Задача прогнозирования с использованием технологии нейровычислений
В последнее десятилетие наблюдался устойчивый рост популярности технического анализа - набора эмпирических правил, основанных на различных индикаторах поведения рынка. Технический анализ сосредотачивается на индивидуальном поведении данного финансового инструмента, вне его связи с остальными инструментами. Однако современные финансовые рынки меняются очень быстро, и технический анализ уже не позволяет в полной мере охватить основные характеристики рынка. Это порождает необходимость поиска других, более современных подходов к анализу финансового рынка. Подход к техническому анализу с привлечением технологии нейронных сетей завоевывает с начала 90-х годов все больше сторонников, так как он обладает рядом неоспоримых достоинств.
Во-первых, нейросетевой анализ не предполагает никаких ограничений на характер входной информации. Это могут быть как индикаторы данного временного ряда, так и сведения о поведении других рыночных инструментов. Вот почему нейросети активно используют именно институциональные инвесторы (например, крупные пенсионные фонды), работающие с большими портфелями, для которых особенно важны корреляции между различными рынками.
Во-вторых, в отличие от теханализа, основанного на общих рекомендациях, нейросети способны находить оптимальные для данного инструмента индикаторы и строить по ним оптимальную для данного ряда стратегию предсказания. Более того, эти стратегии могут быть адаптивны, меняясь вместе с рынком, что особенно важно для молодых активно развивающихся рынков, в частности, российского.
На постановку задачи прогнозирования временных рядов дополнительные условия накладывает выбор архитектуры ИНС. Нейронные сети класса «многослойные перцептроны» являются основной «рабочей архитектурой» современной теории нейровычислений. Подавляющее большинство приложений связано именно с применением такого типа ИНС. Как правило, используются сети, состоящие из последовательных слоев нейронов. Хотя любую сеть без обратных связей можно представить в виде последовательных слоев, именно наличие многих нейронов в каждом слое позволяет существенно ускорить вычисления, используя матричные ускорители.
В немалой степени популярность персептронов обусловлена широким кругом доступных им задач. В общем виде они решают задачу аппроксимации многомерных функций, т.е. построения многомерного отображения F: xÞy, обобщающего заданный набор примеров {xt, yt}.
В зависимости от типа выходных переменных (тип входных не имеет решающего значения), аппроксимация функций может принимать вид: классификации (дискретный набор выходных значений), или регрессии (непрерывные выходные значения). Многие практические задачи распознавания образов, фильтрации шумов, предсказания временных рядов и др. сводится к этим базовым постановкам.
Задача прогнозирования финансовых рынков с использованием ИНС может быть сведена как к задаче классификации, так и к задаче аппроксимации. Например, данные о прогнозируемой переменной за некоторый промежуток времени образуют образ, класс или оценочное значение для которого определяется значением прогнозируемой переменной в некоторый момент времени за пределами данного промежутка, т.е. значением переменной через интервал прогнозирования.
Многие задачи специально сводят к задачам классификации, где результатом прогноза на ИНС является класс, к которому принадлежит переменная, а не ее конкретное значение. Формирование классов должно проводиться в зависимости от того, каковы цели прогнозирования. Общий подход состоит в том, что область определения прогнозируемой переменной разбивается на классы в соответствии с необходимой точностью прогнозирования. Классы могут представлять качественный или численный взгляд на изменение переменной.
