Marktknigge oder gute Manieren im Minenfeld - Seite 87
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
Ich lege diese Aufgabe in die Hände der NS, sie entscheidet auf der Grundlage der Analyse einer möglichst "kurzen" Geschichte (immer noch Geschichte, was sonst kann man in der TA verwenden?), in Richtung (H+) oder gegen (H-) zu öffnen.
Dann bleibt von der Dissertation nicht mehr viel übrig, oder?
Und das Perzeptron sagt Ihrer Meinung nach e. NUR die Richtung voraus.
Dann bleibt von der Dissertation nicht mehr viel übrig, oder?
Und das Perzeptron, nach Ihnen, e. sagen NUR die Richtung.
Uns geht es also nicht um die These, sondern um den Gewinn... Aus demselben Grund brauchen wir nichts zu wissen außer der Richtung (dem Vorzeichen des nächsten Bezugspunkts).
Sind Hirtenmuster nicht das Gleiche?
Was macht es für einen Unterschied, ob man sie mit Statistiken oder mit Netzen analysiert...
Mein Netz erhielt 300 Trainingsbeispiele und die Anzahl der Gewichte war 45. In der Literatur wird die Meinung vertreten, dass bei einer 5-fachen Anzahl von Trainingsbeispielen als Gewichten das Netz mit 95%iger Wahrscheinlichkeit verallgemeinert werden kann. Das heißt, mein Netzwerk muss der Theorie nach eine gute Generalisierung haben, aber in Wirklichkeit ist es nicht so. Deshalb habe ich Beispiele angeführt, die dies bestätigen. Ich denke, es geht hier nicht darum, mehr Beispiele für die Ausbildung zu nehmen. Es geht um die Art des Problems, zu dessen Lösung ich das Netz zwinge. Wenn Sie versuchen, das Netz dazu zu bringen, die Größe des nächsten Kursschritts vorherzusagen, dann wird es beim Training zu solchen Gewichten tendieren, bei denen die Neuronen im linearen Bereich der Aktivierungsfunktion arbeiten, um die Proportionalität zwischen dem vorhergesagten Schritt und den vergangenen Eingabeschritten zu wahren. Das heißt, die Aufgabe selbst ist linear. Bei dieser Sachlage bringt das Hinzufügen von versteckten Neuronen keine Verbesserung. Und die versteckte Schicht selbst wird überflüssig. Beim Experimentieren mit meinem Netz bin ich zu dem Schluss gekommen, dass eine einzelne Schicht genauso gut funktioniert wie eine doppelte Schicht. Wenn ich Ihre früheren Beiträge in diesem Thread lese, denke ich, dass Sie auch für EURUSD zu demselben Schluss gekommen sind.
Ich denke, das Netz sollte für stark nichtlineare Probleme (wie XOR oder Klassifizierungsprobleme) verwendet werden, bei denen die Aktivierungsfunktion der Neuronen gestaffelt gewählt werden kann.
Wenn Sie nicht schwierig, senden Sie mir (.rar) Probe, auf dem Sie trainiert NS, Probe über 10000 Beispiele. Oder einen Code, der ihn bildet...
Auf den ersten Blick gibt es in dem Beispiel, das Sie auf dem Netzwerk abgelegt haben, eine starke lineare Beziehung zwischen Eingabe und Ausgabe - daher funktioniert das Netzwerk wie ein linearer Löser...
//----
zur Probenahme: es gibt eine Möglichkeit, eine ausreichende Stichprobe für das Training zu bestimmen, aber das Netz (10-21-8-1) kann mit einer Stichprobe von 50 000 oder 100 000 Proben neu trainiert werden...
daher ist es besser, mit Kreuzvalidierung zu trainieren...
Wir interessieren uns nicht für die These, sondern für den Gewinn... Aus demselben Grund brauchen wir nichts zu wissen außer der Richtung (dem Vorzeichen der nächsten Zählung).
Und in welchem Zeitrahmen halten Sie die Vorhersage der Candlestick-Richtung für sinnvoll? Ich forsche genau in dieser Richtung (ich verwende kein Neuronetz), die Ergebnisse (Wahrscheinlichkeit richtiger Vorhersagen) sind die folgenden m1- 69%, m5- 61%, m15- 58%, m30- 56%, h1- 55%, h4- 51%, d1- 46%, w1- 51%, m1- 58%. Der auf dieser Methode basierende Berater entwässert mit der Rate der Ausbreitung. :/
Und für welchen Zeitrahmen halten Sie die Vorhersage der Kerzenrichtung für sinnvoll? Ich gehe jetzt in diese Richtung (ohne ein Neuronetz zu verwenden); die Ergebnisse (Wahrscheinlichkeiten für richtige Vorhersagen) sind wie folgt: m1- 69%, m5- 61%, m15- 58%, m30- 56%, h1- 55%, h4- 51%, d1- 46%, w1- 51%, m1- 58%. Der auf dieser Methode basierende Berater entwässert mit der Rate der Ausbreitung. :/
Meiner Meinung nach keine von ihnen. >>Zeitrahmen sind out!
