Matlab用于预测新兴市场的金融危机

Mcnelis列出了分析印度尼西亚的货币和广泛，或拟金币的月度需求，以获得13年的时间，包括危机。他需要确定分析累积大量数据的最有效的方法。他还需要降低预测数据中大幅波动的错误，例如危机高度需求的峰值，可能会产生。他知道经济学家传统使用的线性或纠错模型对于这项任务来说是足够的。

McNelis选择在Matlab中工作，因为其编程设施，易用性和处理庞大数据集的能力。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。他解释说明，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，因为输入由隐藏的几个神经元处理层。”

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。

在完成数据收集后，McNelis开始用传统的线性模型得出最好的结果。然后他使用这个模型的输入来建立神经网络。

在定义神经网络时，麦克尼利斯说他喜欢“从一个简单的网络开始，比如一个隐藏层中的三到四个神经元。”我用一种混合方法训练模型，首先使用遗传算法找到神经网络的一组系数，然后用这些系数转换为非线性梯度下降法。”

McNelis使用深度学习工具箱中的前馈体系结构来关联输入和输出。他解释说:“尽管我在各种经济应用中试验了不同的神经网络结构，但我发现最好的是带有一个隐藏层的前馈模型。”他用工具箱的对数s型激活函数对每一个神经元的隐藏层进行激活。输入被传输到隐层，并被对数s形函数压缩。最后，神经元以线性组合的形式传输到输出层。

在1997年11月和12月期间，他用一个时变的GARCH模型来代理印度尼西亚货币急剧下跌的汇率风险，从而进一步提高了神经网络的预测能力。

他使用电子表格链接来获取样本内和样本外的性能。通过电子表格链接，他可以将样本外的预测引入微软^®Excel^®并计算样本外预测的误差。然后很容易将结果从MATLAB转换为演示电子表格格式。