加载中…
《通向金融王国的自由之路》 第5章选择一个有用的理念(4)
(2007-08-28 21:02:22)
标签：
证券/理财 |
分类： 经典书籍 |
我四处寻找着一个专家来为本书写关于神经系统网络这部分的内容。神经系统网络的一个问题是它们很复杂，一般都接近曲线拟合程度，并且仅是预测一个市场的价格明天是否会更高或更低就可能费掉你好大的功夫。并且还只有55%的准确率，这是很令人沮丧的一件事，特别是当我觉得用神经系统网络可以做得比这更多时。
最后，我碰巧在路易丝·门德尔松（Louis Mendelsohn) 的网页上发现了他并且对自己的所见印象非常深刻。他所写的文章（至少超过50篇）都全部在网页上列出。门德尔松远不止预测明天的价格，他实际上是以一些非常有用的方式使用了神经系统网络。因此，当他同意为本书写理念这部分章节时我非常高兴。他是一个在国际上被称颂的技术分析家、投资软件开发者和金融方面的作家。
路易丝·门德尔松：神经系统网络简介
跨市场分析和传统的单个市场技术分析的整合在2O世纪90年代及以后对有利润的交易来说是必需的。在今天，有限的单个市场聚焦必须让位于一种更广泛的分析架构，这种分析架构能够致力于当今金融市场的非线性相互依赖关系，1991 年，我首次撰写这个架构时，把它称作“协作市场分析” 。这个方法可以让交易商量度复杂的跨市场关系。评价多个相关市场对一个给定市场的同时冲击，以及度量存在于这些关系中的领先程度和落后程度。
神经系统网络是实现协作分析的一个很不错的工具，它们能用来合成迥然不同的数据并发现隐藏在背后的模式和市场间复杂的关系，神经系统网络是真实的，并且确实是有用的。事实上，它们在处理跨市场间大量数据方面能非常出色地工作，神经系统网络在金融领域中，由于其具有的量度微妙关系的能力和探察隐藏在无数相关的市场间的模式的能力而成为一个重要的数学工具。没有它，一个交易商怎么可能同时检查过去10年5个、10个或者15个相关市场的价格数据以辨明这些市场对某一特定市场的影响效果呢？
此外，通过对神经系统网络的使用，金融预测就变得可能，交易商在金融市场中就能够得到一个可以预期的，而不仅仅是回顾性的有利地位。任何人只要看一下价格图表就能够告诉你市场过去是在哪里，但真正的利润则在于正确地预测市场未来的方向！通过把神经系统网络应用到跨市场分析中，交易商就可以真正地预测金融市场，就像气象学家预测飓风可能会有的路径一样：预测永远不会100 ％正确，永远不可能。但是从在不确定的情形下做决定的立场看，它是迈向正确方向的主要一步。
要把跨市场分析包含进你的交易计划并不需要改变你的交易风格，或者停止使用工作得很有效的单个市场指标，跨市场分析可以用来增加存在的单个市场途径。
为了帮你识别单个市场分析和跨市场分析，请把你的一只手盖到一只眼睛上。突然间，你周围的视线就缩小了很多。并且你对整个环境的领悟能力也大大降低，这就是单个市场在今天的金融环境中的情形。现在把你的手移开，那么你周围的视线马上就恢复过来：这正是跨市场分析能做的：开阔你的视野。
我想粗略地介绍一下什么是神经系统网络以及怎样把它们应用到金融市场中去。这里着重要讲的是神经系统网络应用于金融预测的范例、体系结构，以及对训练和测试制度的作用。
