Neuro-Prognose von Finanzreihen (auf der Grundlage eines Artikels) - Seite 8
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 denke, wir müssen darauf hinarbeiten, eine Optimierungsfunktion zu finden. D.h. die Suche nach Zielfunktionen. Was soll das Netz an der Optimierungsstelle finden???? Parameter für maximale Ausgewogenheit im gleichen Bereich. Nein, denn die Praxis zeigt, dass dies in Zukunft nicht mehr funktioniert. Wir müssen also nach Schlüsselmomenten suchen, die jetzt nicht funktionieren, aber in Zukunft funktionieren werden. Und dafür müssen wir Statistiken sammeln, abschätzen, welche Momente wann und wie funktionieren....
Nun, schauen Sie, was mir in den Sinn kam, es mag nicht realistisch sein, aber es ist der Weg... sozusagen das Ziel.
das Folgende zu tun.
Alles wie auf den NS-Screenshots.
1. Wir trainieren das Netz über einen Zeitraum von 6 Monaten. Wenn der NS mit Machs arbeitet, lernt er diese Parameter sehr gut, er wird normal handeln.
2. Nehmen Sie die ersten 3 Monate, schauen Sie sich das Ergebnis des Netzhandels an. (theoretisch sollte das Ergebnis gut sein, da das Netz diese Daten gesehen hat)
3. das Netz so zu optimieren, dass es genau die Parameter lernt, die wir bereits kennen.
Suche, Anpassung und Entwicklung einer Funktion, die zu einer Optimierung dieser Parameter führt.
5. nachdem wir die Funktion gefunden haben, testen wir sie an einem Segment, das dem Netzwerk nicht präsentiert wird........
Jetzt werde ich versuchen, es teilweise in NS.... zu betrachten.
Das Signal eines neuronalen Netzes, das nur auf Trendabschnitte trainiert wird, ist nicht zufällig, sondern entspricht der Art und Weise, wie das Netz trainiert wurde. Das heißt, es folgt der Bewegung und läuft seitlich ab.
Ich meinte starke Veränderungen, unvorhersehbare Bewegungen usw.
Ich meinte plötzliche Veränderungen, unvorhersehbare Bewegungen usw.
Dem Netz kann beigebracht werden, bei solchen Bewegungen auf dem Zaun zu bleiben. Zum Beispiel so: https://www.mql5.com/ru/code/10151
Aber das Schlimme ist, dass die Zielfunktionen in NS kompliziert sind... Man kann sie nicht einfach so ausgraben...
Hm. Normalerweise trainiere ich neuronale Netze in einem Statistikpaket, wobei die Zielfunktion nicht der Gleichgewichtswert in der Trainings- oder Testperiode ist, sondern der Fehlerwert am Ausgang des Netzes. Dies ist im Prinzip eine klassische Version des maschinellen Lernens. Sie können mit dem Wert des Fehlers experimentieren: Nehmen Sie die Summe der Quadrate des Fehlers; die Summe der Quadrate geteilt durch die Anzahl der Beispiele; den Fehler modulo. Und das ist noch nicht alles.
Das trainierte Netz tauscht dann Signale mit dem Roboter im dll-Format aus. Der Spielraum ist enorm...
Dem Netz kann beigebracht werden, bei solchen Bewegungen auf dem Zaun zu bleiben. Zum Beispiel so: https://www.mql5.com/ru/code/10151
Es kann auch ein SCP verwendet werden. An Trainingsbeispielen trainieren Sie zunächst ein ACS und messen den maximalen Fehler bei der Bestimmung, ob ein Beispiel zu einer Zelle oder einem Cluster gehört. Dann werden ein oder mehrere neuronale Netze auf denselben Daten trainiert, um beispielsweise eine Vorhersage der Preiserhöhung einen Schritt voraus zu machen. Und in der Arbeit werden neue, bisher unbekannte Beispiele zunächst mit dem abgestimmten ACS abgeglichen. Überschreitet das Vorhersagenetzwerk eine vordefinierte Fehlerschwelle, wird das Vorhersagenetzwerk NICHT eingeschaltet, oder der Handelsroboter reagiert nicht auf das Signal des Netzwerks. Kurz gesagt, wir nutzen das ACS, um Anomalien zu erkennen, und handeln nicht danach. Praxisbeispiel: Es ist Herbst 2008. Wir haben das neuronale Netz trainiert und beschlossen, während des Quartals zu handeln. Es gibt einen Einbruch der Dynamik bei allen wichtigen Paaren, der Löwenanteil der Beispiele wird von ACS einfach herausgefiltert und erlaubt keine Handelsentscheidungen. Aber das ist für mich alles nur Theorie. Und blah blah blah. Ich habe es nicht in der Praxis getestet.
