16
1 5. Basic strategy for trend prediction 5.1 Feature extraction feature extraction: raw input data 를 input/target 를를를 를를 pattern: input/target 쌍 -> 쌍쌍쌍 쌍쌍 cf. handwritings market data 를 를를 를를 를를를 를를를 the upper/lower bound is unknown : non- stationary must deal with uncertainty 쌍쌍 / 쌍쌍쌍 쌍쌍 쌍쌍쌍 쌍쌍쌍 쌍쌍쌍쌍 쌍쌍쌍 쌍쌍 를를를 dynamic range linear normalization

5. Basic strategy for trend prediction 5.1 Feature extraction

  • Upload
    yank

  • View
    44

  • Download
    0

Embed Size (px)

DESCRIPTION

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 - PowerPoint PPT Presentation

Citation preview

Page 1: 5. Basic strategy for trend prediction 5.1  Feature extraction

1

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• 현재 / 미래의 시장 상황을 정확히 표현하는 패턴이 필요

해결안– dynamic range– linear normalization

Page 2: 5. Basic strategy for trend prediction 5.1  Feature extraction

2

linear normalization approach

– xj : j 일 전 대비 현재일 (i ) 종가의 변화 정도 (-1 에서 1 사이 )

• 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

Page 3: 5. Basic strategy for trend prediction 5.1  Feature extraction

3

example– P=12, A=4(analysis window size)

Page 4: 5. Basic strategy for trend prediction 5.1  Feature extraction

4

: price change, /ci : rate of change

– P-A : 실제 학습 패턴의 수

Page 5: 5. Basic strategy for trend prediction 5.1  Feature extraction

5

Page 6: 5. Basic strategy for trend prediction 5.1  Feature extraction

6

target 의 결정– ideal signal by percent change technique

• 가격이 % 이상 오르면 , 최저가일이 ideal buy signal: di = 0.05 (sell signal 에 대해서는 di=0.95)

Page 7: 5. Basic strategy for trend prediction 5.1  Feature extraction

7

– ideal signal 이 없는 날의 target

Page 8: 5. Basic strategy for trend prediction 5.1  Feature extraction

8

5.2 Neural net configuration 결정할 사항

– 입력 neuron 수 , 출력 neuron 수– hidden layer 수– 각 hidden layer 의 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

Page 9: 5. Basic strategy for trend prediction 5.1  Feature extraction

9

– hidden layer 의 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 pattern 의 비율 )

(=0.5 의 경우 , B=10)

Page 10: 5. Basic strategy for trend prediction 5.1  Feature extraction

10

Page 11: 5. Basic strategy for trend prediction 5.1  Feature extraction

11

5.3 Training the net 학습을 위한 3 가지 데이터 집합

– training set• net 의 weight 를 학습

– parameter set• 신경망 출력의 해석을 위한 임계치 (threshold) 들을 구함

– test set• trading system 의 효용성 검증

학습 시 고려사항– 종결 조건 : tss error 가 error threshold 이하면 중단 , ...– noise level

• conflict: 동일한 입력 패턴의 서로 다른 목표값 (target)• noise level 이 높으면 error threshold 를 낮게하거나 ,

자질 추출 단계를 개선해야 한다

Page 12: 5. Basic strategy for trend prediction 5.1  Feature extraction

12

5.4 Signal generation parameter set 으로부터 2 개의 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)

Page 13: 5. Basic strategy for trend prediction 5.1  Feature extraction

13

Page 14: 5. Basic strategy for trend prediction 5.1  Feature extraction

14

상대 이익 (relative profit)– profit 과 maxdraw 를 모두 고려

• MI : 최소 투자금 (minimum investment)• 1.5 = 1 + 0.5

( 1 : 투자 시작 직후에 maxdraw 가 생겨도 투자 지속 )

0.5 : 실제 상황에서의 돌발적 손실에 대비한 여분 )• BNAV (beginning net asset value)

: 초기 순 자산의 권장량

Page 15: 5. Basic strategy for trend prediction 5.1  Feature extraction

15

Page 16: 5. Basic strategy for trend prediction 5.1  Feature extraction

16

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

%4.14)21775$5.1(15000$

1006925$%

rprofit