При выполнении некоторых условий нейронные сети могут использоваться в системной торговле. Критическим моментом для избежания вредной подгонки под исторические данные (в противоположность полезной оптимизации) является достижение адекватного соотношения размера выборки данных и количества свободных параметров сети.
• Подгонка под исторические данные является значительной проблемой при использовании нейронных сетей. Следует обращать внимание на любой метод, способный уменьшить общее количество свободных параметров без потери важной информации, например тщательную предварительную обработку и сжатие информации.
Для обучения нейронных сетей необходимо использовать выборки большого размера. Поэтому обучение на целом портфеле финансовых инструментов приводит к лучшим результатам, чем обучение на отдельных рынках, несмотря на потерю рыночной специфики. Один из возможных подходов — расширять количество рынков в портфеле и, по возможности, объем обучающей выборки данных. Доведя это до предела, возможно, имеет смысл обучать сеть на сотнях рынков разнообразных товаров, валют и ценных бумаг в попытке создать универсальную систему прогнозирования цен. Если в таком всемирном пространстве рынков существуют прогностически полезные модели, то такая попытка, вероятно, действительно будет оправданной.
Некоторые из рынков работают плохо даже в пределах выборки, другие удерживают прибыльность вне ее пределов, как это случалось с некоторыми моделями в предшествующих главах.
Одни рынки, следовательно, больше подходят для применения определенных методов, чем другие. Поиск подходящих рынков на основе эффективности вне пределов выборки может стать полезным подходом при разработке и использовании торговых систем на основе нейронных сетей.
