Перед вами появится окно, которое позволит вам приступить к созданию сценария данной процедуры (Back Testing Scenario Script):

Внимательно рассмотрите это окно. Теперь мы опишем его компоненты:

Back Testing Scenario - Выходы для Neural Net (то, что мы хотим предсказать ): Для этих целей используется данное окно:

Нажмите  на кнопку  ; откроется точно такое же окно, что и в модуле Neural Net:

Оно работает точно так же, как и в Neural Net. Здесь Вы можете выбрать любой ценовой индикатор по своему желанию, и Neural Net создаст линию прогноза для этого индикатора.

Вы можете также работать и с несколькими индикаторами одновременно: 

В приведенном примере, Neural Net создаст прогностическую линию для Осциллятора и RSI.

Back Testing Scenario - Модели (Входы) для Neural Net (с чем начинаем работать или событийная основа): Чтобы определиться с событийной основой для нейросети, следует перейти в эту часть окна:

Щелкните на кнопке, откроется окно библиотеки моделей. Здесь хранятся ранее сохраненные модели, в том числе и те, поставляются вместе с программой:

Здесь следует настроить следующие параметры:

• В верхней части этого окна выберите любую модель (стандартная модель, либо созданная и сохранена ранее модель, все это - *.hyp или *.hpp файлы). Если Вы выберете пункт "Spectral NN Model", то программа вычислит циклы для загруженных ценовых данных, чтобы использовать их как входы для Neural Net. Для модуля Spectrum, используются настройки "по умолчанию". Чтобы установить выбранные варианты как настройки "по умолчанию" в окне Spectrum, щелкните кнопкой в окне Spectrum.
•   Учебный режим. Вы можете использовать все ценовые пункты перед LBC, либо Вы можете использовать только какую-то их часть (перед LBC). Наш опыт показывает, что очень часто меньшее количество ценовых пунктов обеспечивает лучшие результаты. Например, производя процедуру Back Testing для индекса Доу-Джонс, мы нашли, что обучение на 4000 ценовых барах (или 16 лет) дает худшие результаты для этой модели чем ее обучение на последних 1000 ценовых барах ( 4 года). Очень важно найти лучший учебный интервал для каждой модели. См., наши примечания по этой проблеме в конце. Вы можете также сами определить несколько учебных интервалов, вот в этих настройках: (1000,1500,2000,3000,4000 ценовых бара). Здесь Вы можете сами найти лучший учебный интервал для конкретной модели  (не забудьте нажимать на кнопку "OK").  

• Установите необходимое число шагов для обучения Neural Net . Как правило, можно воспользоваться такой формулой:
  >Число шагов=10 x Число входов

• Этот параметр регулирует количество входов в нейросеть. Обычно, данное значение считается достаточным, но Вы можете поэкспериментировать с этим параметром.

•  При выборе такого параметра, программа одновременно производит обучение нейросети и оптимизацию простой линейной модели. Можно сделать прогноз основанный только на линейной модели (установите соответствующий пункт в выпадающем меню). Однако, на наш взгляд, нейросеть дает лучшие результаты.

В качестве моделей, программа использует *.HYP и *.HPP файлы, расположенные в субдиректории \LIB . Вы можете создать эти файлы самостоятельно через редактор событийных моделей:

Back Testing Criteria - Выходы (насколько хорошо модель работает). Очень важный вопрос - как оценить работу линии прогноза.

Вы можете определить эти критерии здесь:

Щелкните кнопкой. Есть три возможных варианта, чтобы оценить работу модели:

Вы можете также определить несколько интервалов испытания: 

 (50,100,150,200 и 250 ценовых баров после LBC). Здесь Вы можете определить лучший интервал прогноза для своей модели (не забудьте нажимать на кнопку "OK").

Если Вы установите этот параметр, программа вычислит коэффициент корреляции между линией прогноза и ценой (или, если точнее, ценовым индикатором). В формуле используется % x на ценовые бары ( в нашем примере их 100) после LBC.

Если Вы выберете этот пункт, то программа проанализирует ценовые подвижки, случавшиеся в следующем ценовом пункте после LBC. Это работает хорошо, когда мы пытаемся "словить" изменения ценового тренда.

При установке этого параметра, программа ищет ценовые подвижки на некотором пространстве графика после LBC, которое рассчитывается, как некий % x на ценовые бары (100 ценовых баров в нашем примере). Здесь сравнивается текущая цена с последующими данными, точно также, как это делается и для линии прогноза. 

Для активации данного сценария, щелкните кнопкой:

Вы можете также сохранить данный сценарий в файле (щелкните на "Save"):

Когда Вы решите запустить этот сценарий вновь, следует выбрать этот пункт:

Появится окно, где Вы сможете выбрать любой файл со сценарием из списка:

Back Testing: различия и варианты

В действительности, мы можем использовать несколько различных вариантов сценариев Back Testing. Приведенный выше пример был сориентирован, главным образом, на оценку эффективности работы некоторой модели для некоей фондовой биржи.

Теперь мы продемонстрируем другие возможные варианты работы с модулем Back Testing.

Как найти лучшую модель для ценовых данных

Выберите несколько разных моделей. Как, например, это показано здесь:

Мы проверим эффективность работы одновременно трех моделей.

Выбор лучшего учебного интервала для любой модели и любых ценовых данных

Как показано на картинке, одна и та же модель выбрана нами  несколько раз подряд, но в каждом варианте использованы различные параметры NN:

Здесь мы проверяем выбранную нами динамическую модель на различных интервалах обучения: 1000, 1500, 2000, 3000 и 4000 ценовых баров перед LBC.

Нахождение лучшего прогностического интервала

Определите несколько критериев для процедуры Back Testing:

Здесь мы проверяем работу динамической модели на 50 ценовых барах после LBC (а также на 100 и 150 барах).

Нахождение лучших интервалов обучения и прогноза

Данный сценарий будет выглядеть следующим образом :

Здесь мы ищем одновременно и лучший учебный интервал и лучший интервал прогноза.

Оптимизируйте все

Кроме того, Вы можете экспериментировать с различными настройками осцилятора:

Здесь мы прогнозируем поведение нескольких различных индикаторов, применяя для данной работы две модели, и используя различные учебные интервалы.