Künstliche neuronale Netze. - Seite 6
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Es gibt keinen Irrsinn. Es besteht ein tiefes Verständnis für Netzwerke. Es würde zu lange dauern, dies hier darzulegen, und es hat keinen Sinn, dies zu tun. Ich werde mich daher darauf beschränken, meine Meinung kurz darzulegen. Diejenigen, die nicht einverstanden sind, können sich zu Wort melden, Beispiele nennen und sogar Renaissance-Technologien , wenn Sie wollen. Lasst uns gemeinsam lachen.
Es besteht ein tiefes Verständnis für Netzwerke. Es dauert sehr lange, sie hier aufzustellen, und es hat keinen Sinn, das zu tun.
Es gibt keinen Irrsinn. Es besteht ein tiefes Verständnis für Netzwerke. Es würde zu lange dauern, dies hier darzulegen, und es hat keinen Sinn, dies zu tun. Ich werde mich also darauf beschränken, meine Meinung kurz darzulegen. Diejenigen, die nicht einverstanden sind, können sich zu Wort melden, Beispiele nennen und sogar Renaissance-Technologien verwenden, wenn sie wollen. Lasst uns gemeinsam lachen.
Es ist wahrscheinlich unmöglich, jetzt Beispiele zu nennen, aber in der Zukunft, mit der Entwicklung des Terminals, der Programmiersprache und der Werkzeuge, wird es möglich sein, eine vollwertige KI zu entwickeln. Viele große Männer haben sich in Bezug auf den Fortschritt geirrt, einige haben ihre Meinung rechtzeitig geändert, viele sind daran gescheitert.
2 Mathematiker, 2 Physiker, 2 Neurobiologen und 2 Wirtschaftswissenschaftler
Das ist ein Teufelskreis!
Wenn wir wissen, was wir brauchen, um die NS-Eingänge zu füttern, dann ist der NS nutzlos.
Und wenn wir unsere Inputs mit Material versorgen, brauchen wir keinen NS.
Die Schlussfolgerung lautet also: Neuronale Netze sind Blödsinn? !!!! =)
Ich denke, die wirklich wichtigen Informationen sollten an die NS weitergeleitet werden:
1) die letzten Notierungen, z. B. die letzten 10-Stunden-Balken (damit NS Niveaus und Paternas erkennen kann);
2) Aktuelle Zeit (damit der NS weiß, wann er Volatilitätsspitzen zu erwarten hat, da Nachrichten und Markteröffnungen in runden Zeitwerten erfolgen);
3) Makroökonomische Indikatoren (vorzugsweise in Echtzeit, wie und von wo aus man sie in MT5 eingeben - weiß nicht);
4) Gute und schlechte Nachrichten nach verschiedenen Regionen (ich weiß nicht, wie ich das implementieren kann, ich kann das Verhältnis von guten und schlechten Nachrichten eingeben, aber ich weiß nicht, wie ich sie in MT5 einspeisen kann und von wo aus ich sie automatisch einspeisen kann, ohne dass ein Mensch eingreifen muss);
Es ist vielleicht nicht möglich, jetzt Beispiele zu geben, aber in der Zukunft, mit der Entwicklung des Terminals, der Programmiersprache, der Werkzeuge, wird es möglich sein, eine vollwertige KI zu schaffen, viele große Männer haben sich über den Fortschritt geirrt, einige haben ihre Meinung rechtzeitig geändert, viele sind daran gescheitert, also müssen wir warten, bis
(Sie werden sich nicht zusammentun und etwas wirklich Funktionierendes schaffen))), außerdem gibt es keine Garantie, dass diese neuronalen Netze nicht schon existieren, sie arbeiten wahrscheinlich im Stillen in irgendeinem TerminalDie Fortschritte bei den künstlichen neuronalen Netzen begannen 1943, und in 69 Jahren haben sie nicht einmal gelernt, Katzen von Hunden zu unterscheiden. Es gibt Bereiche, in denen sie erfolgreich eingesetzt wurden, Bereiche, in denen die Daten keine signifikante nichtlineare Transformation benötigen. Zum Beispiel die Vorhersage des Stromverbrauchs in Abhängigkeit von der Tageszeit und der Lufttemperatur. Vorhersage des BIP-Wachstums auf der Grundlage von Fabrikaufträgen, persönlichem Einkommen, Arbeitslosigkeit usw. Auf dem Markt müssen die Netze ihre Entscheidungen auf der Grundlage früherer Preise treffen. N vergangene Preise selbst als Input in das Netz zu geben, ist nicht sinnvoll, so dass es unsinnig ist, eine nicht lineare Beziehung zwischen verrauschten Daten herzustellen. Es gibt zwar Muster auf dem Markt, aber sie sind so verzerrt, dass sie selbst mit den herkömmlichen Methoden der nichtlinearen Zeit- und Preistransformation nicht erkannt werden können. Beispielsweise können aus N vergangenen Kursen die wichtigsten Momente nur ein oder zwei Segmente sein, nämlich die Segmente, in denen diese Kurse Unterstützungs- und Widerstandsniveaus oder Trendlinien erreichen oder ihre Richtung ändern. Wie sich die Preise zwischen diesen wichtigen Abschnitten bewegen, ist in den meisten Fällen nicht wichtig. Das heißt, die Dimensionalität N der Daten wird durch eine solche nichtlineare Transformation deutlich auf das 2-3fache reduziert. Das Netz selbst wird niemals lernen, eine solche nicht-lineare Preisumwandlung vorzunehmen. Es liegt an uns, dies zu tun. Aber wenn wir wissen, was wir mit den Preisen machen sollen, kennen wir die Strategie bereits im Voraus (z. B. die Aufschlüsselung der Niveaus), wozu brauchen wir dann das Netz? Wenn wir wissen, dass ein 1-2-3-Muster in einem Trend zur Fortsetzung des Trends führt, warum brauchen wir dann das Netz? Vielleicht werden die Computer in Zukunft so leistungsfähig sein, dass es neue Arten von Netzen geben wird, die biologischen Netzen ähnlicher sind (vielleicht in 20-30 Jahren).
