Neuro-Prognose von Finanzreihen (auf der Grundlage eines Artikels) - 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
Eigentlich ist es Übertraining. Ich bin überrascht, dass Sie das nicht wissen. Die gängige Meinung ist, dass ein Netzwerk übertrainiert ist, wenn es anfängt, so zu arbeiten wie gestern. Das heißt, er hebt nicht die wichtigsten Punkte in der Eingabe hervor, sondern beginnt, das gleiche Signal zu erzeugen wie gestern.....
Unsinn, oder was ist ein anderes Wort für diese Art von Unsinn?
Wenn dem Netzwerk beigebracht wurde, dass 2*2=4 ist, was sollte es antworten, wenn ihm die Frage gestellt wird: "2*2=?
2*2=4 war gestern und wird morgen sein. Es wäre zumindest seltsam, wenn das Netz auf dieselben Fragen unterschiedliche Antworten geben würde.
Meiner Meinung nach sind viele in diesem Forum, die sich mit Netzen beschäftigt haben, der Meinung, dass neuronale Netze wie eine Rechenmaschine sind - man gibt Daten ein und das Netz liefert ein Ergebnis. Das ist richtig - Netze sind Rechenmaschinen.
Eine gründliche Kenntnis der Netze und ihrer Architekturen gibt jedoch keinen Aufschluss über ihre Eigenschaften und kann es auch nicht. Dies ist ein "enges" Verständnis der Funktionsweise von ANNs.
Ein brillanter Neurochirurg kann also nicht wissen, wozu das menschliche Gehirn fähig ist. Nur Psychologen und Psychotherapeuten (nicht zu verwechseln mit Psychiatern) zusammen mit Philosophen und vielleicht Soziologen können darüber Bescheid wissen. Dies sind keine Fragen der "Physiologie" von Netzwerken, sondern des Intellekts - und das ist eine ganz andere Ebene des Verständnisses von ANN (und dem menschlichen Gehirn).
Nur mit einem solchen Ansatz ist es möglich, etwas aus ANN zu machen. Die stupide Einspeisung von Zitaten in die Netze hat noch nie etwas Gutes gebracht und wird auch in Zukunft nichts bringen. Aber der Autor, meiner "schrägen" Meinung nach (ich habe keine Zeit für eine zweite detaillierte Meinung), betrachtet die Vorhersage mit ANN aus dem richtigen Blickwinkel, aus der Sicht des Intellekts - unter Verwendung von Indikatoren, einigen "Ableitungen" aus Zitaten.
Aber rein intuitiv bezweifle ich, dass eine Vorhersage von 98 % möglich ist. 80 % wahrscheinlich ja, aber nicht 98 %. Vielleicht hat der Autor die Forschungsergebnisse ein wenig in die Länge gezogen - das kann ich durchaus zugeben. Aber um diese Ergebnisse zu überprüfen, müssen Sie die gleichen Experimente durchführen wie der Autor - nur dann können Sie sagen, dass etwas "wahr" ist.
Ganzzahlig:
Ich bin auch sehr überrascht, wie man eine Meinung haben kann, ohne sie zu begründen.
Ich habe meine Meinung über den Begriff "übertrainiert" bereits an anderer Stelle dargelegt. Der Begriff spiegelt das Wesen des Phänomens überhaupt nicht wider. Welches englische Wort wird so übersetzt? Vielmehr ist der Begriff "auswendig" (von "gepaukt") oder "gelernt" angemessener. Das Phänomen ist vergleichbar mit dem eines Paukers oder eines Paukers mit leerem Kopf, der nichts versteht, sondern den Absatz Wort für Wort auswendig gelernt hat. Dieses Phänomen tritt auf, wenn ein volumetrisches Netz mit einer geringen Anzahl von Proben unterrichtet wird. Das Netz reagiert zwar korrekt auf die Trainingsproben, aber es nützt nichts, weil es eine viel größere Anzahl von Proben trainieren kann, d.h. es ist nur ein leerer Kopf. Das Ergebnis ist das, was es ist, und nicht das von gestern. Also, was Sie so gestern haben, ist mir nicht klar, irgendeine Art von Wundern, irgendeine Art von magischem Übertraining.
Es ist wie beim Programmieren von Formeln, man spricht immer von Speicherlecks. So ist es auch, wenn man über Netzwerke spricht - Übertraining, Überausbildung, aber nicht viele Menschen verstehen, was das ist.
