Investeringer Analyse-A New Approach

erefter en diskussion af valget af variabler og parametre. Procedure formalisme Da grundlag af hele programmet er sammenligning, vi behøver blot overveje to aktier X og Y. Den forudsagte variabel er P og dens værdi s. p antages at være en funktion af et antal variabler, nummereret I til n, som kan betragtes som udgørende en vektor. Således: px = f (X), hvor X = (x1, x2 .... Xn) py = f (Y), hvor Y = (y1, y2, - - Yn.

) Den funktionel form antages at være lineær, ikke kun for trivielle på grund af enkelthed, men da binær sammenligning af variabler anvendes overalt, alle højere ordens funktion synes at være unødvendig. Således kan vi tildele et sæt af vægte: W = (w1, w2, ---, wn) til sammenligning af X og Y. (Til sammenligningsformål vægtene er normaliseret Sammenligningen af ​​X og Y initieres ved dannelse af vektoren C = X - Y. igen til sammenligningsformål wi skal være uafhængig af XI og yi dermed vektoren C1 dannes ved hjælp af en operatør O.

C1 = OC, hvor O er sådan, at C1 Med andre ord er en vektor, hvis komponenter kun har værdier 0, + 1, -1. Forudsigelsen er hvor p1 = W × S1 Derfor forudsigelse af relative resultater, afhængig som X vil gøre det bedre end, værre end eller samt Y.

programmering problem er at beregning af vægtene W, så forudsigelser kan foretages. For at gøre dette program fungerer som en læring maskine, skiftende vægte, når en forkert forudsigelse er foretaget, indtil hele af et uddannelsesprogram sekvens af diskrete tidsperioder er blevet præcist beskrevet.

Antag at bruge vægtene W en forudsigelse RT er blevet foretaget på data XT og YT dvs Antag endvidere, at forudsigelse er forkert (RT er kendt siden data er alle historiske i uddannelsen sekvens) Lad Nye vægte W1 skal beregnes således, at hvor A er en konstant parameter. Klart forudsigelsen lavet lige så længe W1 kan beregnes. Vi har, og da vægtene er normaliseret Vi kan opdele hver sum i tre dele efter som Valget af tegn afhænger af, om X er bedre eller dårligere end Y i det seneste periode. Dette giver så en algoritme til at ændre vægtene, når en forkert forudsigelse er foretaget.

Det er tydeligvis kun sætter rigtige forudsigelse ad gangen og kan meget vel (og ofte gør) kaste nogle af de tidligere forudsigelser ud, dvs. nogle forudsigelser, som var korrekt med de gamle vægte er galt med de nye vægte. Løsningen på dette er at cykle gennem historien, at sætte ret eventuelle forkerte forudsigelser, som de opstår, indtil hele historien kan forudsiges med et sæt af vægte. Fremga