Lesen Sie auch hier, wo die Nachteile von Netzwerken gut beschrieben sind: https://en.wikipedia.org/wiki/Neural_network
Zum Beispiel diese Passage:
Um große und effektive neuronale Netze zu implementieren, müssen viele Verarbeitungs- und Speicherressourcen bereitgestellt werden. Während das Gehirn über Hardware verfügt, die auf die Verarbeitung von Signalen durch einen Graphen von Neuronen zugeschnitten ist, kann die Simulation selbst einer stark vereinfachten Form auf Von-Neumann-Technologie einen NN-Designer dazu zwingen, viele Millionen von Datenbankzeilen für seine Verbindungen zu füllen - was enorme Mengen an Computerspeicher und Festplattenplatz verbrauchen kann. Darüber hinaus muss der Entwickler von NN-Systemen oft die Übertragung von Signalen durch viele dieser Verbindungen und die zugehörigen Neuronen simulieren, was oft mit einem unglaublichen Aufwand an Rechenleistung und Zeit verbunden ist. Neuronale Netze führen zwar häufig zu effektiven Programmen, aber zu oft auf Kosten der Effizienz (sie verbrauchen in der Regel viel Zeit und Geld).
Es ist wahrscheinlich unmöglich, jetzt Beispiele zu nennen, aber in der Zukunft, mit der Entwicklung des Terminals, der Programmiersprache und der Werkzeuge wird es möglich sein, eine vollwertige KI zu schaffen, viele große Leute haben sich über den Fortschritt geirrt, einige haben ihre Meinung rechtzeitig geändert, viele sind daran gescheitert, also müssen wir warten
Und das Terminal und MQL5 haben nichts damit zu tun, denn niemand verbietet die KI im Allgemeinen und die MU im Besonderen, ist seit langem verboten, es (vollständig) mit anderen Werkzeugen zu implementieren, einschließlich das Hinzufügen als Bibliothek zu MT.
Das Problem besteht nicht darin, ein Raster zu erstellen und es zu lehren (es ist klar, wie man es macht, denn es gibt eine Menge Informationen und sogar fertige Implementierungen). Das Problem mit den Maschen ist ein ganz anderes - es wird hier ja auch angesprochen -, dass die gesamte Effektivität einer Masche in der Wahl der Eingabedaten, mit denen wir sie trainieren, "begraben" ist. Und die richtigen Daten (in einem Marktkontext) auszuwählen, sie richtig umzuwandeln (z.B. in einen mehrdimensionalen Raum, der nach einer Theorie die Attraktoren eines stochastischen Prozesses bildet, der sich hinter den äußeren Erscheinungsformen der Kursveränderungen verbirgt) - das ist das wertvollste Know-how, über das ich in der Praxis noch keine nützlichen Informationen gefunden habe. Alles, was in der obigen Verzweigung vorgeschlagen wurde, ist natürlich schon ausprobiert worden, ohne Erfolg. Die Makro-Indikatoren zum Beispiel brauchen kein Raster, denn wenn man weiß, wie sie richtig zu interpretieren sind, kann man mit den Händen handeln. Die Nachrichten sind kein Indikator, denn erstens ist die Reaktion auf sie ex post facto, und wir wollen die Bewegungen vorhersagen und Entscheidungen treffen, bevor die Nachrichten den Markt erreichen, und zweitens ist die Reaktion auf die Nachrichten unvorhersehbar - zum Beispiel: ein Erdbeben in Japan - der Yen scheint schlecht zu sein, aber in Wirklichkeit ist die Nachfrage nach ihm gestiegen, und auch die Nachrichten sind oft negativ, aber weniger negativ als erwartet, und es wird als Grund für einen Anstieg des Marktes wahrgenommen, und so weiter. Im Allgemeinen wurde alles ausprobiert. Diejenigen, die es zu etwas gebracht haben (wenn überhaupt), sitzen nicht hier. Und sie teilen ihre Erfahrungen nicht.
