Диссертация (1138079), страница 16

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 16)

Значения остальных портфелей те же,что и на рис. 23. Данные t-теста для результатов на рис. 25 (см. Приложение)подтверждают,чтопревышение доходностипортфеля,построенногопопрогнозам искусственной нейронной сети Хакена, неслучайно по отношению кдругим моделям и средние значения портфелей существенно отличаются друг отдруга.Представленные на рис. 26 данные говорят о том, что мы вновь имеем делос многомодальным распределением: первый абсолютный максимум при 10итерациях и второй локальный при 50 итерациях.

Последний представляет собойложный аттрактор и опасен, потому что у конструктора сети может возникнутьошибочное впечатление, что дальнейшее увеличение числа итераций повыситэффективность работы модели.Рис.25.Сравнительнаядинамикавиртуальногоинвестиционногопортфеля,построенного по нейросетевой модели Хакена с использованием ICA при формированиибиблиотеки контекстной информации, для прогнозирования ликвидных акций из индекса S&P500 (дневные котировки).Примечание: по горизонтальной оси отложены торговые периоды (τ), по вертикальной– величина портфеля.

Portf – портфель, построенный по нейросетевой модели спредварительной обработкой данных, Feedforward – портфель, построенный по нейросетевоймодели без предварительной обработки входных данных, Regr – портфель, построенный поавторегрессии, Market – рыночный портфель. Начальные значения портфелей равны 1.98Рис. 26.

Зависимость значений виртуального инвестиционного портфеля наконец торговой сессии от числа итераций в сети Хакена при прогнозированииликвидных акций из индекса S&P 500 (библиотека априорных знанийформировалась по ICA).Заметим, что результаты на рис. 24,26 подкрепляют утверждение, сделанноев разделе 2.2., о том, что на практике ошибка сети (в нашем случае – величинаинвестиционного портфеля) от числа итераций может быть представленадостаточносложнымифункциями,имеющимипонескольколокальныхминимумов (максимумов значений портфеля на конец торговой сессии).В целом, результаты для фондового рынка также оказались лучше, чемполученные в разделе 2.2., однако всё равно не позволяют сделать утверждение остабильном прогнозировании с помощью модели искусственной нейронной сети,в которой предварительная обработка входных данных сводится к формированиюбиблиотеки контекстной информации. В этой связи мы вынуждены искать болееэффективныеинструментыпредварительнойобработкиданныхдляпрогнозирования фондового рынка развитых стран.

На наш взгляд, возможноерешение лежит в том, чтобы формировать не статичную библиотеку контекстнойинформации в сети Хакена, но заставлять её отдельные элементы конкурироватьдруг с другом по принципу самоорганизации.99Во второй главе мы рассмотрели два важных и часто применяемых подходак предварительной обработке данных в моделях искусственных нейронных сетей– сокращение размерности данных и формирование библиотеки контекстнойинформации из эмпирического массива прошлых значений. Для их тестированиямы использовали метод главных и метод независимых компонент, которыесовмещали с искусственной нейронной сетью, обученной по методу ЛевенбергаМарквардта, и сетью Хакена.Результаты прогнозирования по реальным рыночным данным позволилисделать следующие выводы в отношении построенных моделей:-предварительнаяобработкавходныхданныхповышаеткачествопрогнозирования фондового и валютного рынка развитых стран по сравнению сискусственными нейронными сетями без обработки;- предварительная обработка входных данных, нацеленная на формированиебиблиотеки контекстной информации, приводит к более высоким результатам припрогнозировании фондового и валютного рынков развитых стран, чем снижениеразмерности;- на основании доли верно спрогнозированных знаков будущей доходностивыдвинуто предположение о том, что рассмотренные модели искусственныхнейронных сетей с предварительной обработкой данных могут фиксироватьнаибольшие абсолютные доходности в финансовых временных рядах;- при помощи построенных моделей искусственных нейронных сетей спредварительной обработкой входных данных валютный рынок поддаётся болеерезультативному прогнозированию на коротких временных интервалах (15минутные котировки), а фондовый рынок, напротив – на длинных (дневныекотировки); общие результаты применения разобранных в главе методовпредварительной обработки данных, в целом, более результативны в отношениивалютного рынка; при этом общие результаты прогнозирования финансовыхрынков (в особенности фондового) вынуждают нас искать более эффективныемеханизмы предварительной обработки данных, которые будут изучены в Главе3.100Глава 3.

