Walk-forward гибридные правила для межрыночных стеков прогноза

Прогнозы как информационная система

Прогнозные сети можно развернуть как информационную систему, которая выдаёт оценки цены, направления или точек разворота на следующую сессию. Оценки могут приходить из одной сети или из нескольких сетей, работающих совместно.

Независимо обученные сети могут оценивать high следующей сессии, low, краткосрочный тренд и среднесрочный тренд. Эти оценки можно читать по отдельности или использовать для взаимного подтверждения.

В иерархическом стеке прогноза оценки нижнего уровня можно передавать как входы в другую сеть, обученную только на следующей цели, например на точках разворота. Тогда каждая сеть учится одному выходу.

Гибридные правила и сигналы стояния в стороне

Сеть, обученная выдавать сигналы покупки, продажи и стояния в стороне, воспроизведёт выбранные разработчиком точки сделок, входы и предобработку. Эти сигналы не обязаны подходить под другую капитальную базу или лимит просадки.

Оверлей гибридных правил может сохранить сеть как источник прогноза и позволить отдельному набору правил генерировать фактические сигналы. Этот набор правил может работать от простых формул до полной экспертной системы, так что вход, выход и воздержание остаются явными. Сигнал стояния в стороне тогда входит в одну проверяемую процедуру, а не остаётся запоздалой добавкой.

Межрыночные наборы входов и другие решения разработки

Пример сборки охватывал иену, казначейские облигации, Eurodollar и S&P 500. Для каждой цели один набор сетей предсказывал изменение high на следующий день по внутренним входам цены, объёма и открытого интереса. Другой набор добавлял межрыночный набор входов.

Решения разработки включали парадигму feedforward back-propagation, сигмоидную функцию передачи и один скрытый слой. Для межрыночного набора по иене входы брались из Nikkei, казначейских облигаций, швейцарского франка, немецкой марки, US Dollar Index, Eurodollar и британского фунта.

Предобработка использовала разности цен, простые и экспоненциальные скользящие средние, стохастические индикаторы и межрыночные спреды. Входы обрезались за заданным порогом отклонения, а затем линейно масштабировались.

Оценки high на следующий день описывались как информация для постановки стопов и как подсказка к сопротивлению следующей сессии. Дополнительные методы поиска, такие как генетические алгоритмы, отмечались для оптимизации параметров сети, а не для замены всей процедуры.

Walk-forward holdout как решение оптимизации системы

Walk-forward holdout обучает на более раннем окне фактов и оценивает зарезервированные факты через фиксированные интервалы в ходе разработки. В архивном рабочем процессе обучение держало learning rate фиксированной, опускало momentum, оценивало несколько мер ошибки через заданные интервалы и сохраняло лучшую сеть по каждой мере через контрольную точку по статистикам ошибок.

Архитектура, входы, предобработка и настройки обучения — это решения оптимизации системы. Они принадлежат той же walk-forward процедуре, что и оверлей гибридных правил, чтобы полная система, включая поведение стояния в стороне, оставалась проверяемой.