Einsatz neuronaler Netze im Handel - Seite 33
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
Gut aussehend - schön.
In der Armee hatte ein Kamerad von mir diese Inschrift auf seine Schulter tätowiert... :-)
Ich denke, das Thema ist nicht abgedeckt, zumindest was die Organisation und die Aufbereitung der Eingabedaten für das Netz betrifft...
Wir müssen das Objekt, mit dem wir arbeiten, definieren. Woher haben die neuronalen Netzwerker diese Definition? Womit arbeiten sie? Schichten, Perzeptronen?
Wozu brauchen neuronale Netze überhaupt Schichten oder Perzeptrons? Sollen sich doch die Entwickler neuronaler Netze damit befassen.
Für einen neuronalen Netzwerker ist ein neuronales Netzwerk eine Blackbox.
Alles, was ein Ingenieur für neuronale Netze für die Aufgabenstellung haben sollte: Werte für die Eingänge und Werte für die Ausgänge - eine Stichprobe, die in zwei Teile unterteilt ist - Training und Test (Forward Test). Dementsprechend besteht die Aufgabe darin, sicherzustellen, dass die Werte an den Eingängen mit maximaler Wahrscheinlichkeit mit den Werten an den Ausgängen des neuronalen Netzes in der Teststichprobe übereinstimmen, nachdem es anhand der Trainingsstichprobe trainiert wurde.
Sie müssen hier beginnen. Beginnen Sie mit einem einfachen Beispiel.
Stationäre Reihe = Mo und Varianz ist eine Konstante. Bei ARCH ist die Varianz nicht nur nicht konstant, sondern hängt auch von den vorherigen Werten ab.
Bei der Erstellung von Modellen ist eine Prüfung auf ARCH-Residuen aus den Modellen obligatorisch, da MOC bei Vorhandensein von ARCH nicht angewendet werden kann.
von hier aus starten - einfacher geht es nicht.
Fragen Sie mich nicht - all dies wurde in diesem Forum schon vor langer Zeit erklärt.
Muster werden 18 Stunden lang gelehrt und angerechnet, wobei die Hauptfrage lautet: Haben Sie verstanden, dass Muster beim Handel nicht verwendet werden sollten?
Davon abgesehen würde ich sagen, dass Ihr Lehrer zumindest ein wenig daneben lag.
Ich bin nicht sarkastisch, ich war auch mal Student. Ich bin neugierig, nach welcher Antwort wurde die Gutschrift erteilt?
In Anbetracht dessen würde ich sagen, dass Ihr Lehrer zumindest ein wenig vom Thema abgewichen ist.
Ich bin nicht sarkastisch, ich habe auch studiert. Ich bin neugierig, nach welcher Antwort wurde die Gutschrift erteilt?
Es tut mir leid, Studenten gibt es in allen möglichen Fachrichtungen. TA wird in DC in zwei Wochen gelehrt, während Ökonometrie fünf Jahre dauert und nicht jeder das will.
Ich kann es noch einmal sagen: Bei der TA stellt sich die Frage nach der Wahrscheinlichkeit des Eintreffens der Vorhersage überhaupt nicht. Wir glauben einfach und lecken und verstehen nicht, warum. In der Ökonometrie steht die Frage des Vertrauens in die Ergebnisse der Modellierung im Vordergrund. Genau wie im Leben.
Wozu brauchen neuronale Netze überhaupt Schichten oder Perzeptrons? Überlassen Sie es den Entwicklern neuronaler Netze, sich damit zu befassen.
Für den Designer eines neuronalen Netzes ist ein neuronales Netz eine Blackbox.
Alles, was ein Ingenieur für neuronale Netze für die Aufgabenstellung haben sollte: Werte für die Eingänge und Werte für die Ausgänge - eine Stichprobe, die in zwei Teile unterteilt ist - Training und Test (Forward Test). Dementsprechend besteht die Aufgabe darin, sicherzustellen, dass die Werte an den Eingängen mit maximaler Wahrscheinlichkeit mit den Werten an den Ausgängen des neuronalen Netzes in der Teststichprobe übereinstimmen, nachdem es anhand der Trainingsstichprobe trainiert wurde.
Lieber Juri, ich möchte Sie bitten, eine solche Aussage nicht verallgemeinernd zu verwenden (ich meine für alle neuronalen Netzwerker). Neuronale Netzwerker (im allgemeinen Sinne) machen sich häufig Gedanken über die Anzahl der versteckten Schichten und in regelmäßigen Abständen auch über die Anzahl der Neuronen in diesen versteckten Schichten. Und manchmal gibt es auch Schwierigkeiten bei der Wahl der Aktivierungsfunktion. Und manchmal muss man auch eine Methode des Gradientenabstiegs wählen. Ich fühle mich überhaupt nicht beleidigt, ganz und gar nicht. Aber trotzdem haben Sie die Situation zu sehr vereinfacht.
Einverstanden. Meine Beiträge sind themenfremd. Wenn Sie mich entschuldigen würden.
Tut mir leid, aber Studenten gibt es in allen möglichen Fachrichtungen. TA wird in vierzehn Tagen für jeden in DC gelehrt, während Ökonometrie fünf Jahre lang gelehrt wird und nicht für jeden.
Ich kann es noch einmal wiederholen: In der TA wird die Frage nach der Wahrscheinlichkeit der Durchführung der Vorhersage überhaupt nicht gestellt. Wir glauben einfach und lecken und verstehen nicht, warum. In der Ökonometrie steht die Frage des Vertrauens in die Ergebnisse der Modellierung im Vordergrund. Wie im Leben.
Ich streite nicht. Ökonometrie sind Sie, nicht ich. Ich habe nur drei Jahre Mathematik in einem nicht-mathematischen Fachbereich studiert. Und von der TA wurde nie verlangt, ein "Konfidenzintervall"zu haben. Der TA zeigt dem Händler das Eintreten einer Situation an, nach der ein Ereignis mit hoher Wahrscheinlichkeit eintreten wird. In der Regel zur einen oder anderen Seite. Mit anderen Worten: die Vorhersage des Ereignisses und nur des Ereignisses. Und wo genau das Ziel der TA liegt, hat sich bis auf wenige Ausnahmen nie gezeigt. In den meisten Fällen gilt: "Wo immer der Wind weht, da handeln wir".
EconMod, ich habe die weiße Fahne gehisst. Ich war es leid, in diesem Modus zu arbeiten. Die Wahrheit hat vor etwa sieben Seiten aufgehört, sich zu Wort zu melden. Pinkeln um des Pinkelns willen, das ist nicht mein Ding. Ich war schon als Kind sehr still.
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 eingeordnet. 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.
Nehmen wir den klassischen Fall - das Flugzeug. Die Theorie besagt, dass die Daten (im Falle der Ebene) linear trennbar sein müssen, um eine erfolgreiche Klassifizierung zu erreichen.
Das Flugzeug ist ein klassisches Beispiel, kein klassischer Fall. Diese einfache Trennbarkeit wird in solchen Beispielen nur zur Veranschaulichung der Idee verwendet.
Es ist notwendig, die Dimensionalität des Merkmalsvektors schrittweise zu erhöhen, um eine praktisch akzeptable Klassifikation zu erstellen. In diesem Fall muss die Trennung der Klassen nicht linear sein.