Was soll in den Eingang des neuronalen Netzes eingespeist werden? Ihre Ideen... - Seite 29

Neuer Kommentar
 
Ich habe alle MLP- und RNN-Architekturen ausprobiert
Bis zu 5 Schichten, bis zu 20 Neuronen pro Schicht. Der MT5-Optimierer lässt nicht mehr zu.

Das Ergebnis ist merkwürdig: je mehr Schichten - desto schlechter. Je mehr Neuronen - desto schlechter.

Rekord: 1 Input, 1 Schicht, 1 Neuron - hat sich als das Beste herausgestellt.

Ich verstehe das überhaupt nicht.

Das heißt, 1 Input reicht sogar für 1 Neuron, das nur 1 Gewicht mit diesem Input multipliziert, um einen stabilen Handel für die längste Zeit aufrechtzuerhalten.

Nun, so stabil wie möglich: das Beste vom Schlechtesten, das heißt - Sätze mit stabiler Vorwärtsbewegung erscheinen sogar in den oberen Zeilen des Optimierers.

Offensichtlich müssen wir an dieser Stelle graben: lokal in einer kleinen, aber gemütlichen "Katzenkiste"
 
Ivan Butko #:
Ich habe alle MLP- und RNN-Architekturen ausprobiert
Bis zu 5 Schichten, bis zu 20 Neuronen pro Schicht.
MT5-Optimierer erlaubt nicht mehr

Das Ergebnis ist merkwürdig: je mehr Schichten - desto schlechter. Je mehr Neuronen - desto schlechter.

Der Rekord: 1 Eingabe, 1 Schicht, 1 Neuron - erwies sich als der beste.

Ich verstehe das überhaupt nicht.

Das heißt, ein Input reicht aus, damit auch nur ein Neuron, das nur ein Gewicht mit diesem Input multipliziert, den Handel für die längste Zeit stabil halten kann.

Wie stabil: die besten der schlechtesten, d.h. Sätze mit stabilen Vorwärtsbewegungen erscheinen sogar in den obersten Zeilen des Optimierers.

Offensichtlich müssen wir an dieser Stelle graben: lokal in einer kleinen, aber gemütlichen "Katzenbox"

Der wichtigste Faktor ist die Anzahl der Variablen

 
Ivan Butko #

Das verstehe ich überhaupt nicht.

Verzerrungs-Varianz-Abgleich, ML-Grundlagen.
 
Maxim Dmitrievsky #:
Bias-Varianz-Tradeoff, ML-Grundlagen.

Ich habe das Gegenteil versucht: Ich habe bis zum Äußersten umgeschult, fast von Punkt zu Punkt, so dass es im Forward stetig abfließt, und dann die Positionen umgedreht. Ja, das Abfließen hörte auf, aber es verwandelte sich in eine Flaute, weil sich eine große Anzahl von Geschäften verteilte. Ein Fehler gleicht den anderen aus.

 
Ivan Butko #:

Ich habe es andersherum versucht: Ich habe ihn bis zum Äußersten trainiert, fast von Punkt zu Punkt, so dass er im Vorwärtsgang stetig abfloss, und dann die Positionen umgedreht. Ja, der Abfluss hörte auf, aber er wurde zu einem Flat, weil sich eine große Anzahl von Geschäften verteilte. Ein Fehlschlag kompensiert den anderen.

So machen sie es. Zunächst wird ein großes Netz trainiert, dann werden Schichten und Neuronen verworfen, bis ein Optimum erreicht ist, das die Verzerrung bei neuen Daten minimiert. Parallel dazu nimmt die Varianz (Fehlerspanne) der Trainingsdaten zu. Wenn gar nichts funktioniert, dann liegt das Problem in den Daten.

Das heißt, dass man es bei den Trainingsdaten anständig und bei den Testdaten akzeptabel machen muss. Einen Kompromiss eingehen. Wenn Ihnen das Ergebnis nicht gefällt, dann müssen Sie die Daten ändern. Und so geht es immer weiter, bis die Karotte am Ende ist.
 
Versuchen Sie die Volatilität (std-Indikator). Sie wird bei neuen Daten besser sein, weil sie immer ungefähr gleich ist, je nach Zeit. Es gibt nur dann einen Unterschied, wenn sich der Markt bei neuen Daten mit der gleichen Volatilität im Durchschnitt in eine andere Richtung bewegt. Dann können Sie auch einen Zeitfilter hinzufügen, um herauszufinden, wann die Volatilität gleich ist.
 
Maxim Dmitrievsky #:
Versuchen Sie die Volatilität (std-Indikator). Sie wird bei neuen Daten besser sein, weil sie immer ungefähr gleich ist. Es gibt nur dann einen Unterschied, wenn sich der Markt bei neuen Daten mit der gleichen Volatilität in eine andere Richtung bewegt.




Ich hatte die Idee, die Daten zu normalisieren (den Schwanz abzuschneiden) auf eine Dezimalstelle .0; Mol, um Stationarität zu schaffen, denn er reagiert auf diese kleinen Zahlen und erinnert sich deshalb dummerweise an den "Weg" des Preises, als ob es eine kleine Zahl wäre.

 
Ivan Butko #:




Ich hatte die Idee, die Daten auf eine Dezimalstelle .0 zu normalisieren (den Schwanz abzuschneiden), um Stationarität zu schaffen, denn es reagiert auf diese kleinen Zahlen und merkt sich deshalb dummerweise den "Weg" des Preises, als ob er derselbe wäre.

Es wird nicht viel bringen, genauso wie man zufälliges Rauschen zu den Merkmalen hinzufügen kann. Es wird in einigen Fällen etwas besser sein, weil es weniger umtrainiert wird, aber es ist kein Allheilmittel.
 
Wenn Sie logisch denken, brauchen Sie eine Art langfristigen Trendindikator und Volatilität. Der Trend zeigt an, in welche Richtung Geschäfte eröffnet werden, und die Volatilität gibt die Momente an. Etwas anderes kann man sich bei den Indikatoren nicht vorstellen.

Und es ist notwendig, verschiedene Trends in das Training einzubeziehen, damit es lernt, zwischen ihnen zu unterscheiden.
 

Sie können alles eingeben, was Sie wollen:

Tageszeit, Wochentag, Mondphasen, usw. usw.

Ein normales Netzwerk sortiert die notwendigen und unnötigen Daten von selbst.

Die Hauptsache ist, was man lehren will!

Das Lernen mit einem Lehrer ist hier nicht geeignet. Netze mit rückwärtiger Fehlerfortpflanzung sind einfach unbrauchbar.

1...222324252627282930313233343536...68
Neuer Kommentar