Сравнение индивидуального и систематического вклада переменных

Достаточно широко распространено мнение, что нейронные сети не дают ничего для понимания пользователем сути проблемы и, в отличие от регрессионного анализа, который выдает ряд статистик по каждой переменной, остаются «черным ящиком».
В этой связи в данном разделе мы приводим результаты исследования факторов, влияющих на решение, которое принимает сеть. В идеале следовало бы выяснить значимость либо незначимость отдельного вклада каждой из переменных и предоставить лицу, принимающему решение, возможность самому разбивать переменные по категориям в соот-ветствии с их поведением во времени при различных обстоятельствах.
Представим себе, например, переменную, которая влияет на выход (доход по индексу курсов акций) только на одной из фаз делового цикла (скажем, при понижении конъюнктуры рынка, но не при подъеме, или же наоборот). Общий (усредненный) ее вклад может быть незначительным, и OLS-регрессия, скорее всего, квалифицирует эту переменную как несущественную. Теперь представим себе, что некоторая переменная активна во всех фазах цикла, но в разные фазы действует в разных направлениях (например, переменная, усиливающая тенденцию рынка и на его подъеме, и на спаде). Такое типично нелинейное поведение может остаться совершенно незамеченным OLS-регрессией, но MBPN-сеть, скорее всего, его уловит. Далее, предположим, что переменная активна во всех фазах делового цикла и действует в том же направлений, что и движется рынок (например, увеличивает доходы во время роста активности на рынке и уменьшает их при понижении рынка). Вероятно, и сеть, и регрессия скажут, что эта переменная значима. Итак, классификация переменных в соответствии с их вкладом (поведением) во времени может пролить свет на механизмы происхождения дохода от акций.
Коль скоро OLS-регрессия не всегда способна уловить все имеющиеся функциональные связи между независимыми и зависимыми переменными, нужно искать другие пути к пониманию поведения переменных. Мы расскажем здесь о двух интуитивных эвристических подходах. В первом из них важность переменной оценивается путем сравнения погрешности прогноза, полученного при исходной входной матрице, с погрешностью, которая получится, если значения всех переменных заменить на их средние значения.
Во втором эвристическом методе вклад отдельной переменной оценивается по степени надежности выхода сети (decisiveness). Метод работает «наперед» (ex ante), не обращаясь к реальным значениям целевой переменной или погрешности. Его недостаток состоит в том, что переменные могут быть классифицированы в соответствии с тем, поддерживают или противоречат ли они выдаваемому решению, а это решение на самом деле может быть неправильным.
Можно заметить, что во всех случаях величина погрешности чувствительна к изменениям значений переменных, и это говорит о том, что все переменные активны. В целом, по-видимому, наибольшие погрешности связаны с переменными временной структуры и премии за риск. Замена истинных значений этих переменных их средними значениями дает относительно большую ошибку прогноза. Это замечание согласуется с результатами регрессии, согласно которым обе переменные являлись высокозначимыми. Если теперь мы обратим внимание на знак погрешности, то увидим здесь для этих переменных противоположную зависимость. Большие отрицательные погрешности для одной переменной, как правило, совпадают с большими положи-тельными для другой, и это может указывать на то, что их вклады в погрешность в некоторой степени компенсируют друг друга. Поскольку все переменные прошли проверку на допустимость, мульти-коллинеарность может быть исключена (см. [115]). Что касается пе-ременных, которые по результатам регрессии были отнесены к не-значимым, — например, непредвиденная инфляция, — то они, в ос-новном, менее активны и редко дают абсолютные значения 100. Не-смотря на то, что такие переменные, как показывает регрессионный анализ, в среднем мало влияют на результат, в некоторых ситуациях они могут быть очень активными. Поскольку такая маргинальная активность не улавливается регрессией, исследование чувствительности погрешности к изменениям этих якобы малозначимых переменных может продвинуть нас в понимании того, какое влияние глобальные факторы оказывают на рынок акций.
<< | >>
Источник: Бэстенс Д.-Э.. Финансовая и страховая математика. Нейронные сети и финансовые рынки. 1997

Еще по теме Сравнение индивидуального и систематического вклада переменных:

  1. Вклад каждой из переменных по отдельности
  2. Систематическое самостоятельное обучение
  3. Вклады с периодической выплатой процентов обычно менее доходны, чем вклады с начислением процентов в конце срока.
  4. Систематическая запись
  5. систематический риск (SR)
  6. Систематической записью
  7. 25. Хронологические и систематические записи
  8. Системы гарантирования (страхования) вкладов. Создание системы страхования вкладов в России
  9. Иногда бывает проблематично подробно познакомиться с текстом договора. Для этого также подходит вклад с малой суммой. Сделал вклад с малой суммой - заключил договор
  10. Предпринимательская деятельность требует систематического принятия и исполнения обязательств, которые образуют договорную среду бизнеса
  11. 1.3.4. Задачи с булевыми переменными
  12. Переменная часть
  13. Переменная часть дохода топ-менеджера
  14. 5.1. Динамика переменных издержек
  15. Несколько переменных состояния
  16. Таким образом, чтобы во время кризиса не потерять свои накопления, не рекомендуется размещать в одном банке сумму, больше чем 700 тыс. рублей (или эквивалент в валюте) и перед размещением средств в банк важно проверить, входит ли он в систему страхования вкладов. Это можно сделать, обратившись на сайт Агентства по страхованию вкладов: http://www.asv.org.ru/guide/bank/.
  17. Постоянные и переменные издержки