Построение walk-forward прогнозов с базовыми моделями линейной регрессии и скользящих средних

Зафиксируйте конструкцию до поиска

Линейные статистические однорыночные конструкции, которые исторически симулировали и бэктестировали рынок по его собственным прошлым ценам, описывались как господствующая техническая базовая модель предыдущего десятилетия. Задача моделирования классифицировалась как предсказание цены или тренда, поэтому кандидатные архитектуры оценивались по тому, выдают ли они будущее значение из упорядоченных наблюдений.

Редакторское прочтение: сначала запишите базовую модель линейной регрессии и рецепт lookback скользящих средних. После того как эти части зафиксированы, меняйте только ёмкость скрытого слоя внутри walk-forward holdout.

Запишите базовую модель линейной регрессии

Линейная регрессия — это явное линейное отображение упорядоченных наблюдений цены, объёма или ширины рынка в прогноз, сохраняемое как количественная базовая модель, которую более поздние нелинейные конструкции должны превзойти вне выборки. Эти линейные статистические однорыночные конструкции описывались как господствующая техническая базовая модель предыдущего десятилетия.

Прогнозной конструкции разрешалось объединять технические, межрыночные и фундаментальные ряды в одном отображении, а не ограничивать входы собственными прошлыми ценами одного рынка.

Разместите скользящие средние во входном векторе

Скользящая средняя — это сводка с фиксированным lookback упорядоченного ряда цены, объёма или открытого интереса, которая занимает одну координату входного вектора. Скользящие средние цен, объёма и открытого интереса перечислялись среди упорядоченных рядов, предъявляемых на входном слое многослойного прогнозного отображения.

Входной вектор — это набор фиксированной длины из одновременных признаков, предъявляемый как один обучающий или тестовый факт. Конструкция feedforward должна была кодировать lookback внутри каждого входного вектора, тогда как рекуррентная конструкция могла получать одно наблюдение на шаг и учиться временной зависимости из порядка предъявления.

Два проработанных прогнозных отображения

Одна проработанная конструкция отображала трёхчастный вход, разности high-low за предыдущие два дня плюс пятидневную скользящую среднюю закрытий, на медианную цену следующего дня.

Для прогноза изменения close, построенного из пятидневных скользящих средних close, high и low, схема использовала три входные единицы, одну выходную единицу и как минимум один скрытый слой.

Ищите только ёмкость скрытого слоя

Скрытый слой — это промежуточная стадия обработки, число единиц которой является выбором конструкции, находимым поиском, а не рыночным наблюдением. Число скрытых единиц рассматривалось как переменная поиска, с предлагаемым стартом между половиной и удвоенным числом входов, потому что слишком много скрытых единиц подгонялись под обучающие факты и терпели неудачу на не виденных тестовых фактах.

Эта неудача есть переобучение: лишняя скрытая ёмкость, которая воспроизводит обучающие факты и затем терпит неудачу на фактах, отложенных для теста. После каждого прямого прохода ошибка выхода отправлялась назад через слои, чтобы скорректировать веса связей, а факты использовались повторно, пока остаточная ошибка не достигала уровня, который конструктор считал приемлемым. Нулевая ошибка рассматривалась как нереалистичная для рыночных данных.

Редакторский словарь: transfer-function — это гладкое нелинейное отображение, применяемое после взвешенной суммы, чтобы построенная модель могла представлять криволинейные зависимости вход–выход.

Отбор данных, предобработка, поиск параметров обучения и процедура тестирования — все, как говорилось, контролировали, обобщается ли построенная модель, поэтому ни одна отдельная архитектурная настройка не считалась достаточной.

Оценивайте по более поздним не виденным фактам

Walk-forward-analysis — это единая проверяемая процедура, которая обучается на более раннем окне и оценивает только более поздние не виденные факты, так что правила входа, выхода и воздержания судятся вместе.

Редакторское прочтение: после того как записаны базовая модель линейной регрессии и рецепт lookback скользящих средних, меняйте только ёмкость скрытого слоя внутри этого holdout. Поиск архитектуры тогда не может повторно использовать те же факты, которыми оценивают модель.