Artikel: Preisprognosen mit neuronalen Netzen - Seite 10
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
Ja.
Als jemand, der sich nur wenig mit neuronalen Netzen befasst (nur 12 Jahre), kann ich einer Person, die sich seit langem mit neuronalen Netzen befasst, sagen, dass die Anwendung neuronaler Netze bei jeder Aufgabe untrennbar mit ihrem Design (Programmierung) verbunden ist. Die Hauptsache sind zwei Postulate: Ausgangsdaten (das ist ein separater Song) und das Wichtigste - der Trainingsalgorithmus. Netze können alles - die Hauptsache ist, dass man sie richtig trainiert.
Ich hätte nie gedacht, dass irgendjemand die Notwendigkeit der Verwendung von mehrschichtigen Netzen zur Verbesserung der Klassifizierungsleistung in Frage stellen würde. =)
Ich empfehle zu lesen, was Jan LeCun darüber schreibt - http://yann.lecun.com/exdb/mnist/index.html. Aber der Themenbereich ist dort etwas anders - Symbolerkennung. Wie auch immer, die einlagigen Maschen zeigten die schlechtesten Ergebnisse - 8,4 %. Aber! Eine der mehrschichtigen (zweischichtig, mit 300 Neuronen in der versteckten Schicht) hatte ein sehr gutes Ergebnis - 1,6 % Fehler. D.h. mit der Hinzufügung von auch nur einer Schicht wird das Netz viel "leistungsfähiger".
Genau, denn es handelt sich um einen anderen Themenbereich und damit auch um einen anderen Ansatz. Die Umrisse von Zeichen in Standardschriften sind unveränderlich, so dass es sinnvoll ist, das Netz einmal an einem Beispiel zu trainieren, z. B. an ein paar Seiten, so dass das neuronale Netz die Zeichen im Rest des Buches mit hoher Genauigkeit erkennt.
Die Finanzmärkte sind ein weiterer Bereich, in dem sich alles ständig verändert und in ständiger Bewegung ist. Daher werden komplexe Multilayer hier vermasselt. Eine überspitzte Analogie im Bereich der Zeichenerkennung ist, dass ein Symbol "A" auf einer Seite eines Buches als "A" interpretiert werden sollte und auf der nächsten Seite das gleiche "A" bereits als "B" interpretiert wird.
Aus diesem Grund kann dasselbe Muster, das in verschiedenen Abschnitten der Historie der Finanzinstrumente erkannt wird, in den Handelssignalen unterschiedlich interpretiert werden, d.h. in einigen Abschnitten ist seine Identifizierung eher für die Eröffnung von Long-Positionen und die Schließung von Short-Positionen geeignet, während es in anderen Abschnitten genau umgekehrt ist: Eröffnung von Short-Positionen und Schließung von Long-Positionen.
Die Arbeit, die ich oben verlinkt habe, verwendet die MNIST-Datenbank. Diese Datenbank enthält handgeschriebene, nicht handgeschriebene oder gedruckte Bilder von Schriftzeichen.
Natürlich ist mir klar, dass sich auf den Finanzmärkten alles in ständiger Dynamik befindet, aber die widersprüchlichen Muster (die Eingabe ist die gleiche und die Ausgabe sind zwei verschiedene Klassen) können durch eine Erhöhung der Informationsmenge am Eingang des Gitters eliminiert werden oder (wie jemand oben vorgeschlagen hat) solche Muster können aus der Trainingsstichprobe ausgeschlossen werden. Natürlich gab es bei der von Ihnen in dem Artikel vorgeschlagenen Variante, ein einschichtiges Perzeptron zu verwenden, eine Menge widersprüchlicher Muster. Denn es gab nur 4 Eingänge.
Ich will damit sagen, dass einschichtige Perzeptrons nicht in der Lage sind, das XOR-Problem zu lösen (siehe Minskys Buch), und das macht sie fehlerhaft.
Es ist einfacher, ein Lernergebnis zu erzielen, als für die richtige
um das Problem zu lösen. Wenn man bedenkt, dass die Preisschwankung eine pseudo-stochastische ist
Zeitreihen ist es die Frage der Anwendung und Interpretation
...
Mit der Interpretation der Ausgabe(n) des Netzes beginnt die Arbeit. Das heißt, die Problemstellung ist damit erledigt. Ich stimme Ihnen also vollkommen zu.
Ich möchte die Frage aufwerfen, was genau Sie zur Erstellung einer Ausbildungsprobe verwenden. Das ist das Wichtigste.
Die Lernstichprobe wird durch konventionelle Indikatoren erstellt
Und welche Art ist die intimste, ebenso wie die Aufbereitung der Daten
Und warum? Denn niemand fragt nach einem Algorithmus. Nur um ihre Gedanken mitzuteilen.
Dann frage ich mich, worüber wir hier reden, wenn niemand über das Wichtigste reden will.
In diesem Fall ist es wie ein Wettrüsten, niemand glaubt irgendjemandem :)
Der anfängliche Satz von Trainingsdaten kann auch {H,L,O,C} sein ... Was zählt, ist das Modell, die Idee hinter dem Netz und das System als Ganzes.
Wenn die Idee richtig ist, das Ziel richtig formuliert ist und die Fehlerabschätzungsfunktion richtig gewählt ist, ist das Ergebnis ein sicherer Treffer des Netzes zum lokalen
Minimum nach N Trainingsepochen. Darüber hinaus besteht die Kunst darin, das Netzwerk mit minimalen Verlusten aus der Sackgasse zu führen und weiter zu lernen.
Und hier sind alle Mittel recht, Vorverarbeitung von Daten, Ersetzen von Architekten, Lernalgorithmen - Hauptsache, man kommt überhaupt zu dem Modell, das man entwickelt.
Und was die Fütterung angeht, empfehle ich, eine Idee von einem der Netze von Reschetow zu implementieren, von denen es mehrere in diesem Forum gibt, und dann zu bewerten.
Das Modell, das Ergebnis - nun, alles liegt in Ihrer Hand.