Einsatz neuronaler Netze im Handel - Seite 28
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
Was Sie geschrieben haben, wurde bereits mehrfach in diesem Forum diskutiert, und nicht nur dort. Ich habe also nicht die Energie, alles ein zweites Mal zu schreiben .......
Robot_al:
... Форекс мне стал более-менее понятен, даже, когда он непонятен - это всего лишь инверсия "понятности".
... Nun, Forex ist nur ein Ort, an dem ich die Logik der Algebra von George Bull anwenden konnte.
Cool...
Toll...
Was Sie geschrieben haben, wurde bereits mehrfach in diesem Forum diskutiert, und nicht nur dort. Ich habe also nicht die Energie, alles ein zweites Mal zu schreiben .......
Ich habe dieses Forum also nicht sorgfältig gelesen. Ich habe nämlich keine derartigen Diskussionen gesehen. Wie auch immer, ich bestehe nicht darauf. Und ein zweites Mal zu schreiben ist wirklich keine dankbare Aufgabe.
Als ich in dieses Forum kam, stellte ich mir nur eine Frage. Diese Frage scheint beantwortet worden zu sein.
solar, ich mache Sie darauf aufmerksam, dass ich das Problem der Klassifizierung angedeutet habe. und das ist das Prinzip des Lernens ohne Lehrer, d.h. es gibt hier kein "out"-Konzept.
P.S. Sorry, aus irgendeinem Grund musste ich meinen Nickname leksus in den aktuellen ändern.
Bevor Sie sich ganz auf die Klassifizierung konzentrieren. Aber denken Sie darüber nach - wenn Sie dem Netzwerk zum Beispiel 5 Buchstaben des Alphabets beibringen, wie wollen Sie dann nach dem Scannen den Text erkennen?
Ich trolle dich überhaupt nicht. Die wichtigste Botschaft - die Vollständigkeit der Informationen ist erforderlich. Sie konzentrieren sich bisher auf das Falsche, finde ich.
Kurz bevor Sie sich ganz auf die Klassifizierung konzentrieren. Denken Sie darüber nach - wenn Sie dem Netzwerk zum Beispiel 5 Buchstaben des Alphabets beibringen, wie wollen Sie dann nach dem Scannen eine Texterkennung durchführen?
Nein, natürlich werde ich keine Texterkennung durchführen. Es hat keinen Sinn, alle fünf Buchstaben zu lernen...
Danke, ich versuche auch, konstruktiv zu sein. Und ich hatte den Eindruck, dass wir über unterschiedliche Dinge sprechen. Als ich mich über die Schwierigkeiten bei der Klassifizierung beklagte, meinte ich Folgendes.
Nehmen wir den klassischen Fall - das Flugzeug. Die Theorie besagt, dass die Daten (im Falle der Ebene) linear trennbar sein sollten, um eine erfolgreiche Klassifizierung zu erreichen.
(Sorry, ich konnte keine schönen Bilder finden, ich musste schnell Bilder in Excel machen).
Angenommen, wir haben Daten mit 2 Parametern X und Y (die Ebene...). Wir haben sie an Einheitsvektoren angehängt und das folgende Bild erhalten. Wir sehen 5 deutlich getrennte Bereiche. Jedes SOM kann sofort eine Klassifizierung vornehmen, und die Klassifizierung ist dann nur eine Klassifizierung. Alle neuen Daten werden in eine der Klassen fallen. Die Eigenschaften der einzelnen Klassen sind uns bekannt. Wenn wir also herausfinden, in welche Klasse die neuen Daten fallen, wissen wir sofort alles über sie. Mit all dem, was dies impliziert...
Leider sind klassische und praktische Fälle, wie man in Odessa sagt, zwei große Unterschiede.
Im praktischen Fall entluden wir die Daten und erhielten ein Bild wie dieses. Auch in diesem Fall ist eine Klassifizierung sicherlich möglich, hat aber keinen praktischen Nutzen. Wir können dieselben 5 Klassen angeben und SOM wird sie ehrlich "zeichnen", indem es einfach die Clusterzentren gleichmäßig verteilt. Das neu eingegangene Datum wird irgendwo hingehen. Aber dieses "irgendwo" macht keinen Sinn mehr. Alle Daten sowie ihre Eigenschaften sind gleichmäßig über die Ebene verstreut (durcheinander). Wenn wir einer solchen Klassifizierung glauben und ein neues Datum einer der Klassen zuordnen, betrügen wir uns nur selbst.
Dies ist der Kern des Problems und das, was ich in meinem Beitrag meinte. Egal, wie ich das Problem betrachtete, es gelang mir nie, Daten mit eindeutiger Trennbarkeit zu erhalten. Entweder gibt es überhaupt keine Trennbarkeit, also versuchen Sie es gar nicht erst. Oder ich habe nicht genug Bodenhaftung. Mutter Natur hat mich mit einer gewissen Selbstkritik gesegnet, also neige ich zur zweiten Option. Deshalb berate ich mich mit verschiedenen Genossinnen und Genossen. Sobald Sie eine klare Klassifizierung haben, können Sie mit einem Wahrscheinlichkeitsraster und Fuzzy-Logik arbeiten.
