160 likes | 302 Views
5. Basic strategy for trend prediction 5.1 Feature extraction feature extraction: raw input data 를 input/target 쌍으로 변환 pattern: input/target 쌍 -> 학습의 대상 cf. handwritings market data 에 대한 자질 추출의 어려움 the upper/lower bound is unknown : non-stationary must deal with uncertainty
E N D
5. Basic strategy for trend prediction 5.1 Feature extraction • feature extraction: raw input data를 input/target 쌍으로 변환 • pattern: input/target 쌍 -> 학습의 대상 • cf. handwritings • market data에 대한 자질 추출의 어려움 • the upper/lower bound is unknown : non-stationary • must deal with uncertainty • 현재/미래의 시장 상황을 정확히 표현하는 패턴이 필요 • 해결안 • dynamic range • linear normalization
linear normalization approach • xj : j 일 전 대비 현재일(i ) 종가의 변화 정도(-1에서 1사이) • 극단값에 대해서는 절단 • : 미리 계산된 dynamic range 평가값의 벡터 • probable volatility window • j 일 동안의 종가 변화율은 대부분 +에서 사이 • P : 분석 대상이 되는 전체 날짜 수
example • P=12, A=4(analysis window size)
: price change, /ci : rate of change • P-A : 실제 학습 패턴의 수
target의 결정 • ideal signal by percent change technique • 가격이 %이상 오르면, 최저가일이 ideal buy signal : di = 0.05 (sell signal에 대해서는 di=0.95)
5.2 Neural net configuration • 결정할 사항 • 입력 neuron 수, 출력 neuron 수 • hidden layer 수 • 각 hidden layer의 neuron 수 • 본 교재에서의 기준 • 입력 neuron 수 • ideal signal 사이의 평균 날짜 수보다 큰 수 • 5 ~ 20 neurons, = 1% for ideal signal generation • 출력 neuron 수 : 1 • hidden layer 수 : 1
hidden layer의 neuron 수 • 예측 가능한 서로 다른(unique) 추세 변화 상황의 수를 결정하는 연결(weight)의 수를 결정 • 상황의 수는 학습할 패턴(예제)의 수와 밀접한 연관 ( : unique pattern의 비율) (=0.5의 경우, B=10)
5.3 Training the net • 학습을 위한 3가지 데이터 집합 • training set • net의 weight를 학습 • parameter set • 신경망 출력의 해석을 위한 임계치(threshold)들을 구함 • test set • trading system의 효용성 검증 • 학습 시 고려사항 • 종결 조건: tss error가 error threshold이하면 중단, ... • noise level • conflict: 동일한 입력 패턴의 서로다른 목표값(target) • noise level이 높으면 error threshold를 낮게하거나, 자질 추출 단계를 개선해야 한다
5.4 Signal generation • parameter set으로부터 2개의 임계치를 설정 • method 1: 너무 일찍 신호를 발생할 가능성이 있다 • method 2: 임계치에 도달한 후 방향이 바뀔 때만 신호 생성 • 최적 임계치의 조건 • profit • maxdraw: maximum drawdown • drawdown: 연쇄적인 손실(loss)의 양 • 최초의 profit peak 이후에 확정 (그림 5.6)
상대 이익 (relative profit) • profit과 maxdraw를 모두 고려 • MI : 최소 투자금 (minimum investment) • 1.5 = 1 + 0.5 ( 1 : 투자 시작 직후에 maxdraw가 생겨도 투자 지속) 0.5 : 실제 상황에서의 돌발적 손실에 대비한 여분) • BNAV (beginning net asset value) : 초기 순 자산의 권장량
5.5 Walk-forward testing • 유용성에 대한 최종적인 검증 • 학습이나 인자 설정에서 경험하지 않은 기간의 데이터 사용 • 사례 • Tmin = 0.12, Tmax = 0.87 • Profit: $6925 • Maxdraw: $21775 • annual 14.4% gain, 45.5% drawdown