Neuronales Netz - Seite 5

 
gpwr писал(а) >> wir verstehen uns nicht.

In der Tat haben Sie alles richtig geschrieben. Wir waren uns nur nicht einig über die Definitionen.

gpwr wrote(a) >> In allen Lehrbüchern steht, dass man ein Netz mit einem Lehrer trainiert, indem man die Daten in eine Trainings- und eine Teststichprobe aufteilt. Das Netz lernt, indem es den Fehler in der Trainingsstichprobe minimiert und gleichzeitig den Fehler in der Teststichprobe beobachtet (Out-of-Sample-Test oder Verifizierung). Das Lernen hört auf, wenn der Fehler in der Stichprobe nicht mehr abnimmt (unten mit einer gestrichelten Linie dargestellt). Und der Fehler bei der Trainingsstichprobe kann weiter abnehmen, wie in dieser Abbildung dargestellt

Bei all der Forschung vergessen viele Menschen das Wichtigste - den Gewinn. Deshalb gibt es ein "aber", das nicht in Lehrbüchern steht. Das Erreichen eines minimalen Fehlers bei OOS ist keine Garantie für einen Gewinn. Und warum? Denn minimale Fehler und Gewinn sind zwei verschiedene Dinge. Sie dürfen in keiner Weise miteinander verbunden sein. Und warum? Denn das Netzwerk wiederholt nicht unbedingt den Markt auf dem OOS und real - es reicht zu bestimmten Zeitpunkten, um die richtigen Kauf- oder Verkaufssignale zu geben - d.h. eine bestimmte Auslöseschwelle zu überschreiten. Zwischen diesen Momenten (Signalen) kann sich das Netz verhalten, wie es will - die Hauptsache ist, dass dieser Schwellenwert nicht überschritten wird. Aus diesem Grund kann der Gewinn bei einem großen Fehler auf dem OOS groß sein.

muallch schrieb >>

Zu Beginn gibt es ein Out-of-Sample - um das Netz aufzubauen. Und dann wird es vorbei sein - die wirkliche Zukunft liegt vor uns, sie muss vorhergesagt werden. Was ist das Kriterium für das Beenden des Trainings - ein bestimmter Fehler oder die Anzahl der Trainingsläufe? Oder etwas anderes?

Und natürlich ist die Frage der Zukunft definitiv offen, denn auch die OOS ist eine bekannte Zukunft, in der wir den Gewinn kontrollieren können, während wir in einer Zukunft handeln, die uns unbekannt ist, und die Hauptsache dort ist nicht, den minimalen Fehler zu erhalten, sondern den maximalen Gewinn zu erzielen. Und welche Art von Fehler es sein wird - das spielt keine Rolle.
 
muallch писал(а) >>

Zunächst muss das Gitter außerhalb der Stichprobe eingerichtet werden. Und dann gibt es kein Out-of-Sample - die wirkliche Zukunft liegt vor uns und muss vorhergesagt werden. Was ist das Kriterium für das Beenden des Trainings - ein bestimmter Fehler oder die Anzahl der Trainingsläufe? Oder etwas anderes?

Zum Beispiel 100 Epochen ohne Aktualisierung des Mindestfehlers bei der Kontrollstichprobe.

 
LeoV писал(а) >>

Und natürlich ist die Frage der Zukunft definitiv offen, denn auch die OOS ist eine bekannte Zukunft, in der wir den Gewinn kontrollieren können, während wir in einer Zukunft handeln, die uns unbekannt ist, und die Hauptsache dort ist nicht, den minimalen Fehler zu erhalten, sondern den maximalen Gewinn zu erzielen. Welche Art von Fehler es sein wird, spielt keine Rolle.

Vielleicht denken Sie so, weil Sie noch nie wirklich stabile Ergebnisse erzielt haben. Fehler und Gewinn stehen in einer Wechselbeziehung zueinander. Grundsätzlich kann für jede Aufgabe bestimmt werden, welcher Fehler erreicht werden sollte, um eine akzeptable TK zu erhalten...
 
