過度訓練 過度訓練與基於慣例的交易系統曲線擬合類似，是開發神經系統網絡時必須避開的主要缺陷之一。過度訓練在網絡存儲細微差別和訓練集合的特質時發生，會減弱綜合新數據的能力。當過度訓練發生時，雖然網絡在訓練集的表現比較好，但在樣本外的測試集以及之後的實際交易期間的表現就會比較差。為了避免過度訓練，網絡訓練應被預定的間隔週期中斷一下，以回憶模式繼續運行測試集，並根據預定的誤差標準來評估網絡的業績。然後訓練再從原來的中斷點開始重新進行。這個自動化的過程不停地反複，直到測試集的表現開始下降。意味著網絡開始過度訓練了。之後再進一步評價所有符合誤差標準的中間結果。
誤差統計 另一個重要的網絡設計決策關系到使用哪種誤差統計方法進行訓練和測試。一種測度方法可能是類似移動平均值的實際統計計算與網絡輸出之間的差別。對測試集中的每個事實都要進行這種差別的計算，然後對結果求和，並除以測試集中的事實總數，這是一種標準的誤差測度方法，叫做“平均誤差”。各種誤差測度包括絕對值平均誤差、平方和誤差和均值平方根誤差。選定了一個網絡模型後，就需要進行週期性的再訓練，利用正在進行中的研究來修改輸入、輸出、體系結構和測試訓練過程的全部工具，以便提高網絡表現和預測的正確性。
一個有效的神經網絡金融預測應用的設汁是無法預料的，除非你有相當多的交易經驗、編程和數學方面的專門知識，以及能夠投入到這個任務上的時間。成功的神經系統網絡開發是對“藝術”和“科學”兩者的結合。即使是對於一群共同工作的專家來說，這種努力也是極其耗費時間和體力的。
以我的經驗來說一下。1991年，我公司的研究開發部門技術預測群在進行了20世紀80年代中期開始的跨市場分析實驗後，引進了跨市場分析的優勢軟件。為了預測市場走勢、移動平均和第二天各種金融期貨市場的價格，該優勢軟件把神經系統網絡應用到了跨市場分析中。目前，交易商可以從跨市場分析受益的通貨、利率市場、股票指數和能源組合有21種慣例定制優勢程序，不需要我們再另外去發明車輪或者必須成為一個尖端科學家了。
2. 實際應用
被交易商廣泛用來識別走勢的簡單移動平均。由於其數學結構而被作為一個滞後指標、幾十年來這個限制都向技術分析家們提出了挑戰，針對減小滞後的不斷研究形成了對這個相對簡單但有效的技術指標的穩定的修改。（這些在第 8 章進行了詳細介紹）
移動平均啟蒙 移動平均使價格的波動變得平滑以展示潛在的走勢方向。在一個典型的移動平均系統中，會產生一個包含有兩個移動平均或者一個價格一個移動平均的交叉振子。當一個指標越過或者跌破另一個指標時，入市和離市點就得到確定。例如，交易商可能會依據道氏的5日移動平均和20日移動平均方法來確定入市和離市點。
移動平均在突破點時反應仍然比較慢，傳統的移動平均系統一般在市場方向的變化發生後進入或退出交易，通常是在幾天之後給你利潤．但也可能把盈利交易變成虧損交易。此外，交叉系統在盤整的或者沒有走勢的市場中一般都會產生錯誤的信號，在移動平均線互相交叉因而改變買賣信號觸發時造成雙重損失。
移動平均值的大小可以通過系統測試進行優化以使它們配合每個市場的價格行為，並找到可以捕獲該市場“突破點”的最佳交叉點以及減小滞後。另外，其他的平滑方法可以在連接移動平均線以進一步減小滞後時使用，從而使交易策略對市場中的突然變化更有響應性、這些方法包括使用價格過濾方法，或者移動平均線週圍的敏感帶和增加第三條移動平均線，這兩者都是獲利者的最初系統體系結構的一部分。其他廣泛使用的方法包括 Bollinger 帶和流行的4-9-18日移動平均結合。
移動平均的預測 逐漸發展起來更新取代移動平均線的所有關於簡單的移動平均方法的變更都已最大程度地接近了我們想要的結果，因為人們試圖把它們轉換成“預料的”技術指標。然而，即使是更新後的移動平均線也有一個顯著的弱點：它的假定過分簡單化，就是移動平均值在未來某個時間將會與它今天計算的值一樣。基本上說來，這比對移動平均值在未來某個時間段内的簡單預測沒有高出什麼。在這個預測中，該值被假定為與今天計算的移動平均值相等，這在真實世界的交易情形中是極不現實的。為什麼不把這個觀念再推進一步，從而能真正地預測移動平均值呢？那樣的話，它們的平滑優勢就能保留，而且它們的滞後就可以被一次性地全部消除。
相關市場 另外，通過把跨市場輸入引入神經系統網絡的設計中，移動平均預測就不受單個市場輸入的限制了。比如對中長期國債優勢程序的情形來說，移動平均預測的輸入考慮了實際中長期國債合約在它們交易最活躍期間的過去 10年中的開盤、最高、最低、收盤、成交量和開盤利息，加上確實對國庫券有相當影響的九個相關市場，即中長期國債兌現、紐約輕原油、CRB指數、德國馬克、美國美元指數、歐洲美元、紐約商品交易所的黃金、日本日元和標準普爾500指數。
既然正確識別走勢方向對交易的成功來說很關鍵，那麼走勢預洲與走勢跟蹤相比，為交易商提供了一種新的更有前途的識別走勢和方向變化的方法。並且是在它們發生的時候，而不是這個事實之後。把神經系統 網絡與跨市場分析結合後，優勢通過預測未來4天以上的移動平均進行走勢預側，為達到這個目的，優勢需要由五個分立的神經系統網絡組成。每個都針對特定的輸出變量的預測。一個神經網絡預測明天的最高點，第二個預測明天的最低點，第三個預測指示市場什麼時候將要有一個最高點和最低點的“神經指數”，第四個網絡預測兩天後一條收盤時的五日移動平均線的形狀，而第五個網絡則預測4天後一條收盤時的10日移動平均線的形狀。
移動平均預測被用來確定走勢方向，預測的最高點和最低點則被用來設定入市和離市點以及止損點。這些預測的高-低幅度與傳統的單個市場技術分析中的支撐和壓力線類似，除了優勢對每日幅度的預測是建立在神經網絡的識別能力模式與10個相關市場的跨市場分析結合的基礎上之外。
頭寸交易商利用預測的高低點來設定入市點．然後利用隨後每一天預測的高-低幅度來緊縮止損。例如，若你作了國庫券的多頭，而且預期明天市場將會繼續上漲。你可能就會設一個跟蹤止損，因為明天可能會有一小部分記號會在預測的作為支撐水平的最低點以下，這就降低了過早地由於市場中一天内的波動性而被停出場的可能性，而且仍然能在突發的市場低迷時期保住利潤。這種情形發生時，預測的最低點就被跌破了。
2/5 首頁 上一頁 1 2 3 4 5 下一頁 尾頁