Was kann daran interessant sein (abgesehen von der Aufgabe, Ihr Gehirn zu trainieren)?
Kein NS kann ohne Umschulung (im Sinne des Lernens aus neuen Daten) funktionieren. Der Markt verändert sich, und das Netz muss das lernen. Die Frage ist: Wann sollte man eine neue Ausbildung beginnen? ;)
Und dann, was man im Gitter "reparieren" kann, wenn es "bricht", ändern Sie die Schichten und die Anzahl der Neuronen, eine andere Übertragungsfunktion -.... Aber Sie werden nie genau wissen, was, wie und wo Sie etwas ändern müssen. Solange Sie das Netz nicht an den neuen Markt anpassen, wird es nicht funktionieren. Und es ist nicht dasselbe, wie wenn ( Price == Ask ) und sehen, dass Ask = 1.2345, während Price sich aus irgendeinem Grund als 1.23449999999 herausstellt.
Stellen Sie sich nun einen Dialog mit einem möglichen Investor vor, der Sie fragt: "Raten Sie mal, welche Antwort er gerne geben würde?
1) NS erneut trainieren und wenn es gelernt hat, wieder verdienen lassen (wenn sich der Markt bis dahin nicht wieder ändert)
2) Ich setze ein Debugging-Siegel darauf, finde den Fehler und korrigiere ihn.
Wenn Sie also "interessiert" sind, sind Sie willkommen, aber wenn Sie Geld verdienen wollen? ;)
Sie haben bereits mit einem Rollenspiel begonnen? Ich bin hier kein Helfer )))) Ich werde in diesem Thread nicht darüber diskutieren, Sie sind auf sich allein gestellt.
Aufgrund Ihrer begrenzten Erfahrung mit NS halten Sie dieses Instrument von vornherein für eine Datenanpassung, eine Blackbox, eine Harke im Nichts usw. Die Anzahl der Schichten, Neuronen und Funktionsbündel sind in den falschen Händen nur unnötiger Ballast. Zunächst muss man eine Vorstellung davon haben, warum das Netz funktionieren soll, und diese Vorstellung sollte mit umfangreichen Vorwärtstests an verschiedenen Stellen der Zeitreihe getestet werden. Die Risikobewertung erfolgt im Voraus und nicht erst bei einer bevorstehenden Spülung. Ich sage es Ihnen. Ich persönlich habe mit NS keinen einzigen Penny verloren; ich habe nur mit der Demo verloren).
Das Zweite, was ich sagen wollte, ist, dass ein seriöser Neuro-Adept, nachdem er alle notwendigen Tests durchgeführt hat, sich auch um das Problem der Extraktion kümmert, oder, auf Russisch, um das Verständnis der Heuristiken, die während des Trainings innerhalb des NS gebildet werden - die Essenz der Regeln, nach denen die Ausgangssignale in Abhängigkeit von den Eingaben erzeugt werden. Alle schwarzen Kisten gehen nach LINKS. Man muss sich mit der Logik des neuronalen Netzes auseinandersetzen und verstehen, was es tut. Joo hat auch darüber geschrieben, und es ist logisch. Andernfalls stellt sich heraus, dass man in Sowjetrussland von der NS kontrolliert wird. Ha.
Wie kommen Sie mit den Vorlesungen voran? :)
Nur so mittelmäßig. Ich hoffe, dass sie später für ein schrittweises Mastering verfügbar sein werden. Ich war in letzter Zeit sehr beschäftigt mit der Arbeit.
Ich werde versuchen, mich zusammenzureißen und ein paar mehr zu sehen. Bei den Vorlesungen über den Gradientenabstieg aufgehört, das heißt, im Allgemeinen fast am Anfang.
Ein weiterer Artikel über die erfolgreiche Anwendung der Neurotechnologie in der Prognosetechnik.
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.184.7175&rep=rep1&type=pdf
Es verwendet Techniken der Chaostheorie, um Verzögerungen des Eingangsvektors zu erzeugen. Außerdem wird das Netz für falsche Vorhersagen bestraft. Das Testmuster beträgt 100 Tage. Die Ergebnisse sind beeindruckend: 80 % oder mehr Treffer. Aber dieses Mal ist die Vorhersage entweder nach oben (+2%) oder nach unten gerichtet. Übrigens, aus persönlicher Erfahrung würde ich sagen, dass Trends an der Börse gut vorhergesagt werden, gibt es andere Fallstricke, wie, wenn Sie falsch sind, dann ist der Verlust groß, es frisst die Statistik Vorteil. Ob Sie es glauben oder nicht, auch ich habe bei Tests eine Trefferquote von 80 %.