Nein, natürlich mache ich keine Texterkennung. Es hat keinen Sinn, alle fünf Buchstaben zu lernen...
Danke, ich versuche auch, konstruktiv zu sein. Und ich dachte, wir würden über verschiedene Dinge sprechen. Mit meiner Klage über die Schwierigkeiten bei der Klassifizierung habe ich Folgendes gemeint.
Nehmen wir den klassischen Fall - das Flugzeug. Die Theorie besagt, dass die Daten (im Falle der Ebene) linear trennbar sein sollten, um eine erfolgreiche Klassifizierung zu erreichen.
(Sorry, ich konnte keine schönen Bilder finden, ich musste schnell Bilder in Excel machen).
Angenommen, wir haben Daten mit 2 Parametern X und Y (die Ebene...). Wir haben sie an Einheitsvektoren angehängt und das folgende Bild erhalten. Wir sehen 5 deutlich getrennte Bereiche. Jedes SOM kann sofort eine Klassifizierung vornehmen, und die Klassifizierung ist dann nur eine Klassifizierung. Alle neuen Daten werden in eine der Klassen fallen. Die Eigenschaften der einzelnen Klassen sind uns bekannt. Wenn wir also herausfinden, in welche Klasse die neuen Daten fallen, wissen wir sofort alles über sie. Mit all dem, was dies impliziert...
Leider sind klassische und praktische Fälle, wie man in Odessa sagt, zwei große Unterschiede.
Im praktischen Fall entluden wir die Daten und erhielten ein Bild wie dieses. Auch in diesem Fall ist eine Klassifizierung sicherlich möglich, hat aber keinen praktischen Nutzen. Wir können dieselben 5 Klassen angeben und SOM wird sie ehrlich "zeichnen", indem es einfach die Clusterzentren gleichmäßig verteilt. Das neu eingegangene Datum wird irgendwo hingehen. Aber dieses "irgendwo" macht keinen Sinn mehr. Alle Daten sowie ihre Eigenschaften sind gleichmäßig über die Ebene verstreut (durcheinander). Wenn wir einer solchen Klassifizierung Glauben schenken und ein neues Datum einer der Klassen zuordnen, betrügen wir uns nur selbst.
Dies ist der Kern des Problems und das, was ich in meinem Beitrag meinte. Egal, wie ich das Problem betrachtete, es gelang mir nie, Daten mit eindeutiger Trennbarkeit zu erhalten. Entweder gibt es überhaupt keine Trennbarkeit, also versuchen Sie es gar nicht erst. Oder ich habe nicht genug Bodenhaftung. Mutter Natur hat mich mit einer gewissen Selbstkritik gesegnet, also neige ich zur zweiten Option. Deshalb berate ich mich mit verschiedenen Genossinnen und Genossen. Sobald Sie eine klare Klassifizierung haben, können Sie mit einem Wahrscheinlichkeitsraster und Fuzzy-Logik arbeiten.
Typische TA-Argumentation, blinder Glaube an das Postulat - "Geschichte wiederholt sich".
Alles, worüber Sie schreiben, ist (vielleicht) gut für die Datenanalyse, aber nicht einmal annähernd gut für Prognosen.
Warum glauben Sie, dass die Klassen, die als Ergebnis einer erfolgreichen Klassifizierung identifiziert wurden (unter der Annahme, dass es Ihnen gelungen ist, dieses Problem zu lösen), in Zukunft sein werden? Das Hauptproblem ist nicht die Klassifizierung, sondern die Vorhersagbarkeit der Methode und das Vertrauen in ihre künftige Anwendung. Das ist ein ganz anderes Problem. Deshalb haben neuronale Netze im Handel nur einen sehr begrenzten Wert. IMHO.
In der Regel lässt sich die volle Leistungsfähigkeit von Netzen nutzen, wenn man nicht direkte, sondern indirekte Daten verwendet, die einen stabilen Bezug zum Objekt haben.
So hängt beispielsweise die Beleuchtungsstärke von Objekten am Tag und am Abend vom Sonnenstand ab. Und wenn Sie die Beleuchtungsdaten der Sonne verwenden, erhalten Sie die Beleuchtungsstärke der Objekte.
Der Sinn von Netzen besteht darin, Informationen aus zusammenhängenden Ereignissen zu rekonstruieren. Ein Netzwerk ist keine magische Funktion, es hat genauso viel Magie wie jede mathematische Funktion.
