Эксперимент. 
Нейросетевой алгоритм распознавания паттернов в котировках фондовых бирж

Рассмотрена выборка в 2029 образцов из 508 индексов Shanghai Stock Exchange, которые содержали 593 продолжающихся и 1436 реверсивных паттерна, а также 4937 образцов из 155 индексов Shenzhen Stock Exchange, на том же интервале времени, где было 54 продолжающихся и 270 реверсивных паттерна, а 4613 не принадлежали ни к тому ни к другому.

Обучение НС

Испытуемая нейронная сеть НС_А допускает 7 сегментов в образце с числом признаков 8. Входные значения должны быть нормализованы по форме [-1; 1]. Каждый из 18 выходных нейронов идентифицирует отдельный паттерн, h₁ и h₂ без изменений. В таблицах 1 и 2 вторая строка характеризует соответственно архитектуру и результат тестирования НС_А.

Дискретизация признаков

Таблица 2 фиксирует недостаточную точность классификации и отзыв НС_А, что вероятно обусловлено большим разбросом признаков в образцах при ограниченном количестве обучающих образцов. Дальнейшее исследование сущности паттернов позволило предположить, что паттерн обычно определяется относительным количеством позиций стартовых и стоповых точек внутри каждого сегмента. Тогда, например, мы можем использовать 0 для определения того, что последний ниже предыдущего, 1 что последний примерно равен предыдущему, а 2 что последний выше предыдущего. Такую обработку признаков назовём дискретизацией и введём этот подход в новую модифицированную нейронную сеть НС_Б. Третья строка в таблицах 1 и 2 показывает, что применяющая дискретизацию признаков НС_Б демонстрирует существенный рост точности классификации и отзыва.