由于其编程设施,易用性以及处理庞大数据集的能力,McNelis选择在Matlab中工作。至于方法论,他认为他将通过结合线性模型和神经网络分析来实现更准确的结果。他解释说,使用神经网络的优点是“估计不仅涉及数据的顺序处理,使用输入X预测输出y,而且同时并行处理,因为输入是由隐藏的几个神经元处理的输入层。”
他的分析核心是一种遗传算法,他与匹兹堡大学约翰·杜菲联合开发。在开发算法,McNelis和Duffy使用的统计和机器学习工具箱广泛。它们还使用MATLAB中的矢量化函数以更快地处理。“通过算法获得的系数”McNelis解释“,可以用作更常见的本地搜索方法的起始值。”对于他的搜索方法,他在优化工具箱中使用了非线性最小化函数。
完成数据收集后,McNelis设置为使用传统的线性模型产生最佳结果。然后,他使用该模型的输入来构建神经网络。
在定义神经网络时,Mcnelis表示他喜欢“从一个简单的网络开始,例如一个隐藏层中的三个或四个神经元。我用混合方法训练模型,首先使用遗传算法找到神经网络的一组系数,然后用这些系数切换到非线性梯度下降方法。“
Mcnelis使用深度学习工具箱中的前馈架构,以将输入与输出相关联。他解释说:“虽然我在各种经济应用中尝试了不同的神经网络架构,但我发现最好的是一个隐藏层的前馈模型。”他使用工具箱的日志Sigmoid激活函数用于每个神经元的隐藏层。将输入传输到隐藏层并由日志SIGMOID函数压缩。最后,将神经元作为线性组合传送到输出层。
他能够进一步增加神经网络的预测力,进一步利用一个时变的GARCH模型在1997年11月和12月在1997年12月的戏剧印度尼西亚货币下降的代理汇率风险。
他使用了电子表格链接来获取样本和采样超出样本性能。电子表格链接允许他采用样本预测并将其导入Microsoft®excel.®并计算样本外预测中的错误。然后易于将MATLAB的结果转换为演示电子表格格式。