神经系统网络通过在神经元之间传输信息来“学会”解决问题。这些神经元都是神经系统网络中的基本处理单位，一个神经系统网络一般都包含几层神经元。由网络体系结构确定需要几层神经元、每层需要多少神经元、它们是怎么联系起来的、需要使用什么样的传递函数等等。存在着无数的学习范例，包括金融分析中很流行的两个。第一个流行的范例是周期性发生的向后传播网络，它通过带有事实的指令得到暂时的信息。第二个范例是向前供给向后传播网络，它通过向后传播误差来进行训练。在这些误差中，暂时的信息通过使用一张预先处理过的数据“快照”译码成输入的数据。典型的向后传播网络体系结构如图5-7所示。这个范例在这里用来解释网络体系结构。
向后传播网络由一个输入层、一个或以上的隐藏层和一个输出层组成。输入层含有与每个独立的输入变量相关的神经元；输出层对每个将要预测的相互依靠的变量都有配套的神经元；而隐藏层则含有把输入层和输出层连接起来的隐藏神经元。各层之间一般都是完全连接的，一层中的每个神经元都与邻近层的神经元相连。
与每个输入神经元相关联的值被向前输入到第一个隐藏层的相关神经元，然后乘上一个适当的权重，加总起来，经过一个传递函数产生一个输出。来自第一个隐藏层的输出接着就要么被向前送入第二个隐藏层，要么就直接被送入只有一个隐藏层的网络的输出层。输出层的输出结果就是该网络做出的预测。
在神经系统网络的许多应用中，转化包含着对输入数据的代数的和统计的操作：在金融预测应用中，有着各种各样的用来解释市场行为的技术指标，这些指标都可用作转换的工具。预处理后的输入可能会含有差别。比例，以及开盘、最高、最低、收盘、成交量及开盘利息原始数据的移动平均等。输入层中的每个神经元都代表着一个经过预处理后的输入。
既然对于某些特定的应用来说，肯定存在一些更好的转化和统一化方法，我们就可以自己探索各种各样的方法。一旦选定了网络体系结构，并且输入的数据经过选择和预处理后，就必须选择数据事实。
事实选择事实是以一行相关的数字表示的，在这行数字里，第一个i数字与i网络输入相关，第j个数字与j网络输出相关。一堆相关的事实组合就叫做“事实集”。如果两个事实有完全相同的输入和输出值，那么就只能有一个事实被归到事实集中。一旦定义了这个事实集，在大多数金融应用中，它就会被分成一些相互排斥的训练和测试子集。
向后传播的网络以两个模式运作：一个是学习模式，网络使用来自训练集的事实，通过改变它们的权重来更改它的内在表达：另一个就是回忆模式．网络处理来自测试集的输入。并利用先前学会的表达产生相关的输出。应该把测试集对各种训练网络的相对表现用来决定哪个网络包含进金融应用中。
训练和测试一旦事实被选定后、就在训练期间把它连续地引入网络。允许网络在模拟一个问题时采用内在表达的权重，这些权重一般都初始化为一些比较小的随机分配的权重。如果初始的权重被设置成相同的值．网络可能就永远无法学习了，因为误差的改变与权重值是成比例的。每次通过训练集时，网络都对每个输出层的输出计算实际输出与理论输出之间的误差大小，然后这些误差就通过网络一层一层地向后传播，并且为了使与每个输出有关的整体误差最小化，还需要不停改变神经元之间的权重关系。
每次权重改变时，网络就在表示整体误差空间的多维表面上迈一步：在训练期间，网络就在表面上穿行，力图找到最低点或者最小误差点、权重的改变与被叫做“学习速率”的训练参数成比例，在训练过程中可以调整的其他训练参数包括温度、收入和噪音等。
有了各种训练参数、预处理方法和可以探索的体系结构的配置，就需要一个结合了测试和训练的自动的训练和测试制度。类似于遗传的运算法则和模拟退火工具。这个制度可以加速对这些参数空间的寻找过程。遗传运算法则对很多参数优化任务来说都是很有效的。在训练期间，模拟退火通过引入一个影响学习速率的变化的温度条件来使学习速率的调整自动化。温度高时，学习速率就很快，而当温度降下来时，由于网络要了结一个解决方案，学习速度就降下来。