Ich werde nicht darauf bestehen, aber wenn Sie klassifizieren, annähern, vorhersagen, interpolieren oder etwas anderes ..... wollen, müssen Sie es ablegen. alles Ich werde alle damit verbundenen Daten hervorheben. Und dies ist nicht nur OHLCV in irgendeiner Weise verändert. Kann zum Beispiel die Bewegung von Gold irgendeine Auswirkung auf ein Instrument haben? Öl? Und so weiter.....
Ich wünsche Ihnen generell viel Glück bei dieser für Sie schwierigen Aufgabe.
Vielleicht sollten Sie da doch nichts reinstecken? Vielleicht sollte es einen Zusammenhang geben zwischen dem, was reingeht und dem, was rauskommt?
Schlagen Sie Dollar für die Eingabe vor?
Ich habe nachgedacht. Vielleicht ist das richtig. ))
Typische TA-Argumentation, blinder Glaube an das Postulat - "Geschichte wiederholt sich".
Blindes Vertrauen hat es nie gegeben. Materialist durch und durch. Aber ich bin fest davon überzeugt, dass sich "die Geschichte wiederholt". Ich glaube, dass es sich wiederholt. Das bedeutet nicht, dass sich der Kurs heute um 15 Uhr genauso verhält wie letzten Dienstag um 15 Uhr oder etwas Ähnliches.
Alles, worüber Sie schreiben, ist (vielleicht) gut für die Datenanalyse, aber es ist bei weitem nicht gut genug für Prognosen.
Warum glauben Sie, dass die Klassen, die als Ergebnis einer erfolgreichen Klassifizierung identifiziert wurden (unter der Annahme, dass es Ihnen gelungen ist, dieses Problem zu lösen), in Zukunft sein werden? Das Hauptproblem ist nicht die Klassifizierung, sondern die Vorhersagbarkeit der Methode und das Vertrauen in ihre künftige Anwendung. Das ist ein ganz anderes Problem. Deshalb haben neuronale Netze im Handel nur einen sehr begrenzten Wert. IMHO.
In diesem Fall liegen Analyse und Vorhersage auf einer Wellenlänge.
Über die Klassen, die ich nicht zähle, kann ich im Moment nur spekulieren. Und Sie haben Recht, das Hauptproblem ist nicht die Klassifizierung. Die Klassifizierung ist nur eine Art Basis. Und ein weiteres (Ziel) ist die Vorhersehbarkeit. Aber hier zähle ich auch nichts. Ich weiß nicht, ob es funktionieren kann oder nicht. Das werde ich herausfinden, wenn ich das "Gerät in Eisen" einsetze. Erst dann wird sie bekannt werden.
Blindes Vertrauen hat es nie gegeben. Ein Materialist durch und durch. Aber ich bin fest davon überzeugt, dass sich "die Geschichte wiederholt". Ich glaube, es wiederholt sich. Das bedeutet nicht, dass sich der Preis genauso verhalten wird wie am vergangenen Dienstag um 15.00 Uhr oder ähnlich.
In diesem Fall liegen Analyse und Vorhersage auf einer Wellenlänge.
Über die Klassen zähle ich nicht, im Moment kann ich nur raten. Und Sie haben Recht, das Hauptproblem ist nicht die Klassifizierung. Die Klassifizierung ist nur eine Art Basis. Und ein weiteres (Ziel) ist die Vorhersehbarkeit. Aber hier zähle ich auch nichts. Ich weiß nicht, ob es funktionieren kann oder nicht. Ich werde es wissen, wenn ich das "Gerät in Eisen" einsetze. Erst dann wird sie bekannt werden.
Vielleicht verstehe ich etwas nicht.
Wir klassifizieren nach Mustern. Wir glauben, dass ein solches Muster in der Zukunft auftreten wird, und wir werden dieses Wissen für Prognosen nutzen können. Oder?
Auf welcher Grundlage? Wer hat bewiesen, dass es ein solches Muster überhaupt gibt, oder leicht oder stark verändert?
IMHO, wenn wir dem Netz beibringen, den handgeschriebenen Buchstaben "a" zu erkennen, dann ist es absolut sicher, dass es diesen Buchstaben auch in Zukunft geben wird, denn er ist in der Sprache vorhanden, und wenn in Zukunft die meisten Menschen anfangen, mit den Füßen zu schreiben, wird es immer noch ein "a" geben, nur die Schrift wird sich ändern und das Netz muss vielleicht weiter trainiert werden. Sie spricht von Stationarität.
Notierungen sind im Prinzip ein nicht-stationärer Prozess, d. h. es gibt immer eine Art von Abweichungen, die zu verschiedenen Zeiten unterschiedlich sind und die mit dem stationären Teil vergleichbar sind (ihn übersteigen). Das ist das Problem - die Nicht-Stationarität des Originals: heute russische Buchstaben und morgen chinesische Buchstaben. Man muss nach der objektiven Realität suchen, die die Buchstaben widerspiegeln. Und das ist es, was neuronale Netzwerker nicht tun.