Alles, was Sie wollen. Es ist nur so, dass ich in einigen Lehrbüchern das Phänomen gesehen habe, dass das Netz Signale "wie gestern" aussendet, was nicht bedeutet, dass es immer das gleiche Signal aussendet. Nein, aber die Essenz und die Bedeutung der Signale ändert sich nicht. Im Allgemeinen ist die Ermittlung der Trainingsparameter eines Netzes die schwierigste Aufgabe, die nur durch lange statistische Untersuchungen gelöst werden kann.
Angenommen, ein Netz hat 100 Optionen für die Einstellung seiner Parameter zur Verfügung gestellt. Und nur wenige von ihnen sind richtig. Der Rest wird in Zukunft bekannt werden. Nehmen wir zum Beispiel ein Netz für die Maischen. Es ist sehr gut für die Umschulung in jedem Bereich geeignet. Ich wollte diese Theorie selbst ausprobieren, aber das ist nicht mein Schicksal. Vielleicht braucht sie ja jemand.
Wir haben zwei Bereiche der Ausbildung
1. Wir trainieren das Netz auf dem 2. Teil. Erhalten Sie einen Gewinn (das Netz auf einen Teil der Ausbildung wird einen Gewinn erhalten).
2. Beobachten Sie, wie das Netz in Abschnitt 1 funktioniert hat.
Lassen Sie uns das Netz mit Patch 1 trainieren, um das gleiche Ergebnis wie beim Training mit Patch 2 zu erhalten.
Das heißt, die Zielfunktion für das Training wird nicht das maximale Gleichgewicht sein, sondern eine ganz andere. Mit Hilfe von Statistiken können wir also berechnen, was das Beste ist.
Ich habe gerade Netze in NS, und dort mit einer Auswahl von Zielen für die Ausbildung ist irgendwie spärlich.
Aus den Statistiken können wir schließen, dass der Zweck der Ausbildung von Maximalbaranen nicht immer gut ist. Es stellt sich aber auch die Frage, wie das eigentliche Ziel gefunden werden kann, damit der NS in Zukunft gut funktioniert. Es gibt nur eine Möglichkeit, wie man so schön sagt.
Wir starten ein Netzwerk und beobachten seinen Handel und ziehen eine Schlussfolgerung, ob das Netzwerk jetzt funktioniert oder nicht... Wie dieses .....
Im Ergebnis sehen die profitablen Einstellungen des Netzes in der Ausbildung wie folgt aus So können Sie das Netz für dieses Gleichgewicht trainieren und es kann sich in Zukunft sammeln. Aber es gibt eine Achillesferse: Woher sollen wir wissen, wie das Gleichgewicht aussehen soll? .... und man kann die TC in NS nicht auf diese Weise trainieren. Es gibt ein Problem mit den Funktionen für das Zieltraining. Wenn nur in einem anderen Programm zu versuchen....
Oder so, in beiden Fällen ist die Baoan-Kurve im optimierten Bereich extrem unterschiedlich, und zwar nicht im Plus. Dies hat das Netz jedoch nicht davon abgehalten, sich in Zukunft weiterzuentwickeln. Unterm Strich plus....
Ich habe den Eindruck, dass ich, wenn ich Statistiken für Teile des Netzes erhebe, eine allgemeine Ähnlichkeit in den Bilanzen erhalte, die wir benötigen, um ein bestimmtes Muster zu erstellen. Wir sollten das Netz also nicht auf den maximalen Gewinn in einem bestimmten Teil des Netzes trainieren, sondern die versteckten Signale finden, die in Zukunft funktionieren werden. Aber nicht im Moment. Hier ist also der Trick. Das Netz wird gezwungen, Parameter zu finden, die jetzt nicht funktionieren, aber in der Zukunft nützliche Auswirkungen auf das Netz haben könnten..... Es gibt eine Menge Statistiken zu sammeln, und sie sind alles andere als trivial......
Wenn man dieses Problem (Auswahl der Optimierungsergebnisse) zu mindestens 60 % löst, erhält man auf jeden Fall ein Instrument für den Handel, und zwar nicht einmal ein schlechtes.
