Построение нейронных торговых систем от фактов до walk-forward

Сначала задайте процедуру

Нейронная торговая процедура задаётся пятью конструкционными решениями: объектом прогноза, требованиями к входам, типом сети, а также размером и структурой системы. Эти решения определяют, что сеть должна выдавать, какие ряды ей разрешено видеть, как устроены слои и насколько велика система.

Процедуру можно настроить на выдачу одного из четырёх видов выхода: классификацию, паттерн, вещественные уровни или результат оптимизации.

Постройте схему фактов

Входы могут смешивать технические и фундаментальные ряды. По-видимому периферийные ряды всё равно можно оставлять, потому что ожидается, что обучение отсортирует релевантность. Предварительная обработка этих входов в относительные формы — осцилляторы, моментум и отношения — считается необходимой, чтобы связи были явными, а не оставленными сети для изобретения.

Факт — это парная запись текущих входов по рынку и ставкам плюс более поздняя цель, которую процедура должна отобразить. Ширина входного слоя равна числу категорий данных после предобработки. Набор из двенадцати категорий рынка и ставок подразумевает двенадцать входных нейронов, и каждая пара «вход плюс цель следующей сессии» является обучающим фактом.

Задайте размер и структуру

Типичная feedforward-компоновка использует входной слой, скрытый слой и выходной слой. Информация движется только к следующему слою. Нейроны одного слоя не соединяются. Полностью связная feedforward-компоновка соединяет каждый нейрон с каждым нейроном следующего слоя.

Скрытый слой — это внутренняя стадия перекодирования, предназначенная хранить корреляции, которые не явны в сырых входах. Ёмкость скрытого слоя — это контроль обобщения. Слишком мало нейронов блокирует отображение входа в выход. Слишком много позволяет сети запоминать обучающие факты вместо извлечения признаков, что трактуется как эквивалент подгонки кривой или переоптимизации.

Ширина выходного слоя равна числу прогнозируемых категорий. Прогноз открытия, максимума, минимума и закрытия следующей сессии требует четыре выходных нейрона.

Обучайте законом обучения

Обучение с учителем предъявляет факты, затем использует закон обучения, например backpropagation, чтобы отправить ошибку назад и менять веса связей только тогда, когда прогноз не совпадает с целью. Когда все факты выучены, сеть считается устойчивой и готовой к дальнейшему тестированию.

Держите веса фиксированными в walk-forward тестировании

Walk-forward тестирование использует факты, удержанные от обучения, и не обновляет силы связей. Реальное применение точно так же подаёт дневные входы без изменений весов. Торговый файл фактов — это файл реальных входов, который соответствует схеме обучения, но опускает целевые паттерны, присутствующие в обучающем файле.