Fortsetzung der Diskussion über Netzwerke auf dem Markt. Nehmen wir als Beispiel den visuellen Kortex unseres Gehirns. Allein die Schicht V1 dieses Kortex enthält 140 Millionen Neuronen, während es nur 6 Schichten gibt. Alle diese Neuronen verarbeiten Informationen parallel und sind über Millionen von adaptiven Synapsen miteinander verbunden. Die Computer, die den Händlern zur Verfügung stehen, können bis zu 1000 CPU-Kerne haben. Das heißt, um den visuellen Kortex zu imitieren, muss jeder Kern Hunderttausende von Neuronen in Echtzeit berechnen. Die Ausbildung eines solchen Netzes würde etwa ein Jahr dauern. Und das alles, um die Welt zu sehen und Bilder zu erkennen. Selbst wenn es uns gelingt, dieses Netz erfolgreich zu trainieren, wird es dennoch nicht die gleiche Genauigkeit bei der Objekterkennung erreichen wie wir, da wir mehr als nur visuelle Informationen verwenden. Eine der schwierigsten Aufgaben für künstliche Netze ist zum Beispiel die Schattenerkennung. Für uns ist das ein Kinderspiel, denn wir sind mit den Eigenschaften des Lichts vertraut. Aber das Netz kennt diese Eigenschaften des Lichts nicht, und solange wir ihm das nicht beibringen, kann es sie auch nicht erkennen. Das Netz ist auch nicht mit der Transparenz von Objekten usw. vertraut. Nehmen Sie den Markt, wo es viel mehr Rauschen als bei visuellen Informationen gibt und Objekte (Preismuster) viel stärker verzerrt sind. Und wir wollen ein paar Dutzend Neuronen, die sich die vergangenen Preise ansehen, um die Marktmuster festzulegen. Das ist doch lächerlich, oder?
Fortsetzung der Diskussion über Netzwerke auf dem Markt. Nehmen wir als Beispiel den visuellen Kortex unseres Gehirns. Allein die Schicht V1 dieses Kortex enthält 140 Millionen Neuronen, während es nur 6 Schichten gibt. Alle diese Neuronen verarbeiten Informationen parallel und sind über Millionen von adaptiven Synapsen miteinander verbunden. Die Computer, die den Händlern zur Verfügung stehen, können bis zu 1000 GPU-Kerne haben. Das heißt, um den visuellen Kortex zu imitieren, muss jeder Kern Hunderttausende von Neuronen in Echtzeit berechnen. Die Ausbildung eines solchen Netzes würde etwa ein Jahr dauern. Und das alles, um die Welt zu sehen und Bilder zu erkennen. Selbst wenn es uns gelingt, dieses Netz erfolgreich zu trainieren, wird es dennoch nicht die gleiche Genauigkeit bei der Objekterkennung erreichen wie wir, da wir mehr als nur visuelle Informationen verwenden. Eine der schwierigsten Aufgaben für künstliche Netze ist zum Beispiel die Schattenerkennung. Für uns ist das ein Kinderspiel, da wir mit den Eigenschaften des Lichts vertraut sind. Aber das Netz kennt diese Eigenschaften des Lichts nicht, und solange wir ihm das nicht beibringen, kann es sie auch nicht erkennen. Das Netz ist auch nicht mit der Transparenz von Objekten usw. vertraut. Nehmen Sie den Markt, wo es viel mehr Rauschen als bei visuellen Informationen gibt und Objekte (Preismuster) viel stärker verzerrt sind. Und wir wollen ein paar Dutzend Neuronen, die sich die vergangenen Preise ansehen, um die Marktmuster festzulegen. Das ist doch lächerlich, oder?
Ich werde Ihnen ein weiteres Beispiel nennen.
Ich bin auf die RBC-Website gegangen, wo es heute 137 Nachrichten gibt, von denen nur 3 echte Auswirkungen auf den Rubelkurs hatten. Und es ist sehr wahrscheinlich, dass es Auswirkungen gibt, die in den Nachrichten nicht erwähnt werden.
Das heißt, man muss nicht nur lernen, den Eingabestrom sehr sorgfältig zu filtern, sondern es kann durchaus sein, dass der Eingabestrom keine Informationen enthält, die die Gründe für diese oder jene Preisänderungen beschreiben.
Im Allgemeinen sollten Sie das Warme und das Weiche nicht verwechseln. Maschinen wurden ursprünglich geschaffen, um monotone/studierte menschliche Arbeit zu ersetzen. Nehmen wir den Bereich des Handels, so versteht die große Mehrheit der Teilnehmer nicht, was sie tut, was sich in den Ergebnissen widerspiegelt. Es gibt keine eindeutigen Prinzipien, die Ergebnisse in der Zukunft garantieren. Wenn man die Entwicklung des M3-Dollars und die Dynamik des SP500 betrachtet, kann man sehen, dass sogar die Buy&Hold-Strategie Geld verliert. Was sollen die Maschinen dann tun - auch monoton verlieren...
Aber auch die Kunst um der Kunst willen hat ein Recht auf Leben.