РЕЗУЛЬТАТЫ РАБОТЫ СЕТИ

Первая совокупность прогнозов получена сетью (которую мы назвали ALLNET), .обученной на исходных обучающих и подтверждающих данных в течение 18,000 эпох.

Второе множество прогнозов было получено на выходе сети ALLLNET после ее повторного обучения с помощью движущегося окна (этот вариант получил название WINNET). Ожидалось, что второй метод, по сравнению с первым и с регрессией, даст лучшие результаты при работе с новыми данными по каждому из следующих критериев:

• Средняя квадратичная ошибка (MSE) на тестовом множестве (MSETE).

Коэффициент корреляции Пирсона р между целевым значением и выходом (COCO). Этот коэффициент измеряет, насколько хорошо выход совпадает с целевыми значениями в критических точках.

Чистый доход, полученный на тестовом множестве (NETRET) при применении простейшей однопериодной стратегии торговли (без учета транзакционных издержек). Основываясь на прогнозе дохода, который дает сеть на следующий временной интервал, инвестор занимает длинную или короткую позицию по акциям Филипс и через 15 минут закрывает ее. Затем очередной прогноз сети опять укажет ему, занять ли длинную или короткую позицию, которая будет закрыта через 30 минут и т.д. Итоговый чистый результат может служить мерой точности прогноза, учитывающей направление и абсолютную величину.

ALLNET дает лучшие, по сравнению с регрессией, результаты в смысле MSE и оценки чистого дохода. Однако это не говорит о ее качественном превосходстве в прогнозиро'вании перед линейной моделью.

Образец ALLNET Регрессия (435 записей)

MSETE 0.052 0.077

COCO 2.0% 2.3%

NETRET -0.34% -0.46%

Предполагая, что адаптивно обученная сеть может дать лучшие результаты, мы применили метод обучения при помощи движущегося окна. Для удобства сеть АЕЕЖТ повторно обучалась 100 раз, что дало в результате 404 прогноза (вместо 435). На выходе эта сеть (\VINNET) уже не давала понижающего тренда, и это подтвердило наши представления о том, что метод адаптивного обучения имеет преимущество перед статическим обучением, использованным в АШ1ЕТ.

Как мы и ожидали, \VINNET показала лучшие результаты по всем трем критериям. При этом нужно учесть, что значения пересчитаны так, чтобы учесть меньший объем тестовых данных.

Образец WINNET ALLNET Регрессия (404 записи)

MSETE 0.009 0.05 0.069

COCO 1.31% 0.8% 0.46%

NETRET 1.94% -1.11% -1.31%

J I I I I I I I I I

— OS

1.00 г

0.80 -

0.60

0.40

0.20 -

о

е-

vo <в

н §

<в 3

8* в

SJ

о к

ЕС о X о ЕС

0.00 -

-0.20

іл

ГЧ

іл

ГЧ і OS

00 о

ГЧ ГГ1

OS

ГЧ

1Л oo

1Л

vo OS

J L

іл vo

Щу ' "У

Jjli.

04 2J

Число 15-минутных интервалов

ALLNET

WINNET

Регрессия

Целевое значение

Рис. 5.3. Целевые значения (перемасштабированные) в сравнении с прогнозами сетей АЬЬЫЕТ и \VINNET

Если говорить о всем тестовом множестве, то обе сети дают лучшие результаты, чем регрессионный анализ. Это неудивительно, поскольку сети способны улавливать нелинейности, содержащиеся в данных. Далее, адаптивная сеть (WINNET) лучше оценивает будущие доходы, чем простая (ALLNET), потому что она может прогнозировать как положительные, так и отрицательные доходы. ALLNET и регрессия дают разные результаты из-за разного числа степеней свободы, и это привносит некоторые нюансы в расстановку победителей на пьедестале почета. Так, регрессия дает несколько лучшие, по сравнению с обеими сетями, результаты для первых трех торговых дней в смысле корреляции и MSE, но не по полученному чистому доходу. Нужно помнить при этом, что качество прогноза по методу регрессии падает после первых трех дней.