StatBars писал(а) >>
Wahrscheinlich denken Sie so, weil Sie noch nie wirklich stabile Ergebnisse erzielt haben. Fehler und Gewinn sind miteinander verknüpft. Im Prinzip können Sie für jede Aufgabe festlegen, welchen Fehler Sie erreichen müssen, um eine akzeptable TK-Leistung zu erzielen...

Was bedeutet "wirklich stabile Ergebnisse" für Sie?

 
StatBars писал(а) >> Fehler und Gewinn sind miteinander verknüpft

Ob sie miteinander verwandt sind oder nicht - das ist die große Frage. Aber es ist sicher, dass der minimale Fehler auf dem OOS-Konto nicht den maximalen Gewinn auf dem realen Konto bedeutet und auch nicht zu diesem führt. So wie der maximale Gewinn auf dem realen Konto nicht den minimalen Fehler auf dem Konto bedeutet.

 
gpwr >> :

Sie haben das Wesentliche meiner Argumentation missverstanden. Ich habe nicht über den Zusammenhang zwischen einem "ungeschulten" Netzwerk und den Handelsergebnissen gesprochen. Überall steht geschrieben, dass das Netz so lange trainiert werden muss, bis der Fehler in der zu prüfenden Probe nicht mehr abnimmt. Ich stimme dem zu und möchte nicht darüber streiten. Der Kern meiner Überlegungen bestand darin, zu zeigen, wie eine parallele Netzstruktur zu Schwierigkeiten bei der Optimierung führt und wie ein nichtlineares Modell auf der Grundlage einer Potenzreihe dasselbe Ziel wie ein neuronales Netz erreichen kann, allerdings mit einem viel einfacheren mathematischen Apparat und einem schnellen Lernprozess, der zu einem einzigartigen Ergebnis führt.

Eh, wie viele Meinungen wurden hier schon geäußert ;-). Ich werde meine 5 Kopeken hinzufügen.

Sie haben mich auch missverstanden. Ich habe nicht gemeint, dass das Netz "untrainiert" ist. Ich meinte, dass man vom Netz keine Wunder erwarten sollte. Es ist kein Allheilmittel, und wenn es zu einem Gewinnanteil führt, dann ist dieser sehr gering, und deshalb brauchen wir Ausschüsse. Die Netzkonfiguration für den Ausschuss und die Eingangs-/Ausgangsdatenstruktur kann lange und intensiv gesucht werden. Imho waren Sie zu schnell dabei, die Raster zu verwerfen, ohne auch nur 10 % von dem auszuprobieren, was Sie hätten tun sollen (wenn man nur die Zeit betrachtet, in der Sie direkt an Ihrem Projekt gearbeitet haben). Aufgrund Ihres mathematischen Hintergrunds haben Sie die Möglichkeit, das Gitter zu ersetzen ;-). Sie sind herzlich eingeladen, es zu versuchen. Aber ich habe den Eindruck, dass Sie mit Ihrer Kritik am Netz Ihre Aufmerksamkeit auf die falschen Punkte lenken. Welchen Unterschied macht es insbesondere, welche Synapse auf welchen Inputfaktor in einem bestimmten Netz lernt? Müssen Sie es wissen? Das tut es wirklich nicht. Diese inhärente Unsicherheit des Signalverteilungsgitters über die Neuronen hinweg soll "by design" sein. Wenn Sie jedoch ein Dutzend Maschen trainieren und diese dünn machen, werden Sie sehen, dass sich das Muster der Verbindungen - die von Ihnen erwähnte nichtlineare Reihe - von selbst gebildet hat und nahe oder gleich ein und dasselbe ist. Wenn Sie eine manuelle Analogie erstellen, wissen Sie als Mathematiker, welche Methoden Sie anwenden müssen und wie arbeitsintensiv sie sind, um die Abhängigkeiten aufzudecken, die das Netzwerk im Datenstrom offenbart, und erst nachdem Sie diese Abhängigkeiten aufgedeckt haben, können Sie Ihre Potenzreihen erstellen.

