Что касается методов прогноза, то здесь наблюдается ярко выраженная поляризация подходов: либо методы катастрофически просты, либо настолько сложны и требовательны к ресурсам, что их практическое использование для трейдера затруднительно.
К первым относятся привычные методы экстраполяции, а ко вторым – модели, созданные на основе нейронных сетей или нечеткой логики. Эти две большие
области сами по себе имеют много тонких нюансов и настроек, установить которые адекватно решаемой задаче под силу только узким специалистам.
Так, немаловажную роль играет способ формирования обучающего множества. Существует проблема с выбором идеального момента, когда нужно остановить обучение.
Особенностью адаптивных систем является самообучение, или способность подстраивать свои внутренние параметры под динамику прогнозируемого ряда. Обучение может проводиться «без учителя» и «с учителем»: в первом случае изменение параметров модели происходит в соответствии с внутренним алгоритмом, заложенным в модель, а во втором случае нужно явное указание, какое изменение лучше или хуже.
Часто в качестве «мнения учителя» выступает величина ошибки прогноза, называемая целевой функцией, и цель обучения – настроить параметры таким образом,
чтобы она была минимальна. Множество данных, на котором происходит минимизация, называется тренировочным или обучающим множеством. При таком способе обучения возникает одна очень серьезная проблема – overfitting.
Явление это связано со случайным выбором самого тренировочного множества. Сначала, при первых шагах обучения, модель начинает улавливать искомую зависимость, что приводит к уменьшению ошибки – целевой функции. Однако при дальнейшем обучении, стремясь уменьшить ошибку, параметры подстраиваются
под особенности наблюдаемого тренировочного множества. При этом модель уже описывает не закономерность динамики значений ряда, а особенности конкретного его подмножества, выбранного в качестве тренировочного множества. Естественно, с понижением точности реального прогноза (вне тренировочного множества).
Предлагаемые системы не дают ответа и на вопросы о количестве используемых для обучения каналов, объеме данных, необходимых по каждому каналу, а также о принципиальной предсказуемости того или иного ценового ряда.
Стоит ли, в контексте предсказуемости, связываться с конкретной акцией или нет?
Эффективность применения сложных систем прогноза определяется уровнем решения всех проблем настройки, а это, в свою очередь, определяется квалификацией пользователя.
