Построение dual-net прогноза направления индекса на день вперёд

Прогноз, построенный из упорядоченных стимулов

Прогноз на основе распознавания паттернов — это количественная модель, которая сопоставляет фиксированный lookback упорядоченных рыночных наблюдений с меткой прогноза, а не дискреционное правило. Отображение строится так: упорядоченные наблюдения подаются как стимулы, внутренние силы связей подстраиваются, пока отображённый отклик не окажется приемлемо близок к выбранной цели, после чего обученное отображение применяется к невиданным входам.

Редакция: рассматривайте прогноз индекса на день вперёд как задачу конструирования. Задайте детренд, обучите два связанных распознавателя паттернов на разных признаках ряда, требуйте согласия до появления сигнала и сохраните более позднее неиспользованное окно, чтобы построенный baseline можно было сравнить с настоящим holdout.

Детрендирование до того, как отображение увидит ряд

Сырые уровни индекса — плохое представление для этой конструкции. Ряд сначала переписывается как нормализованное изменение, чтобы модель сравнивала относительные движения, а не точные цены.

Детрендирование вычитает скользящую среднюю из сырого ряда, чтобы модель видела относительные отклонения вместо абсолютных уровней цены. Рабочая предобработка вычитает 10-дневную скользящую среднюю из каждого закрытия или максимума и подаёт скользящее 10-дневное окно этих детрендированных дневных значений.

Два признака, одно правило подтверждения

Две модели разделяют это окно, но не один и тот же признак. Одна обучается на детрендированных дневных закрытиях, другая — на детрендированных дневных максимумах. Dual-net confirmation выдаёт сигнал только когда обе независимо обученные модели согласны относительно направления следующего интервала.

Цель — направление следующей сессии, закодированное как метка long-the-open/flat-the-close против метки short-the-open/flat-the-close, а не точечная оценка завтрашней цены. Отображение стимул-отклик — это выученная ассоциация между этим предобработанным входным окном и желаемой выходной меткой.

Как обучаются две сети

Обучение использует два года исторических наблюдений. Каждая сеть делает один проход по этой обучающей истории. Модель закрытий использует скорость обучения 85 процентов, модель максимумов — скорость обучения 60 процентов. Скорость обучения — это управляющий параметр обучения, который ограничивает, насколько полно новая ассоциация записывается при первом предъявлении, чтобы модель не просто запоминала шум.

Обе сети используют профиль памяти 100 процентов, поэтому более старые ассоциации не вытесняются со временем. Профиль памяти — это настройка удержания, которая решает, сохраняют ли более старые закодированные ассоциации равное влияние на более поздние отклики.

Обе сети заданы с 300 синаптическими статистиками, опцией conjugate, предназначенной для функций с отрицательным наклоном, без сигмоидальной постобработки выхода, линейным преобразованием отклика с единичным коэффициентом и сигмоидальным преобразованием неограниченных стимульных данных с единичным коэффициентом. Используется комплекснозначное кодирование, чтобы многие паттерны стимул-отклик занимали тот же сохранённый объём, что и один паттерн.

Форвардное окно после обучения

Следующие пять месяцев резервируются как форвардное окно, чтобы проверить, обобщается ли отображение. Форвардное окно — это более поздний интервал выборки, отложенный после обучения и используемый только для проверки обобщения.

Модель, обученную только на тех ассоциациях, которые ей показали, нельзя считать способной откликаться верно, если более поздние рыночные условия введут события, отсутствующие в этой входной истории.