Einsatz neuronaler Netze im Handel. - Seite 3
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
Die Bilder zeigen nicht normalisierte Daten und verschiedene Daten, ich habe nur ein Beispiel dafür gegeben, was ich gemacht habe (wie es als Ergebnis aussieht)
Und hier ist das Skript, mit dem Sie sehen können, wie die Ausgabe aussehen wird (aber seien Sie nicht zu wählerisch bei den Eingabedaten - dieses Skript wurde nur zur Veranschaulichung erstellt...)
//Typ 0 - lineare Normierung, 1 - nicht-lineare Normierung
StatBars, ich habe keine Beschwerden!
Nun, es funktioniert - und es ist gut. Ich möchte nur klarstellen, dass das Normalisierungsverfahren nicht dasselbe ist wie die Glättung der Verteilung und dass Sie einen ausgefeilteren Ansatz benötigen. Andererseits haben wir den Eingangswert in einem Endbereich von +/-1 und in Form eines Regals - ein Leckerbissen. Wenn Sie die Eingaben tünchen, haben Sie außerdem ein ästhetisches Gefühl der Freude.
StatBars, ich beschwere mich nicht!
Nun, es funktioniert und das ist gut so. Ich möchte nur klarstellen, dass das Normalisierungsverfahren nicht mit einem Verteilungsausgleich gleichzusetzen ist und ein relativ komplexer Ansatz erforderlich ist. Auf der anderen Seite haben wir den Eingabewert im endgültigen +/-1-Bereich und in Form eines Regals - ein Leckerbissen. Wenn Sie die Eingaben tünchen, haben Sie außerdem ein ästhetisches Gefühl der Freude.
)))
Durch die Art und Weise implementiert eine Methode in einem Artikel beschrieben, ich weiß nicht mehr genau, wo ich es gelesen ... Im Allgemeinen ist das zweite Bild unter Verwendung der Flächenverteilungsfunktion genau die Arbeit dieser Methode.
Wie auch immer, hier ist eine Datei mit einfacher Normalisierung und Frequenzabgleich, nicht das beste Beispiel, aber immerhin...
Haben Sie die Eingänge geweißt? Ich habe nur ein paar Fragen...
Das habe ich.
Aber es gibt einen Unterschied zwischen Bleichen und Aufhellen. Sie können törichterweise zwei Wischer an zwei NS-Eingänge anschließen und versuchen, sie zu bleichen... Dies ist ein Fall (klinisch), und Sie können die Preise für die Bareröffnung in ein Dutzend setzen - das ist ein weiterer Fall, es gibt nichts zu bleichen - alles ist weiß, wie es ist.
Leonid, es gibt kein Problem mit der Umschulung des NS - es liegt daran, dass man nicht versteht, was in dieser Schachtel mit dem schönen Namen und den drei Nägeln drin vor sich geht. Nehmen Sie keine Trainingsprobe, die kürzer als minimal ist, und Sie werden nicht nach Bauchgefühl entscheiden müssen, was besser und was schlechter ist!
Bezüglich der "richtigen" Eingaben stimme ich Ihnen zu 100% zu, das ist der Schlüssel zum Erfolg - alles, was für NS-ku gelöst werden kann, muss unabhängig gelöst werden. Es muss bei Dingen bleiben, die die Lösung nicht hat oder die ungerechtfertigt schwierig sind. Es macht zum Beispiel überhaupt keinen Sinn, den Zick-Zack-Eingang zu speisen. In diesem Fall ist das Verhalten von NS offensichtlich - es wird lernen, was auf der Oberfläche liegt - die Vertrautheit von ZZ-Waffen und die Verwendung solcher Eingabedaten ist gleich Null.
Es gibt keine falschen Eingaben. Es gibt eine falsche Aufgabe.
Zum Thema "Normalisierung". Nicht jede Art der Normalisierung kann im Rahmen der jeweiligen Aufgabe angewendet werden.
Es gibt keine falschen Eingaben. Es gibt eine fehlgeleitete Aufgabe.
Warum nicht? Es gibt sie. Neben dem objektiven (richtigen) Problem gibt es auch die Daten, mit denen dieses Problem gelöst werden soll...
Und zur Normalisierung - irgendwelche Erklärungen?
Warum nicht? Es gibt sie. Neben dem objektiven (richtigen) Problem gibt es auch die Daten, mit denen dieses Problem gelöst werden soll...
Und zur Normalisierung - irgendwelche Erklärungen?