Ich weiß nicht, wie es bei anderen Paketen ist, aber wenn ich in NS optimiere, erhalte ich mehrere Ergebnisse, angefangen mit einem negativen Saldo im Optimierungsbereich. Wenn es nur möglich wäre, alle Optimierungsergebnisse in NS zu erhalten. Und dann wählen Sie aus ihnen aus, rein visuell nach dem Gleichgewicht. Dann könnten Sie unbrauchbare Ergebnisse herausfiltern, wenn Sie Glück haben. Nehmen Sie das Netz in Betrieb und beobachten Sie, wer von ihnen zu pumpen beginnt. Derjenige, der undicht wird, wird stillgelegt... Oder was auch immer..... Es ist bedauerlich, dass NS diese Möglichkeit nicht hat. Zumindest die Indikatorparameter während der Optimierung in einer Datei speichern....
Auch hier bedeutet das nicht, dass Sie bei der Optimierung des ersten Plots die Werte erhalten, die Sie bei der Optimierung des zweiten Plots erhalten haben. Es gibt also eine Menge ungelöster Fragen hier......
Ich meine, hier ist der Trick. Das Netz dazu bringen, Parameter zu finden, die jetzt nicht funktionieren, aber in Zukunft einen nützlichen Einfluss auf das Netz haben könnten..... Es gibt eine Menge Statistiken zu sammeln, und sie sind alles andere als trivial......
So wird sie sich nach dem Training daran erinnern, dass sie nicht funktionieren... in nhs in ts ist kein netzwerk, sondern ein ga...
So wird sie sich nach dem Training daran erinnern, dass sie nicht funktionieren... in nhs in ts nicht netze sondern ga...
Ich stimme zu.... es scheint viele Freiheiten zu geben, aber das, was man braucht, kann nicht verändert werden....
Aber der Autor des Artikels, in meinem ersten "diagonalen" Blick (und ich habe noch keine Zeit für einen zweiten detaillierten Blick) betrachtet die Vorhersage mit ANN aus dem richtigen Blickwinkel, in Bezug auf die Intelligenz - mit Indikatoren, einige "Derivate" der Zitate.
Aber rein intuitiv bezweifle ich, dass eine Vorhersage von 98 % möglich ist. 80 % wahrscheinlich ja, aber nicht 98 %. Vielleicht hat der Autor die Forschungsergebnisse ein wenig in die Länge gezogen - das kann ich durchaus zugeben. Aber um diese Ergebnisse zu überprüfen, müssen Sie die gleichen Experimente wie der Autor durchführen - nur dann können Sie etwas "Hundertprozentiges" sagen.
dies ist eine Illusion... Integer hatte Recht, als er es sagte - die Handlung bleibt der Vorhersage überlassen...
In Wirklichkeit wird alles an einem primitiven Beispiel überprüft... Sie können jede Methode verwenden - ab dem zweiten oder dritten Artikel ))))
Wenn wir eine Stichprobe bis zur ersten gelben vertikalen Linie machen, erhalten wir 90-95% des Ergebnisses... gehen wir zur nächsten Linie... wenden wir denselben Algorithmus an... erhalten wir weniger... den letzten Abschnitt (Wachstum) wird das Netz niemals vorhersagen...
all dies ist für die Vorhersage mehrere Schritte für 1 VP (Eintrag von der gleichen) natürlich... Wenn man die Tiefpunkte hervorhebt (Zyklizität), kann man im Prinzip immer noch Wachstum erfassen...
Vereinbart.... es scheint viele Freiheiten zu geben, aber das, was gebraucht wird, kann nicht gezwickt werden....
die Blackbox ist diese Nsh...
es ist nur so, dass es eine gewisse Zyklizität ( Dynamik ) gibt ... Wenn also diese Dynamik in das Modell einfließt (ns, Regression oder andere... im Grunde macht es keinen Unterschied) und dann für eine Weile anhält... dann gut... wenn es sich ändert, dann scheitert es... Gründe für die veränderte Dynamik 2...Markt und DT-Filter...
Ja, ich stimme Ihnen zu.
Dies ist die zweite Erklärung für die Leistung: Für die Tests wurde bewusst ein Zeitraum gewählt, in dem das Netz lokal erfolgreich war und ein schwindelerregendes Ergebnis zeigte. Übrigens ist es merkwürdig, dass die Länge des Prüfungszeitraums 150 Punkte beträgt und nicht 200 oder z. B. 451. Es stellt sich heraus, dass es sich um eine latente Passung handelt.