались только случаи, где завтрашняя цена открытия могла представ­лять точку разворота. Поскольку факты для прогнозирования минимумов отстояли дальше друг от друга, резонно заключить, что избыточность в этой выборке будет ниже. При коррекции использовались следующие эффек­тивные размеры выборок: 23 919 фактов (исходная) и 8000 (эффективная выборка со сниженным количеством фактов). После коррекции наилуч­шие результаты были показаны самой большой из двух 4-слойных сетей, вторая 4-слойная сеть также была весьма результативной. Кроме этих двух сетей 3-слойная сеть с 10 нейронами среднего слоя также показала хоро­шие результаты. Для тестирования торговой эффективности была выбра­на большая сеть из 4 слоев (nn 9.net ) и маленькая сеть из трех слоев (nn 4.net ).

Прогнозирование максимумов. В табл. 11-3 приводятся показатели раз­личных нейронных сетей, обученных на наборе из 25 919 фактов. Пока­затели и здесь были напрямую связаны с размером сети — большее ко­личество связей приводило к лучшему результату. После умеренной кор­рекции коэффициентов корреляции только малая 4-слойная сеть не под­чинилась этой закономерности, показав большую, чем ожидалось, кор­реляцию. При более сильной коррекции (в расчете на высокую степень излишней подгонки под исходные данные) выделялись только две 4-слой-ные сети, причем наибольшая сеть (nn 9.net ) показала самую высокую кор­реляцию. Одна из 3-слойных сетей (nn 4.net ) также показала достаточно высокий результат и была отобрана для проведения собственно теста.

В табл. 11-4 приведены лучшие показатели, полученные для данных, на­ходящихся в пределах выборки, а также эффективность портфеля на дан­ных в пределах и вне пределов выборки. Приведены показатели для всех комбинаций приказов, сетей и моделей. В таблице: ВЫБ — вид выборки данных (В — в пределах, ВНЕ — вне пределов выборки); ДОХ% — доход­ность в процентах годовых; Р/ПРИБ — соотношение риска/прибыли в годовом исчислении; ВЕР — ассоциированная вероятность статистичес­кой достоверности; СДЕЛ — число сделок на всех рынках в составе порт­феля; ПРИБ% — процент прибыльных сделок; $ С Д Е Л — средняя прибыль/ убыток со сделки; ДНИ — средняя длительность сделки в днях; ПРИБДЛ — общая прибыль от длинных позиций в тысячах долларов; ПРИБКР— об­щая прибыль от коротких позиций в тысячах долларов. Столбцы PI , P 2, РЗ представляют значения параметров: Р1 — пороговое значение, Р2 — но­мер нейронной сети (согласно табл. 11-1 — 11-3), РЗ— не использовался. Во всех случаях приведены те пороговые значения Р1, которые обеспечи­вали максимальную эффективность в пределах выборки. Вне пределов выборки были использованы те же значения.

Порог для обращенного во времени Медленного %К оптимизировал­ся для каждого вида приказов с помощью прогонки параметра Р1 от 50 до 90 с шагом 1. Для моделей прогнозирования разворотных точек порого­вые значения прогонялись от 20 до 80 с шагом 2. В обоих случаях оптими­зация проводилась только в пределах выборки, и лучшие параметры за­тем использовались и в пределах, и вне пределов выборки во время тести­рования, как и в других главах этой книги.