Построение прогнозов с учителем на скользящих средних

Зачем обучаемое отображение

Когда есть много парных примеров, но отображение упорядоченных рыночных наблюдений в целевую величину задано плохо, обучаемая сеть предлагается как альтернатива явному алгоритму — для распознавания образов и фильтрации шума. Та же конструкция описывается как способ моделировать упорядоченные финансовые ряды и выдавать нанесённый на график прогноз из демонстрационного симулятора.

Конструкция описывается как адаптивная и массивно параллельная: входы и выходы взаимно сопоставляются в поисках связей, а обучение идёт по данным, а не записывается как фиксированные программные правила.

От скользящей средней к обрабатывающему элементу

Равновзвешенная скользящая средняя последних N цен становится взвешенной скользящей средней, когда каждый коэффициент 1/N заменяется собственным весом. Эта взвешенная сумма рассматривается как полносвязный входной каскад одного обрабатывающего элемента.

К этой взвешенной сумме применяется передаточная функция. Сигмоидная форма используется как мягко насыщающее отображение на единичный интервал и возвращает асимптотические границы, когда сырой вход вышел бы за пределы.

Обучение с учителем на фиксированном окне

Обучение с учителем на ценовую цель на пять периодов вперёд использует окно из десяти входов. При тридцати периодах истории, индексированных так, что последний бар равен нулю, входы P(-29) по P(-20) корректируются относительно позднее наблюдаемой цены P(-15).

Коррекция весов может использовать хеббовское пороговое обновление, правило least-mean-square, которое умножает ошибку сигнала на коэффициент скорости обучения и необязательный momentum, или обобщённое дельта-правило, которое относит долю этой ошибки к более ранним слоям.

Необученная базовая линия на той же задаче

Обученный прогноз распознавания образов конструируется так, чтобы его сверяли с явными базовыми линиями скользящих средних на той же недельной задаче тренда close-to-close, включая четырёхнедельные и десятинедельные средние.