안드레이 딕 : 나는 - 단순화, 일반화, 그리고 당신이 - 복잡하고 세부적인 것이 필요하다고 말합니다.
이것은 매우 자주 수행되는 방법입니다. Akaika와 같은 정보 기준이 사용됩니다.
의미는 이것입니다.
모델의 복잡성은 불이익을 받습니다. 최적화의 결과 가장 정확하지는 않지만 더 간단한 모델이 선택됩니다.
이제 예를 들어보겠습니다.
H1에서 5,000 EURUSD 이상의 막대 샘플을 가져옵니다. 랜덤 포레스트를 구축합니다. 최대 트리 수 = 500으로 설정했습니다. 트리 수에 따른 피팅 오차 그래프를 봅니다. 100개의 트리 후에 피팅 오류가 거의 변경되지 않는 것으로 나타났습니다. 또한 표본을 증가시킨다고 해서 트리 수가 증가하는 것은 아닙니다. 그리고 나무는 원하는 패턴입니다. 저것들. H1의 EURUSD 쌍에는 약 100개의 패턴이 있습니다. 그러나 거의 항상 모델이 재학습됩니다.
모델을 조잡하게 만들고 최대 트리 수(예: 10)를 가져와 근본적으로 줄이면 과적합과의 싸움에 도움이 될 수 있습니다.
3. 네트워크가 이력의 패턴을 인식하는 것 외에도 현재 순간에 매개변수 값의 변화의 특정 특성을 "학습"하고 이에 대응할 수 있습니까?
(예를 들어, 급격한 기복이 있는 상승 또는 부드러운 하강).
현재 파라미터 값의 변화 특성을 네트워크에서 인식하지 못하는 것 같은데...거의 없습니다.
그리고 그것은 예측을 위해 유망해 보입니다. 결국, 나중에 예측하기 위해 이러한 변경의 전환을 기억하는 것으로 충분할 것입니다.
시장에 비상 상황이 있었고 가격이 급등했다고 가정해 보겠습니다. 또는 사람의 얼굴에 대해 훈련된 신경망은 여러 색상의 안경 이미지를 입력으로 받습니다. 뉴런은 과도하게 흥분되어 출력 신호가 S자형의 왼쪽이나 오른쪽으로 갑니다. 그리고 이것은 국회의 결과에서 우리가 예측할 수 없지만 매우 강력한 신호를 얻는다는 것을 의미합니다.
훈련 샘플에 이러한 이상치가 있는 경우(예: 모든 데이터의 1%), 역전파 알고리즘은 모든 가중치를 "흔들"하는 반면 신경망은 아무것도 "학습"할 시간이 없지만 성능은 다음과 같이 악화됩니다. "정상" 데이터의 99%.
NN을 비현실적인 요구 사항의 프레임워크로 "이동"하지 않고 "비정상적" 입력 데이터로부터 스스로를 보호하는 방법을 가르치는 것이 훨씬 좋습니다. 그리고 여기에 IMHO, 두 가지 조치 옵션이 있습니다.
1. 시그모이드 대신 가우스 곡선 형태의 활성화 함수를 사용하여 뉴런의 하나 이상의 레이어를 입력합니다. 이러한 뉴런은 제한된 입력 값 범위에서 1에 가까운 결과를 생성하고 나머지 숫자 축에서 0에 가까운 결과를 생성합니다.
2. NN 출력의 해석을 변경합니다. 일반적인 이진 해석(0 - 거래 신호 없음, 1 - 거래 신호) 대신 0 - 신호 없음, 0.5 - 신호, 1.0 - 신호 없음이 제안됩니다. 예상치 못한 가격 변동의 경우, 국회의 출력은 0 또는 1의 극단값 중 하나에 가까울 것이며 어떠한 거짓 신호도 주지 않을 것입니다.
친애하는 전문가 여러분, MO에 관한 문헌에 그러한 언급이 있으며 유용하다고 생각하십니까? 의견을 환영합니다.
나는 - 단순화, 일반화, 그리고 당신이 - 복잡하고 세부적인 것이 필요하다고 말합니다.
이것은 매우 자주 수행되는 방법입니다. Akaika와 같은 정보 기준이 사용됩니다.
의미는 이것입니다.
모델의 복잡성은 불이익을 받습니다. 최적화의 결과 가장 정확하지는 않지만 더 간단한 모델이 선택됩니다.
이제 예를 들어보겠습니다.
H1에서 5,000 EURUSD 이상의 막대 샘플을 가져옵니다. 랜덤 포레스트를 구축합니다. 최대 트리 수 = 500으로 설정했습니다. 트리 수에 따른 피팅 오차 그래프를 봅니다. 100개의 트리 후에 피팅 오류가 거의 변경되지 않는 것으로 나타났습니다. 또한 표본을 증가시킨다고 해서 트리 수가 증가하는 것은 아닙니다. 그리고 나무는 원하는 패턴입니다. 저것들. H1의 EURUSD 쌍에는 약 100개의 패턴이 있습니다. 그러나 거의 항상 모델이 재학습됩니다.
모델을 조잡하게 만들고 최대 트리 수(예: 10)를 가져와 근본적으로 줄이면 과적합과의 싸움에 도움이 될 수 있습니다.
모델을 조잡하게 만들고 최대 트리 수(예: 10)를 가져와 근본적으로 줄이면 과적합과의 싸움에 도움이 될 수 있습니다.
포리스트의 경우 재학습은 트리의 수에서 발생하지 않지만 무제한 깊이(모델 복잡성)에서 수는 분산을 줄이고 재교육은 기본입니다.
