Hvis han ikke har noen ide om dette kjøp /salg periode så jo mindre tidsperioden det bedre, selv om dette betyr økte problemer i data-innsamling og så videre. Ingen endelig vedtak er gjort på dette punktet, siden det ikke er nødvendig for data-fil organisasjon eller selve programmet.
(4) og
(5) normalisering konstant (det vil si summen av alle vektene) er et kompromiss mellom nøyaktighet og driftstid. Jo høyere tallet er, desto bedre nøyaktighet, dvs. det er mer oppløsning mellom de enkelte vekter, men det er også økt kompleksitet i den aritmetiske involvert i vekt skiftende prosesser.
En annen effekt å merke seg er at aritmetiske avrunding på delingen kan føre til uønskede resultater (basert på direkte erfaring!), Og så konstant bør være stor nok til å komme over dette tilfredsstillende. Det ble besluttet å velge en startverdi på 100 for hver av de 10 vekter, noe som gir en konstant sum av 1000. Verdien av parameteren A tydelig påvirker tiden av læringsperioden andhistory. I andre word, siden A er en slags 'search avstand' utover minstekravet vil det synes unødvendig å søke for langt.
Dette ble imidlertid funnet ikke å være tilfelle, og den slutning er at læring tiden avhenger mer av kompleksiteten i historien blir beskrevet enn verdien av A. A er fast konstant på 100. COIN-ytelse og problemer Suksess eller fiasko av COIN avhenger veldig tungt på form av dataene som det er presentert. Hvis det er noen uoverensstemmelser i opplysningene så programmet bryter ned og gir ingen prediksjon (annet enn en vilkårlig ett med andre ord det alltid produserer noe).
Dette kan parallell i enhver læringssituasjon hvor en forstyrrelse eller inkonsekvens i miljøet har en tendens til å bli dårligere læringsprosessen eller stoppe den helt. Dette bringer oss til det jeg mener er det sentrale problemet i investeringer og porteføljeanalyse-valget av beskrivelses variabler. Med andre ord, hvilke variabler forklare bevegelsen i aksjekursene? Dette, selvfølgelig, bringer oss rett tilbake til splittelsen mellom å by