Архитектура нейросети и параметры обучения

Выбор оптимальной архитектуры сети в настоящее время не имеет математического решения и производится на основе опыта и знаний. Здесь можно сказать только, что сеть должна иметь разумные размеры, а именно:

- максимальное число нейронов 30-40;

- максимальное число скрытых слоев 3-4;

- объем входных данных должен превышать в несколько раз количество нейронов.

Обычно считают, что большее число нейронов обеспечивает более качественное прогнозирование, и это является типичной ошибкой. Большой размер нейросети приводит к затруднению обучения и попаданию сети в локальные, а не в глобальные минимумы функции ошибки. Также уменьшаются обобщающие свойства сети, сеть начинает просто запоминать обучающую выборку. Такая сеть будет отлично «прогнозировать» на обучающей выборке, но на новых данных прогноз будет плохим. Чтобы избежать эффекта запоминания, объем данных должен быть достаточно большим. Например, для прогнозирования российских акций на день вперед минимальный рекомендуемый размер выборки - около 200-250 дней. [5]

Применение на практике нейросетевого моделирования для определения цены на золото в будущем периоде

    Для рассмотрения на практике нейросетевого моделирования были взяты данные с сайта Центрального банка РФ [2] о котировках валют и стоимостях драгоценных металлов за период со 2 июля 2008 года по 16 декабря 2010 года.

    В качестве входных переменных нейросети предполагаются:

1. Число, на которое  хотим знать изменение стоимости грамма золота;

2. Месяц, который поможет учесть сезонность изменений цен на золото;

3. Изменения стоимости драгоценных металлов (серебро, платина, палладий, золото) за период, предшествующий тому, на который хотим узнать изменение стоимости золота;

4. Изменения курсов доллара и евро за период, предшествующий тому, на который хотим узнать изменение стоимости золота.

В качестве выходной переменной хотим получить изменение цены на золото на следующий момент времени.