그게 내가 궁금한거야 -
1. 알고리즘 거래에서 신경망 훈련 이란 무엇입니까?
2. 훈련에 사용되는 시장 역학의 매개변수는 무엇입니까?
3. 네트워크가 이력의 패턴을 인식하는 것 외에도 현재 순간에 매개변수 값의 변화의 특정 특성을 "학습"하고 이에 대응할 수 있습니까?
(예를 들어, 급격한 기복이 있는 상승 또는 부드러운 하강).
현재 파라미터 값의 변화 특성을 네트워크에서 인식하지 못하는 것 같은데...거의 없습니다.
그리고 그것은 예측을 위해 유망해 보입니다. 결국, 나중에 예측하려면 이러한 변화의 전환을 기억하는 것으로 충분할 것입니다.
이 모든 것이 다시 동전 50에서 50으로 귀결됩니다. 시간 낭비입니다.
아니요, 나이가 적습니다. 간단히 말해서 , MO의 도움으로 "직관"을 포함하여 다른 어떤 방법보다 훨씬 더 많은 것을 추출할 수 있습니다 . 시장에는 패턴이 있습니다. MO의 도움으로 이를 추출하는 것이 가장 효율적입니다.
어제 슬픔이 반으로 0.69(0.68999) 뚫렸습니다. 모두 충분히 놀았습니다.
시원한!
단, 0.69는 표준 수단으로만 긁을 수 있는 벽이라는 점은 인정하셔야 합니다. 신경망의 깊이도 아니고 숲속의 나무의 수도 아닌 것 같고, 0.6 이하는 약간의 비법이 있는 것 같습니다. 우리가 알지 못하며 이것은 실제로 빵을 긴장시키지 않도록 동기를 부여합니다))
시원한!
그러나 0.69에 동의합니다.
그리고 이 숫자는 무엇입니까? 어디서 볼 수 있나요?
저는 MO와 아주 간접적인 관계가 있는 사람으로서 토론에 간섭하지는 않지만 제 "종탑"에서 제 의견을 표명할 수 있도록 하겠습니다.
일반적인 다층 신경망은 뉴런으로 구성됩니다. 뉴런의 활성화 함수는 -1에서 1로(또는 0에서 1로) 증가하는 단조 함수입니다. 입력에서 최소값을 사용하여 이 함수는 최대값(최대값)과 함께 최소 결과를 생성합니다.
N차원 공간의 일부 영역(입력 데이터 클라우드)에 N개의 입력이 있는 신경망을 훈련하고 있습니다. 신경망은 이 클라우드 외부에 있는 데이터로 무엇을 해야 할지 모릅니다. 그러나 우리는 이 데이터를 그녀의 입력에 제공하고 그녀로부터 어떤 결과를 기대합니다.
헤헤. 당신이 얼마나 잘못.
종이 안경은 신경망에 대한 완벽한 위장으로 밝혀졌습니다.
피터 코노우 :
3. 네트워크가 이력의 패턴을 인식하는 것 외에도 현재 순간에 매개변수 값의 변화의 특정 특성을 "학습"하고 이에 대응할 수 있습니까?
(예를 들어, 급격한 기복이 있는 상승 또는 부드러운 하강).
현재 파라미터 값의 변화 특성을 네트워크에서 인식하지 못하는 것 같은데...거의 없습니다.
그리고 그것은 예측을 위해 유망해 보입니다. 결국, 나중에 예측하기 위해 이러한 변경의 전환을 기억하는 것으로 충분할 것입니다.
시장에 비상 상황이 있었고 가격이 급등했다고 가정해 보겠습니다. 또는 사람의 얼굴에 대해 훈련된 신경망은 여러 색상의 안경 이미지를 입력으로 받습니다. 뉴런은 과도하게 흥분되어 출력 신호가 S자형의 왼쪽이나 오른쪽으로 갑니다. 그리고 이것은 국회의 결과에서 우리가 예측할 수 없지만 매우 강력한 신호를 얻는다는 것을 의미합니다.
훈련 샘플에 이러한 이상치가 있는 경우(예: 모든 데이터의 1%), 역전파 알고리즘은 모든 가중치를 "흔들"하는 반면 신경망은 아무것도 "학습"할 시간이 없지만 성능은 다음과 같이 악화됩니다. "정상" 데이터의 99%.
NN을 비현실적인 요구 사항의 프레임워크로 "이동"하지 않고 "비정상적" 입력 데이터로부터 스스로를 보호하는 방법을 가르치는 것이 훨씬 좋습니다. 그리고 여기에 IMHO, 두 가지 조치 옵션이 있습니다.
1. 시그모이드 대신 가우스 곡선 형태의 활성화 함수를 사용하여 뉴런의 하나 이상의 레이어를 입력합니다. 이러한 뉴런은 제한된 입력 값 범위에서 1에 가까운 결과를 생성하고 나머지 숫자 축에서 0에 가까운 결과를 생성합니다.
2. NN 출력의 해석을 변경합니다. 일반적인 이진 해석(0 - 거래 신호 없음, 1 - 거래 신호) 대신 0 - 신호 없음, 0.5 - 신호, 1.0 - 신호 없음이 제안됩니다. 예상치 못한 가격 변동의 경우, 국회의 출력은 0 또는 1의 극단값 중 하나에 가까울 것이며 어떠한 거짓 신호도 주지 않을 것입니다.
친애하는 전문가 여러분, MO에 관한 문헌에 그러한 언급이 있으며 유용하다고 생각하십니까? 의견을 환영합니다.