Построение walk-forward нейросетевых торговых правил

Сеть как одна процедура

Элемент back-propagation формирует взвешенную сумму входящих значений, добавляет настраиваемый порог и применяет насыщающую передаточную функцию, например сигмоиду. Скрытые элементы располагаются между входами среды и выдаваемыми выходами. Полносвязная компоновка подаёт на каждый элемент сигналы от каждого элемента предыдущего слоя.

Конструкция рассматривает этот стек как единую механическую процедуру, чья последующая позиция — лонг, шорт или пребывание в стороне, а не как дискреционное наложение, добавленное потом.

Подгонка, отложенные случаи и перепроектирование

Во время подгонки доля расхождения между выдаваемыми значениями и заданными конструктором целевыми значениями передаётся назад для обновления весов. Отложенные пары вход–цель затем предъявляются с отключёнными обновлениями.

Если результаты reserved-set неудовлетворительны, варианты перепроектирования включают поэтапную повторную подгонку, полный перезапуск, пересмотр того, какие входы или целевые значения используются, и изменение числа элементов в каждом слое.

mechanical-signal и walk-forward-split

Одно механическое отображение трактует два выхода как индикаторы лонга и шорта. Оно занимает лонг, когда индикатор лонга превышает 0.5, и шорт, когда индикатор шорта превышает 0.5. Этот mechanical-signal — заранее заданное отображение выходов сети в лонг, шорт или отсутствие позиции, применяемое одинаково при подгонке, на отложенных случаях и на последующих живых входах.

walk-forward-split — это граница, на которой заканчивается обновление весов. Последующие случаи оцениваются с замороженными весами и без обратной передачи ошибки. В одной конструкции weekly-index после этой границы линии на графике переключаются с учебных целевых значений на замороженные выходы сети.

Целевые значения подгонки могут включать последующее движение цены, которое живая процедура видеть не может. future-knowledge-target — это целевое значение такого рода. После остановки обновления весов последующие сигналы зависят только от того, были ли схвачены исторические закономерности.

input-normalization и предварительно вычисленные ряды

Немасштабированные диапазоны цены и объёма, лежащие далеко за пределами единичного интервала, могут зафиксировать сигмоиду. Практика построения — убрать смещение уровня и перемасштабировать входы к диапазону от 0 до 1 или от -1 до 1. input-normalization — это такое центрирование и перемасштабирование, чтобы входы правил занимали чувствительную область насыщающей передаточной функции, а не фиксировали её.

Предлагается подавать на вход предварительно вычисленные ряды, такие как скользящие средние, RSI, percent R, стохастик или MACD, чтобы скрытые элементы тратили ёмкость на более широкие закономерности, а не на повторный расчёт этих величин.

Переобучение и capacity-revision

Переобучение описывается как слишком точное запоминание случаев подгонки. Это адаптивный аналог overfitting обычного набора правил: подгонка слишком точно воспроизводит учебные случаи и затем не переносится на отложенные случаи. Предлагаемые контрмеры включают более разнообразные случаи, небольшой шум при последовательных предъявлениях и отказ от раздувания размера скрытого слоя без учёта памяти и времени выполнения.

Когда результаты reserved-set неудовлетворительны, изменение числа элементов в слое — это capacity-revision. Это перепроектирование той же процедуры, а не новое дискреционное наложение.