Was ich zu den Ausschüssen sagen möchte, ist, dass sie nicht nach dem einfachen Prinzip von N Netzen ausgewählt werden, sondern nur, sagen wir, die 10 besten Netze von den hundert eingegangenen. Bleiben wir bei dem Beispiel der Zusammenkünfte von Menschen, so werden nur diejenigen gehört, die mehr oder weniger in der Lage sind, einander zuzuhören. Außerdem haben Sie offenbar vergessen, dass wir mehr als 2 Ergebnisse haben. Sie lauten in der Tat: Erfolg, Misserfolg, Verlust, Misserfolg. Also muss die Wahrscheinlichkeit berechnet werden (ich vereinfache absichtlich): no-loss(1)*no-loss(2)=0,4*0,4=0,02. D.h. die beste Konfiguration ist nicht diejenige mit maximaler Gewinnwahrscheinlichkeit, sondern diejenige mit minimaler Verlustwahrscheinlichkeit. Als Analogie dazu betrachten wir die Drawdown-Ratio. Es macht keinen Sinn, eine superprofitable Konfiguration zu wählen, wenn der Drawdown dafür bereits 50 % beträgt, da dies fast einen Verlust garantiert.

 

Nochmals.

joo писал(а) >>

Mit einem Lehrer ist es nur möglich, ein Gitter auf eine Funktion zu trainieren, die wir bereits kennen, wie z. B. eine Sinuswelle. Hier können wir mit gutem Gewissen das Netz an die nächste Stelle weiterleiten, um als Lehrer ausgebildet zu werden.

der ausgebildeten Stelle als Lehrer. Das wird auf dem Markt nicht funktionieren.


Denn wir wissen immer schon im Voraus, welcher Punkt auf der Sinuskurve der nächste sein wird. Wir kennen die Zukunft der Sinuswelle!

Es ist also zulässig, auf der Grundlage historischer (sinusförmiger) Daten zu unterrichten, d. h. mit einem Lehrer zu unterrichten.

Wir kennen die Zukunft des Marktes nicht, so dass der Unterricht mit einem Lehrer zu einem sinnlosen Prozess wird.

 
LeoV писал(а) >>

Was bedeutet "wirklich stabile Ergebnisse" für Sie?

Zum Beispiel wird ein Expert Advisor auf 2 Monate Historie mit nur 3 Parametern optimiert, 80% der positiven Ergebnisse sind auf der gesamten Historie profitabel.

Mit den Netzwerken ist es dasselbe...

 
LeoV писал(а) >>

Ob sie miteinander verwandt sind oder nicht - das ist die große Frage. Aber es ist sicher, dass der minimale Fehler auf dem OOS-Konto nicht den maximalen Gewinn auf dem realen Konto bedeutet und auch nicht zu diesem führt. Genauso wie der maximale Gewinn auf dem realen Konto nicht den minimalen Fehler auf dem Konto bedeutet.

Im Allgemeinen geht es um die Stabilität der Ergebnisse, nicht um Fehler. Wenn das Netzwerk etwas stabil erkennt oder vorhersagt und diese Vorhersage für einen Gewinn ausreicht, werden wir sowohl auf dem Devisenmarkt als auch in der Realität Gewinne erzielen.

Wenn der Fehler zufriedenstellend klein ist, dann wird er führen. Was bedeutet es, zufriedenstellend zu sein? Für jedes Problem wird diese Bedingung separat festgelegt, ich kenne nur den empirischen Weg.

 
joo писал(а) >>

Ich sage es noch einmal.

Denn wir wissen immer schon im Voraus, welcher Punkt in der Sinuskurve der nächste sein wird. Wir kennen die Zukunft der Sinuswelle!

Deshalb ist es legitim, mit historischen (sinusförmigen) Daten zu trainieren, d. h. mit einem Lehrer zu lernen.

Aber wir kennen die Zukunft des Marktes nicht, und deshalb ist das Lernen mit einem Lehrer sinnlos.

Wenn wir die Sinuskurve kennen und sie daher mit Netzen vorhersagen können, dann erstellen wir eine komplexere Formel, die analytische Notation wird Ihnen bekannt sein, so dass wir sie auch vorhersagen können. Der Markt ist die gleiche Formel, nur noch komplizierter, und es ist nicht bekannt, WE...