Методология тестирования модели на основе обращенного Медленного %К

Модель выполняется со значением mode — 1 для получения набора фактов. Набор фактов загружается в N-TRAIN — набор для разработки нейронных сетей Scientific Consultant Services (516-696-3333), масштабируется и перетасовывается, как это необходимо при разработке нейронной сети. Затем обучается набор сетей, начиная с маленькой и кончая весьма большой; в основном это простые 3-слойные сети. Также обучаются две 4-слойные сети. Все сети тренируются до максимальной конвергентности и затем «полируются» для удаления мелких отклонений или сдвигов. Процесс «полировки» обеспечивается снижением интенсивности обучения до очень низкой и еще примерно 50 прогонами после этого.
В таблице указаны название файла, содержащего сеть, размер — число слоев и число нейронов в каждом из слоев, число связей в сети, оптимизированных при обучении (подобно количеству коэффициентов регрессии при множественной регрессии и их связи с излишней подгонкой под исторические данные), и корреляция — множественная корреляция выхода сети с его целевым значением. Скорректированные на излишнюю подгонку под входные данные значения корреляции занимают два столбца: в левом — коррекция исходя из обучения на наборе в 40 000 точек данных, в правом — исходя из 13 000 точек.
Последние строки содержат реальное количество точек данных, а также их количество, предполагаемое при расчете коррекции.
Количество точек данных, использованное при расчете коррекции коэффициентов корреляции, меньше, чем реальное их количество в наборе для обучения. Причина в повторяемости фактов, а именно в том, что факт, основанный на некоторой точке данных, с большой вероятностью будет весьма подобен факту, основанному на соседней точке. Из-за этого «эффективное» число точек данных в отношении статистически незави-
симой информации будет уступать реальному. Мы использовали два разных прореживания данных, представленных в двух столбцах. Процесс коррекции корреляций подобен процессу коррекции вероятностей множественных тестов при оптимизации: при прогонке параметра через ряд значений полученные результаты для соседних значений, скорее всего, будут подобны, что снижает эффективное количество тестов по сравнению с реальным.
<< | >>
Источник: Джеффри Оуэн Кац, Донна Л. Маккормик. Энциклопедия торговых стратегий. 2007

Еще по теме Методология тестирования модели на основе обращенного Медленного %К:

  1. Модель на обращенном во времени медленном %К
  2. Методология тестирования лунных моделей
  3. Методология тестирования модели, основанной на точке разворота
  4. Результаты торговли для модели, основанной на обращенном Медленном %К
  5. Результаты обучения для модели обращенного во времени Медленного %К
  6. Методология тестирования системы
  7. Методология тестирования
  8. Методология тестирования
  9. Методология тестирования выходов
  10. Методология тестирования