Лаговые трендовые фильтры для входов нейронной сети

Почему сетям нужны согласованные фильтры

Механические системы и системы на нейронных сетях чувствительнее к мелким несогласованным изменениям отфильтрованных входов, чем дискреционное использование тех же индикаторов. Входам нейронной сети нужны согласованные отклики фильтра на сходные паттерны, особенно когда обучающая выборка достаточно мала, чтобы модель могла запомнить историю вместо обобщения.

Рыночные ценовые ряды содержат широкий набор частот, поэтому сырые цены труднее интерпретировать в частотной области, чем более простые природные сигналы, и выигрывают от фильтрации.

Как трендовые фильтры и сглаживатели перестраивают ряд

Трендовый фильтр выделяет более медленные компоненты цены, чтобы модель могла трактовать оставшуюся вариацию как вход прогноза, а не как сырой шум. Дифференцирование — это высокочастотный трендовый фильтр, который убирает медленное нестационарное движение и оставляет вариацию, но итоговый спектр все равно может выглядеть шумным.

Скользящая средняя — это низкочастотный сглаживатель, который сохраняет более медленную вариацию и отсекает более быстрые колебания ценой лага в отфильтрованном ряде. Низкочастотный фильтр в стиле скользящей средней сохраняет компоненты ниже частотного порога. Высокочастотный фильтр делает обратное. Полосовой фильтр сохраняет только выбранную полосу.

Фильтр Калмана — это рекурсивный оценщик, который обновляет прогноз состояния по последовательным наблюдениям. Здесь он используется как количественная альтернатива простому сглаживанию на этапе препроцессинга.

Почему лаг может оставаться в препроцессоре

Не существует идеального цифрового фильтра, который одновременно пропускает нужные частоты, блокирует остальные, остается устойчивым и не имеет лага. Конструкции со снижением лага, которые реагируют на недавнюю ошибку или прогнозируют недавние точки, могут делать выходы фильтра несогласованными на сходных паттернах.

Лаговые скользящие средние и другие лаговые трендовые фильтры надежнее реагируют на сходные события, чем сглаживатели с нулевым лагом, которые дают утечку частоты или сдвигают фазу. Нейронную сеть можно обучить отображать лаговые выходы фильтра на цель с меньшим лагом, поэтому разработчикам не нужно принуждать сам препроцессор быть с нулевым лагом.