过度训练过度训练与基于惯例的交易系统曲线拟合类似，是开发神经系统网络时必须避开的主要缺陷之一。过度训练在网络存储细微差别和训练集合的特质时发生，会减弱综合新数据的能力。当过度训练发生时，虽然网络在训练集的表现比较好，但在样本外的测试集以及之后的实际交易期间的表现就会比较差。为了避免过度训练，网络训练应被预定的间隔周期中断一下，以回忆模式继续运行测试集，并根据预定的误差标准来评估网络的业绩。然后训练再从原来的中断点开始重新进行。这个自动化的过程不停地反复，直到测试集的表现开始下降。意味着网络开始过度训练了。之后再进一步评价所有符合误差标准的中间结果。
误差统计另一个重要的网络设计决策关系到使用哪种误差统计方法进行训练和测试。一种测度方法可能是类似移动平均值的实际统计计算与网络输出之间的差别。对测试集中的每个事实都要进行这种差别的计算，然后对结果求和，并除以测试集中的事实总数，这是一种标准的误差测度方法，叫做“平均误差”。各种误差测度包括绝对值平均误差、平方和误差和均值平方根误差。选定了一个网络模型后，就需要进行周期性的再训练，利用正在进行中的研究来修改输入、输出、体系结构和测试训练过程的全部工具，以便提高网络表现和预测的正确性。
一个有效的神经网络金融预测应用的设汁是无法预料的，除非你有相当多的交易经验、编程和数学方面的专门知识，以及能够投入到这个任务上的时间。成功的神经系统网络开发是对“艺术”和“科学”两者的结合。即使是对于一群共同工作的专家来说，这种努力也是极其耗费时间和体力的。
以我的经验来说一下。1991年，我公司的研究开发部门技术预测群在进行了20世纪80年代中期开始的跨市场分析实验后，引进了跨市场分析的优势软件。为了预测市场走势、移动平均和第二天各种金融期货市场的价格，该优势软件把神经系统网络应用到了跨市场分析中。目前，交易商可以从跨市场分析受益的通货、利率市场、股票指数和能源组合有21种惯例定制优势程序，不需要我们再另外去发明车轮或者必须成为一个尖端科学家了。
2. 实际应用
被交易商广泛用来识别走势的简单移动平均。由于其数学结构而被作为一个滞后指标、几十年来这个限制都向技术分析家们提出了挑战，针对减小滞后的不断研究形成了对这个相对简单但有效的技术指标的稳定的修改。（这些在第 8 章进行了详细介绍）
移动平均启蒙移动平均使价格的波动变得平滑以展示潜在的走势方向。在一个典型的移动平均系统中，会产生一个包含有两个移动平均或者一个价格一个移动平均的交叉振子。当一个指标越过或者跌破另一个指标时，入市和离市点就得到确定。例如，交易商可能会依据道氏的5日移动平均和20日移动平均方法来确定入市和离市点。
移动平均在突破点时反应仍然比较慢，传统的移动平均系统一般在市场方向的变化发生后进入或退出交易，通常是在几天之后给你利润．但也可能把盈利交易变成亏损交易。此外，交叉系统在盘整的或者没有走势的市场中一般都会产生错误的信号，在移动平均线互相交叉因而改变买卖信号触发时造成双重损失。
移动平均值的大小可以通过系统测试进行优化以使它们配合每个市场的价格行为，并找到可以捕获该市场“突破点”的最佳交叉点以及减小滞后。另外，其他的平滑方法可以在连接移动平均线以进一步减小滞后时使用，从而使交易策略对市场中的突然变化更有响应性、这些方法包括使用价格过滤方法，或者移动平均线周围的敏感带和增加第三条移动平均线，这两者都是获利者的最初系统体系结构的一部分。其他广泛使用的方法包括 Bollinger 带和流行的4-9-18日移动平均结合。
喜欢
0
赠金笔