Nun, es gibt eine lineare Normalisierung und eine nicht-lineare Normalisierung. Nicht-linear ist empfindlich gegenüber der Varianz der neuen Daten. Die lineare Methode ist einfach und erfordert weniger Rechenschritte, aber die Nicht-Symmetrie wirkt sich auf die Dauer des Trainings aus. Damit kann die Varianz unter bestimmten Bedingungen alles sein, was sie als Ergebnis der Ausbildung will. Aber beim Training selbst führt eine Reihe, die nicht auf einen Mittelwert von Null und eine Einheitsvarianz normalisiert wurde, dazu, dass das Netz am Ende länger lernt, als wenn eine solche Normalisierung durchgeführt wurde. Was die erste Frage betrifft, so ist meine persönliche Meinung folgende. Ich kann MA nehmen, ich kann die Inkremente der Serie nehmen. Für mich wird es keinen Unterschied geben. Wenn nach dem Training des Netzes das Ergebnis des Trainings davon abhängt, was ich wähle (MA oder einfach Inkremente der Serie), dann zeigt das nur an, dass die Aufgabe falsch gestellt war und das Netz einfach das lernte, was ich ihm beizubringen versuchte. Das heißt, er muss nur die Aktionen ausführen, die ich ihm beigebracht habe. Aber um Regelmäßigkeiten zu finden, d. h. um zu verallgemeinern, ist das Netz nicht oder nicht richtig in der Lage. Es geht darum, den Generalisierungsfehler der Art von Daten zu reduzieren, die am Ausgang des neuronalen Netzes benötigt werden. Bei den Eingabedaten kann es sich um Inkremente einer Zeitreihe handeln, aber nicht unbedingt um deren geglättete Version in Form von MA oder was auch immer. Sie alle schreiben, dass die Reihe geglättet werden muss. Ich denke jedoch, dass dies keine Rolle spielt, da die objektiven Regelmäßigkeiten in den Daten gespeichert werden und die Hauptsache darin besteht, die erforderliche Anzahl von Inkrementen in Ihrer Reihe zu wählen.
Nun, es gibt eine lineare Normalisierung und eine nicht-lineare Normalisierung. Nicht-linear ist empfindlich gegenüber der Varianz der neuen Daten. Linear ist einfach und erfordert weniger Rechenschritte, aber dafür wirkt sich die Nicht-Symmetrie sozusagen auf die Lernzeit aus. Damit kann die Varianz unter bestimmten Bedingungen alles sein, was sie als Ergebnis der Ausbildung will. Aber beim Training selbst führt eine Reihe, die nicht auf einen Mittelwert von Null und eine Einheitsvarianz normalisiert wurde, dazu, dass das Netz am Ende länger lernt, als wenn eine solche Normalisierung durchgeführt wurde. Was die erste Frage betrifft, so ist meine persönliche Meinung folgende. Ich kann MA nehmen, ich kann die Inkremente der Serie nehmen. Für mich wird es keinen Unterschied geben. Das Wesentliche wird sein, dass, wenn nach dem Training des Netzes, das Ergebnis der Ausbildung hängt davon ab, was ich wählen (MA oder einfach Inkremente der Serie), dann wird es nur falsch eingestellt Aufgabe und das Netz wurde einfach lernen, was ich versucht, es zu lehren. Das heißt, er muss nur die Aktionen ausführen, die ich ihm beigebracht habe. Aber um Regelmäßigkeiten zu finden, d. h. um zu verallgemeinern, ist das Netz nicht oder nicht richtig in der Lage. Es geht darum, den Generalisierungsfehler der Art von Daten zu reduzieren, die am Ausgang des neuronalen Netzes benötigt werden. Bei den Eingabedaten kann es sich um Inkremente einer Zeitreihe handeln, aber nicht notwendigerweise um deren geglättete Version in Form von MA oder sonstigem. Sie alle schreiben, dass die Reihe geglättet werden muss. Aber ich denke, das spielt keine Rolle, denn objektive Regelmäßigkeiten in den Daten bleiben erhalten, die Hauptsache ist, dass Sie die richtige Anzahl von Inkrementen in Ihren Reihen wählen.
Ich denke, aus Ihrem Beitrag geht hervor, dass die Normalisierung mehr von den Daten als von der Aufgabe abhängt.
Zum zweiten Teil: Berücksichtigen Sie das MA-Inkrement und das Serieninkrement?
Und meinen Sie im Allgemeinen, dass ein trainiertes Netz unempfindlich gegenüber den Eingabedaten sein muss? Oder ändern Sie einfach die Eingabedaten und das Netz muss weiterhin Vorhersagen treffen?