Часть 2. Как работает математическая модель Neuro Nostra Link (NNL).  Простым языком.

Как уже было сказано (см. Часть 1 «Математическая модель Neuro Nostra Link (NNL). Пояснения»), моя модель NNL решает три задачи прогнозирования: задачу бинарной классификации (результат решения – ответ на вопрос "вырастет актив или упадет в цене"), задачу вероятностного  анализа (результат решения – интервал цен, в который с высокой вероятностью попадет прогнозируемая цена в будущем) и задачу точечного прогноза (результат – прогноз цены актива на конкретную дату в будущем). 

В основе решения указанных задач – процесс машинного обучения. В этой статье я простым языком расскажу, как это работает для тех, кто не является специалистом в области машинного обучения и алгоритмов прогнозирования.

Представьте, что перед нами поставили задачу: наблюдая за торговлей золотом на рынке, давать прогнозы стоимости золота, например, на неделю вперед. Ответ нужно предоставить в виде следующих утверждений: 

1. Золото за неделю: вырастет или упадет. 
2. Сколько будет стоить золото через неделю.

Для выполнения поставленной задачи мы привлекли 10 экспертов по золоту. Каждую неделю мы предоставляем экспертам информацию о текущей цене на золото, сколько его в целом было куплено и продано за выбранный период, какими порциями покупалось золото, как при этом торговалось серебро или какие-то похожие на золото активы и т.п. После изучения информации каждый эксперт выносит свое решение: может он дать заключение (прогноз) на неделю вперед по имеющейся у него информации или нет. Если может, то эксперт дает ответ на указанные выше два вопроса. 

Мы собираем у экспертов их мнения (если были даны ответы) и на основе полученных решений обобщаем их и выводим один общий прогноз цены на золото на неделю вперед. При этом, регулярно опрашивая экспертов и проверяя фактические результаты их прогнозов, мы создаем свой внутренний рейтинг наших экспертов: насколько каждый из них правильно дает прогнозы, частоту выдачи прогнозов, на что эксперт обращает внимание, а на что нет и т.д. 

Например, мнение эксперта, который дает прогноз каждую неделю, а точность его прогнозов составляет 65%, для нас будет более ценным, чем мнение эксперта, который всего один раз за все время дал прогноз и оказался точным.  

Примерно так работает алгоритм машинного обучения. Автор (разработчик) модели формирует набор признаков (в нашем примере - экспертов), с помощью которых проводится оценка и анализ поведения актива, чтобы в итоге сформулировать прогноз будущего поведения цены этого актива. У каждого признака (или их сочетаний) есть свой вес (рейтинг), который влияет на общую оценку. 

Моя модель NNL по такому же принципу формирует прогноз на основе поведения определенных параметров изучаемых активов, которые описывают движение цен актива, и конкретно - индекса IMOEX. Внутри модели формируется итоговое решение, которым я делюсь с читателями канала в виде зашифрованных посланий.