назад Оглавление вперед


[Старт] [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [37] [38] [39] [40] [41] [42] [43] [44] [45] [46] [47] [48] [49] [50] [51] [52] [53] [54] [55] [56] [57] [58] [59] [60] [61] [62] [63] [64] [65] [66] [67] [68] [69] [70] [71] [72] [73] [74] [75] [76] [77] [78] [79] [ 80 ] [81] [82] [83] [84] [85] [86] [87] [88] [89]


80

новая форма нелинейной непараметрической регресии. Они многообещающи, но требуют большого внимания, поскольку методы их диагностики незрелы и неполны. Оценить эффективность нейросетевых моделей чезвычайно сложно. Это настоящий черный ящик. Входы транформируются в выходы. Распутывание того, что происходит внутри нейронной сети очень трудная задача. Тот кто интересуется более полным обсуждением проблемы может обратиться к Рефнесу (Refness 1995) и Дебоку (Deboek, 1994). В этих книгах оцениваются исследования в области нейронных сетей применительно к рынкам капитала.

Генетические алгоритмы имитируют эволюцию. Здесь опять мы используем модель, а не реальный процесс. Генетические алгоритмы могут тестировать правила и находить множество правил, которые оптимизируют конкретную целевую функцию посредством конкуренции. Только наилучшие правила (т. е. «самые приспособленные») выживают при окончательном решении. Больше того. Не только достигается преобладание сильных правил над слабыми, - генетические алгоритмы могут формировать другие правила посредством кроссовера и мутации. Это означает, что части правил могут изменяться случайным образом и складываться с целью получения смеси потенциальных правил. Два успешных правила могут быть объединены в новое правило. Если эти новые правила выживают, они могут преобладать над родительскими правилами. Кроссовер и мутация предохраняют процесс оптимизации от попадания в «локальный» максимум. Когда мы оптимизируем функцию, мы проверяем, действительно тти мы находимся на вершине горы. Например, максимум двумерной параболы есть ее пик. Однажды достигнув пика, большинство оптимизационных алгоритмов останавливаются, что должно говорить о достижении максимального уровня. В многомерных проблемах мы можем иметь много возвышенностей. Только один из них является предельным пиком, или глобальным максимумом. Однако большинство оптимизационных алгоритмов останавливаются при достижении пика, даже если он всего лишь локальный максимум. Мы не можем быть уверены в том, что это наивысший пик. Функции кроссовера и мутации выбрасывают процесс с текущей возвышенности в том случае, если не достигнут глобальный максимум. Если же это глобальный максимум, алгоритм просто поддерживается на вершине. Если этого нет, поиски проДоЛ-



Lbs Capital Manag. (Клервотер, штат Флорида) 249

жаются. Таким образом, генетический алгоритм становится эффективным методом поиска для максимизационных проблем. Однако это требует существенного количества данных. Тому, кто заинтересован в более полном обсуждении проблемы, рекомендуем прочесть Дебока (Deboek, 1994) и Бауэра (Bauer, 1994). В этих книгах рассматриваются генетические алгоритмы в применении к рынкам капитала.

Практики часто используют названные методы в комбинации. Это значит, что они создают гибридные системы. Генетические алгоритмы могут быть использованы для оптимизации нечетких правил или параметров нейронных сетей. Нечеткие правила могут определять параметры нейронной сети. Существует много комбинаций такого рода.

За пять лет, истекшие со времени первого издания этой книги, многие заявили о том, что применили эти инновации к рынкам. Остается неясным, каковы были их действительные успехи. Многие фирмы создали шумиху только для того, чтобы предать забвению тот факт, что однажды им доверили в управление деньги. В этой главе мы рассмотрим четыре фирмы, которые выглядят убедительно. По необходимости эта глава будет краткой. Как я сказал раньше, инвестиционные менеджеры не любят распространяться о своих «технологиях». Поэтому никаких секретов здесь раскрыто не будет. Я должен добавить, что не могу подтвердить данные какой-либо фирмы, названной здесь (за исключение PanAgora). Вся информация получена из опубликованных источников, однако я не гарантирую ее точности. Читатели, заинтересованные в дополнительной информации, могут связаться с этими фирмами тюпогррдстврппо.

LBS CAPITAL MANAGEMENT (КЛЕРВОТЕР, ШТАТ ФЛОРИДА)

Lbs является фирмой, которая использует нейронные сети, генетические алгоритмы и гибридные системы. Под управлением доктора Ганеш Мани (Ganesh Mani), руководителя научно-исследовательских работ, фирма предложила методику выбора времени для операций на рынках и одновременно стратегию сортировки акций. Это средних размеров инвести-Дионная фирма, в управлении которой находится 600 миллионов долларов. LBS необычна в том смысле, что она установи-•"а настоящий рекорд продолжительности жизни. Ее модель



резервирования активов восходит к 1987 г., а модель выбора акций реально работает с 1992 г. Обе стратегии, кажется, используют разные технологии.

Методика выбора времени для операций на рынках является экспертной торговой системой, использующей 260 правил и перемещения активов между акциями и наличностью. В соответствии с сообщением в Бэрронс (Laing, 1995), эта модель хорошо работала в течение восьми лет, до 1994 г., но стала ухудшать результаты в последние пять лет. Это означает, что большая часть прибыли была получена при крахе 1987 г. Однако в этой статье в Бэрронс LBS допускает, что в основном это ухудшение связано с игнорированием сигнала покупки в январе 1991 г., во время военного противостояния в Персидском заливе. Это могло бы означать, что LBS является «полуколичественной» фирмой. Она применяет количественные модели, которые отвергает по своим собственным соображениям об их несоответствии. «Истинно количественные» фирмы не отвергают свои модели, за исключением каких-либо особых обстоятельств.

LBS имеет также модель выбора акций, которая работает на нейронных сетях. Стратегия компании основывается на работе с акциями фирм, имеющих средний размер капитализации, и результаты за 1992-1994 гг. были на 3% годовых лучше показателей индекса S&S 400 Mid-Cap (один из рыночных индексов компании Standard and Poor, отражающий доходность по акциям американских компаний со средним размером капитализации). Многие могут найти это не очень впечатляющим, но я как профессиональный финансовый менеджер могу •Kcuaib, Ни хри арицента превышения в год это много при условии непрерывности.

LBS испытывает также гибридные системы. Мафолд и Мани (Mahfold, Mani, 1995) описывают стратегию выбора акций с использованием генетического алгоритма. Доктор Мафолд испытал генетический алгоритм, регулярную нейронную сеть и гибридную систему в реальном режиме времени. Гибридная система оказалась победителем.

PREDICTION COMPANY (САНТА-ФЕ, ШТАТ НЬЮ-МЕКСИКО)

Prediction Сошрапу - одна из наиболее хорошо известных инвестиционных фирм, использующих нелинейные технсшогии-

[Старт] [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [37] [38] [39] [40] [41] [42] [43] [44] [45] [46] [47] [48] [49] [50] [51] [52] [53] [54] [55] [56] [57] [58] [59] [60] [61] [62] [63] [64] [65] [66] [67] [68] [69] [70] [71] [72] [73] [74] [75] [76] [77] [78] [79] [ 80 ] [81] [82] [83] [84] [85] [86] [87] [88] [89]