Иллюзия субъективной полноты картины мира,свойственная репрезентативному инвестору, и ее воспроизведениепосредством искусственных нейронных сетей, использующихконкурентные механизмы предварительной обработки входныхданныхВтретьейпредварительнойглавеобработкимыпродолжимвходныхисследованиеданных,инструментовв основе которыхлежатконкурентные механизмы. Наша гипотеза состоит в том, что использованиемоделей искусственных нейронных сетей, где предварительная обработка данныхи обучение осуществляется на основе конкуренции и самоорганизации способноповысить качество прогнозирования финансовых рынков развитых стран посравнению с другими методами. С точки зрения принятия инвестиционныхрешений репрезентативным агентом на рынке применение конкурентныхмеханизмов означает формирование субъективно полной картины будущего (selfattribution) на основе сценарной интерпретации прошлой информации.Мы будем вводить механизмы конкуренции и самоорганизации в два этапа.Сначала это будет сделано внутри конструкции одной искусственной нейроннойсети самоорганизующихся карт, которая затем будет соединена с изучавшийся вГлаве 2 моделью Хакена.

Предложенная оригинальная модель Кохонена-Хакенабудет апробирована на реальных данных финансовых рынков.После этого будет построена новаторская роевая модель, состоящая изнескольких искусственных нейронных сетей, которые будут обучаться накластерах данных, конкурировать между собой, а затем подстраивать веса спомощью адаптивного механизма, заимствованного из самоорганизующихся карт.Построенная система также будет использована для прогнозирования фондовогоивалютногорынковразвитыхстранвкачествемеханизмапринятияинвестиционных решений репрезентативным агентом.В конце главы будут сделаны выводы относительно способностирассмотренных искусственных нейронных сетей с предварительной обработкой101входных данных прогнозировать динамику фондового и валютного рынков.

Вчастности, будет выстроена общая иерархия моделей и проанализирована ихвозможность по фиксации выбросов абсолютных приростов в финансовыхвременных рядах. Кроме этого, на основании полученных результатов будутсделаны теоретические выводы в отношении структуры и характеристикфондового и валютного рынков развитых стран, влияющих на сложностьпринятия инвестиционных решений репрезентативным агентом на рынке.3.1.

Прогнозирование финансовых рынков с помощью искусственнойнейронной сети Кохонена-Хакена, использующей конкурентную обработкувходных данныхРезультаты, полученные в Главе 2, говорят о том, что простое сокращениеразмерности входного пространства данных и формирование библиотекиконтекстной информации не позволяет добиться устойчивых результатовпрогнозирования финансовых рынков с помощью моделей искусственныхнейронных сетей, в особенности фондового рынка.Вместе с тем лучшие прогнозы сети Хакена с формированием библиотекиаприорных знаний по методу главных и методу независимых компонентподсказывают, что хранение в памяти сети важной контекстной информации изпрошлого (с её постоянной актуализацией) является верным шагом висследовании.

Недостаточная эффективность модели, предложенной разделе 2.3,может объясняться тем, что сеть Хакена не могла достаточно чёткоидентифицировать вклад каждой из компонент (главных или независимых) вреально наблюдаемый на рынке процесс. Чтобы повысить качество распознаваниярыночных состояний мы заложим в нейросетевую модель механизм, которыйбудет заставлять конкурировать между собой отдельные элементы библиотекиконтекстной информации и таким образом вычислять их оптимальные значения.Как следствие это облегчит процедуру реконструкции наблюдаемого процессавнутри сети Хакена.102Для внедрения конкурентных инструментов обработки данных мыприбегнем к принципиально другому классу искусственных нейронных сетей –самообучающимся, или самоорганизующимся, сетям.

Характеристики

Список файлов диссертации