Q: ИНС и числовые ряды (а также процессы)

[fxseminar]

Здравствуйте!

Объясните, пожалуйста, как применяют ИНС (нейросетевые алгоритмы) к числовым рядам? Конкретно - к "прогнозированию" в самом общем смысле (а не только в смысле предсказания конкретного будущего значения ряда)?

PS. Есть и (факультативная) более общая формулировка этого вопроса. Дело в том, что в практике числовой ряд как правило появляется в результате фиксации (измерения) количественной характеристики (непрерывного) ПРОЦЕССА с каким-то - выбранным исследователем - шагом по времени.

Например, если взять задачи трейдинга, то понятно, что цена в торговой системе существует в любой момент времени, в любую, образно говоря, миллисекунду. Первое отступление от непрерывности - в процессе перехода от процессов к числовым рядам - это рассмотрение "тиковых данных": когда в системе происходит (фиксируется) изменение значения цены, то в "тиковый ряд" записывается новое значение (на самом деле, по-хорошему, два значение - значение цены и значение времени) ...

Однако подход, состоящий в том, чтобы строить модели цены обязательно именно на тиковых данных является очевидно сомнительным. Всё-таки здравый смысл подсказывает, что нужно выбрать для моделирования какой-то (адекватный практической задаче) "таймфрейм". Таком образом возникают именно числовые ряды цен.

Эти ряды, во-первых, специфические - так называемые OHLC (или, скажем, HLC, если считать O=C(-1) ). Так что переход к рассмотрению "классического" числового ряда (обычно ряда C - от слова "Close") всегда является некоторым дополнительным "снижением точности" ...

А во-вторых, возникает вся тематика "фрактальности" цен, или, как минимум, сознание того, что "между" любыми двумя соседними значениями рассматриваемого нами числового ряда интересующая нас величина не была постоянна, а как-то менялась, причём, возможно, довольно значительно (с точки зрения практической задачи).

Как всю эту специфику протащить через "игольное ушко" нейросетевой парадигмы - вообще не понятно...

[Mihaylo]

Вопрос, наверное, можно даже так поставить: как инструмент для распознавания и классификации (ИНС) можно применить к задаче прогнозирования? Ну пусть тогда ИНС распознает подъем, спад, кризис и другие состояния...

Википедия писал(а):

Способности нейронной сети к прогнозированию напрямую следуют из её способности к обобщению и выделению скрытых зависимостей между входными и выходными данными. После обучения сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих значений и (или) каких-то существующих в настоящий момент факторов. Следует отметить, что прогнозирование возможно только тогда, когда предыдущие изменения действительно в какой-то степени предопределяют будущие. Например, прогнозирование котировок акций на основе котировок за прошлую неделю может оказаться успешным (а может и не оказаться), тогда как прогнозирование результатов завтрашней лотереи на основе данных за последние 50 лет почти наверняка не даст никаких результатов.

[fxseminar]

Меня, собственно, больше интересует то, как парадигма ИНС, предполагающая, что образцы на входе а) конечно-мерны (т.е. могут быть описаны конкретным не слишком большим набором числовых значений) и б) независимы друг от друга

-- может быть приспособлена к задачам, в которых "входная информация" а) вообще говоря, неограниченно-мерна ("предыстория" каждой точки ряда - это весь ряд до этой точки) и б) "образцы" не независимы, а преобразуются каждый-в-следующий сдвигом значений и добавлением одного нового.

[Mihaylo]

fxseminar в сообщении #1067341 писал(а):

"образцы" не независимы, а преобразуются каждый-в-следующий сдвигом значений и добавлением одного нового.

ИНС рано или поздно "догадается", что ей подсовывают сдвигаемые данные.

Какая действительно полезная информация содержится в предшествующих временных рядах? Ответ: временные характеристики процессов (скорость изменения цен, частота кризисов и т.п.), общий уровень цен, макротенденция роста или снижения. При этом данные последних периодов более релевантны, особенно это важно для общего уровня цен и макротенденции.

Безусловно, среди этой информации нет некоторых полезных эвристик таких как ожидание подъема или кризиса. Эти данные, грубо говоря, черпаются из газетных заголовков.

P.S. Это были рассуждения вслух.

[2w_ink]

Нейросетевая темпоральная классификация - http://gitxiv.com/posts/9hLxYvJLCu9Z9N4pK/ctc-connectionist-temporal-classification