Das glaube ich nicht. Zeitrahmen, von wegen!
Schließlich habt ihr das Temperament eures Helden geerbt! Nehmen Sie sich Zeit, die Zeit wird kommen, und Sie werden etwas wie das hier schreiben:
Tics raus!
Es ist nur, alles zu seiner Zeit...
>> viel Glück! :о)
Es ist nur, alles zu seiner Zeit...
Während mein neuronales Netz Statistiken sammelt (es ist ein paar Mal wegen instabiler Konvergenz bei einer großen Anzahl von Neuronen in der versteckten Schicht abgestürzt, so dass ich die Normalisierung der Zählrate auf die Länge des Gewichtsvektors wieder einführen musste), werde ich mein Feedback zur Anwendbarkeit von NS geben.
Oben habe ich die Fähigkeit des trainierten Netzes vorgeschlagen, statistische Lücken im Trainingsvektor zu füllen. Dies ermöglicht meines Erachtens einen effektiven Einsatz von NS, wenn es an Trainingsdaten mangelt. Die Natur erwies sich jedoch als noch interessanter... Es hat den Anschein, als läge die Hauptspezialisierung von NS in einem etwas anderen Bereich. Seine Aufgabe ist es, einen Wert (Vorhersage) auszugeben, der auf den Werten der Eingabedaten basiert, die nicht am Training teilgenommen haben. Das ist verständlich, aber denken Sie darüber nach ... Es reicht aus, einige Bezugspunkte im benötigten Bereich der Eingaben zu haben (der Bereich der Werte, die die Eingaben annehmen), um den erwarteten Wert auf den "leicht" falschen Eingabedaten so zuverlässig wie möglich vorherzusagen. Dies ist die Haupteigenschaft von NS, und der Schlüsselpunkt ist hier die Tatsache der Kontinuität des Bereichs der Eingabedatenwerte. Hier kommt die Macht von NS voll zum Tragen.
Was passiert, wenn die Eingangsdaten diskret sind? Nichts Besonderes, NS funktioniert auch. Aber jetzt haben wir die Möglichkeit, Statistiken über alle Kombinationen von diskreten Werten zu sammeln und die gleiche Prognose wie im Fall von NS zu erstellen, nur ohne diese. Aber wir sollten nicht vergessen, dass NS dies viel schneller und eleganter macht (wenn es viele diskrete Werte gibt, aber wenn nicht...). Und wenn die Diskretion der Eingabewerte gering ist oder sie nur zwei (+/-1) betragen, dann wird NS nicht benötigt! Es genügt, für jeden Wert eine Statistik zu erstellen, und nichts in der Natur wird eine genauere Vorhersage ermöglichen als dies.
Für die Vorhersage von binären Einträgen gibt es wesentlich effizientere Methoden als NS. Das schmälert nicht die Vorzüge von NS, aber es ist faszinierend, wie die BP-Vorhersage auf eine binäre Vorhersage reduziert wird!
Die Abbildung zeigt die Bandbreite der Zustände, die ein binäres NS mit zwei Einträgen akzeptiert. Die Anzahl der Kombinationen, die die Eingabewerte annehmen können, beträgt nur 4. Und bei jedem von ihnen müssen wir eine Kauf-/Verkaufsentscheidung treffen. NS wird hier nicht gebraucht! Wir brauchen die trivialen Statistiken. Für 3 eingegebene NS erhalten wir einen dreidimensionalen Würfel mit 8 Eckpunkten, in denen jeweils derselbe Kauf/Verkauf, etc.
Noch einmal: Ich will die Verdienste von NS nicht schmälern. Wenn wir beispielsweise die Daphnienpopulation in einem Teich vorhersagen, die von ein oder zwei Faktoren abhängt (Säuregehalt des Wassers, Temperatur usw.), können wir ohne NS keine zuverlässige Vorhersage machen, wenn sich mindestens ein oder zwei Parameter um 1 % ändern - wahrscheinlich kommen wir in den Bereich, in dem es überhaupt keine Statistik gibt oder sie sich nicht für eine Interpolation eignet.
...
Klingt wie ein Verdikt.... als "Verdikt", z.B. an Minsky, der schwerwiegende Grenzen der Wahrnehmungsfähigkeit aufzeigte, und der im Streben nach Geld einfach vergessen wird. Und sie vergessen auch, dass selbst ein mehrschichtiges Netz mit nichtlinearer Initialisierung absolut keine Garantie für eine korrekte Klassifizierung bietet, und sie vergessen auch ... (aber das ist nur ein Scherz und nicht der Beginn eines neuen Streits). Ich gestehe, ich verstehe immer noch nicht, was ist die Macht der NS von Ihrem Beitrag, aber meine Erfahrung beim Aufbau sowohl meine eigenen und mit spezialisierten Mitteln der NS gibt einfache und klare Antwort - mit Perceptron gibt keinen Vorteil überhaupt, vor allem - auf "schlechte" Zeilen (Ihre kags sind sehr schlecht Zeilen für die Vorhersage).
Aber trotzdem viel Glück. Bis später (ich werde für ein paar Wochen verschwinden).