При первой попытке применить для анализа индивидуальных рынков нейронную сеть (Katz, McCormick, ноябрь 1996) мы пришли к выводу о полной бесполезности такого подхода. Поведение некоторых из проведенных сейчас тестов вне пределов выборки немного обнадеживает по сравнению с нашим опытом исследования простых нейронных сетей.
Эти результаты, почти несомненно, обусловлены большим количеством точек данных в обучающем наборе, включающем все рынки в составе портфеля, а не какой- либо один рынок. В общем, чем больше выборка, используемая для обучения (или оптимизации), тем больше вероятность сохранения положительной эффективности вне ее пределов. Увеличить размер выборки можно, используя более старые данные, что вполне возможно для ряда включенных в наше исследование рынков. Кроме того, можно ввести в портфель дополнительные рынки, что, возможно, представляет собой оптимальный способ улучшения обучающего набора.
Принцип оптимизации состоит в том, что вероятность устойчивых результатов повышается со снижением количества параметров модели. Учитывая в чем- то положительные результаты некоторых из тестов, возможно, имеет смысл продолжать исследования с более усложненными моделями. Как вариант можно было бы улучшить предварительную обработку данных в смысле уменьшения общего числа вводов без потери важной прогностической информации — это может сделать систему очень прибыльной. При меньшем количестве вводов в сети будет меньше связей для оценки, следовательно, подгонка под кривую — важная проблема, судя по результатам и уровням усадки, — будет представлять меньшую угрозу.
