«интернаука» Научный журнал №28(157) Август 2020 г. Издается с ноября 2016 года Москва 2020 ббк 94 И73 Председатель редакционной коллегии: Еникеев Анатолий Анатольевич

Постановка эксперимента.
Для эксперимента 
были выбраны значения открытий фондового ин-
декса S&P 500 за период с 1 января 2008 года по 20 
января 2020 года, количество элементов ряда 
n=23957. Первые 2/3 данных были использованы в 
качестве обучающей и валидационной выборок. Для 
обеспечения кросс-валидации [7] данные разбива-
ются на две группы, состоящих из участков разме-
ром 2000 элементов, которые меняются между эпо-
хами в процессе обучения модели. При этом между 
участками остаются разрывы, равные размеру вход-
ного слоя модели для обеспечения их изолирован-
ности друг от друга. Оставшаяся треть данных рас-
сматривается как неизвестная и служит для 
проверки эффективности прогнозирования обучен-
ной модели. Для сходимости используется оптими-
затор Adam. 
Входной слой модели получает 100 значений, 
далее, в зависимости от конфигурации, следуют 
слои batch-normalization и dropout, затем линейный 
слой размерностью 50, активационный слой 
ReLU [8] и результирующий линейный слой для 

---

Журнал «Интернаука» 
№ 28 (157), 2020 г. 
6 
получения единственного прогнозируемого значе-
ния на 1 элемент вперёд. Прогноз строится для каж-
дого значения из тестовой выборки, за исключением 
первых 100. Общее число спрогнозированных зна-
чений в каждом случае 6912 элементов. 
Для проверки эффективности применения слоёв 
batch-normalization и dropout были собраны резуль-
таты 30 попыток обучения для каждой конфигура-
ции: 

без модификаций; 

с использованием dropout при p=0.5; 

с использованием dropout при p=0.2; 

с использованием слоя batch-normalization; 

с использованием слоёв dropout при p=0.5 и 
batch-normalization; 

с использованием слоёв dropout при p=0.2 и 
batch-normalization; 
Ряд отклонений был приведён в вид процентно-
го отношения отклонения от разброса значений ряда 
целевых значений: 
𝑑
𝑗𝑖
=
𝑙
𝑗𝑖
(𝑚𝑎𝑥(𝑡)−𝑚𝑖𝑛(𝑡))
∗ 100%
(1) 
где: 
𝑑
𝑗𝑖
– величина отклонения 
i
-го элемента в 
j
-
й попытке обучения в % от разброса значений ряда; 
𝑙
𝑗𝑖 
– 
i
-e абсолютное значение ряда остатков в 
j
-й 
попытке обучения; 
𝑡
– ряд целевых значений. 
После для каждой конфигурации были рассчи-
таны средние значения отклонений по результатам 
30 попыток обучения: 
𝐸
𝑖
=
1
𝑘
∑
𝑑
𝑗𝑖
𝑘
𝑗=1
(2) 
где: 
𝐸
𝑖
– 
i
-е усреднённый процент отклонения 
ряда остатков; 
𝑘 = 30
– количество попыток обучения.