Redes neuronales artificiales. - página 6
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
No hay locura. Hay un profundo conocimiento de las redes. Sería muy largo exponerlo aquí, y no tiene sentido hacerlo. Así que me limitaré a exponer brevemente mi opinión. Los que no estén de acuerdo, que hablen, que pongan ejemplos, incluso Tecnologías del Renacimiento si quieren. Vamos a reírnos juntos.
Hay un profundo conocimiento de las redes. Se tarda mucho tiempo en ponerlo aquí, y no tiene sentido hacerlo.
No hay locura. Hay un profundo conocimiento de las redes. Sería muy largo exponerlo aquí, y no tiene sentido hacerlo. Así que me limitaré a exponer brevemente mi opinión. Los que no estén de acuerdo, que hablen, que pongan ejemplos, incluso Tecnologías del Renacimiento si quieren. Vamos a reírnos juntos.
Probablemente sea imposible dar ejemplos ahora, pero en el futuro, con la evolución del terminal, del lenguaje de programación, de las herramientas, será posible hacer una IA en toda regla, muchos grandes hombres se han equivocado en el progreso, algunos han cambiado de opinión a tiempo, muchos han fracasado por ello, así que debemos esperar a
2 matemáticos, 2 físicos, 2 neurobiólogos y 2 economistas
Es un círculo vicioso.
Si sabemos lo que necesitamos para alimentar las entradas del NS, entonces el NS es inútil.
Y si suministramos nuestros insumos con cosas, no necesitaremos NS.
Así que la conclusión es: ¿las redes neuronales son una mierda? !!!! =)
Creo que la información realmente importante debe llegar a la NS:
1)últimas cotizaciones, por ejemplo, las últimas barras de 10 horas (para que NS pueda detectar niveles y pateras);
2)Hora actual (para que la SN sepa cuándo esperar picos de volatilidad, ya que las noticias y las aperturas del mercado se producen en valores de tiempo redondo);
3)Indicadores macroeconómicos (preferiblemente en tiempo real, cómo y desde dónde introducirlos en MT5 - no lo sé);
4) Noticias buenas y malas por diferentes regiones (no sé cómo implementarlo, puedo introducir el ratio de noticias malas/buenas, pero no sé cómo alimentarlas a MT5 y desde dónde alimentarlas automáticamente, sin intervención humana);
Puede que ahora no sea posible dar ejemplos, pero en el futuro, con la evolución del terminal, del lenguaje de programación, de las herramientas, será posible hacer una IA en toda regla, muchos grandes hombres se han equivocado en el progreso, algunos han cambiado de opinión a tiempo, muchos han fracasado por ello, así que hay que esperar hasta
(No se juntarán y harán algo que realmente funcione)), además, no hay garantía de que estas redes neuronales no existan ya, probablemente estén trabajando tranquilamente en el terminal de alguienLos avances en las redes neuronales artificiales comenzaron en 1943 y en 69 años ni siquiera han aprendido a distinguir los gatos de los perros. Hay áreas en las que se han utilizado con éxito, áreas en las que los datos no necesitan una transformación no lineal significativa. Por ejemplo, predecir el consumo de electricidad en función de la hora del día y la temperatura del aire. Predicción del crecimiento del PIB basada en los pedidos de fábrica, la renta personal, el desempleo, etc. En el mercado, las redes deben tomar decisiones basadas en los precios anteriores. Dar N precios pasados por sí mismos como entradas a la red no es bueno, por lo que establecer una relación no lineal entre datos ruidosos es una tontería. Los patrones existen en el mercado, pero están tan distorsionados que ni siquiera con los métodos convencionales de transformación no lineal del tiempo y los precios se pueden identificar. Por ejemplo, de N precios pasados los momentos más importantes pueden ser sólo uno o dos segmentos, es decir, los segmentos en los que estos precios alcanzan niveles de soporte y resistencia, líneas de tendencia o cambian de dirección. La forma en que los precios se mueven entre estas importantes secciones no es importante en la mayoría de los casos. Es decir, la dimensionalidad N de los datos se reduce significativamente a 2-3x mediante dicha transformación no lineal. La propia red nunca aprenderá a hacer esa transformación no lineal de los precios. Depende de nosotros hacerlo. Pero si sabemos lo que hay que hacer con los precios, ya conocemos la estrategia de antemano (desglose de niveles, por ejemplo) y ¿para qué necesitamos la red? Si sabemos que un patrón 1-2-3 en una tendencia conduce a la continuación de la misma, ¿por qué necesitamos la red? Quizá en el futuro los ordenadores sean tan potentes que haya nuevos tipos de redes, más parecidas a las biológicas (quizá en 20-30 años).
Lea también aquí, donde se describen bien las desventajas de las redes: https://en.wikipedia.org/wiki/Neural_network
Por ejemplo, este pasaje:
Para implementar redes neuronales de software grandes y eficaces, es necesario comprometer muchos recursos de procesamiento y almacenamiento. Mientras que el cerebro tiene un hardware adaptado a la tarea de procesar señales a través de un gráfico de neuronas, simular incluso una forma más simplificada en la tecnología Von Neumann puede obligar a un diseñador de NN a rellenar muchos millones de filas de bases de datos para sus conexiones, lo que puede consumir enormes cantidades de memoria de ordenador y espacio en el disco duro. Además, el diseñador de sistemas NN a menudo tendrá que simular la transmisión de señales a través de muchas de estas conexiones y sus neuronas asociadas, lo que a menudo debe corresponderse con cantidades increíbles de potencia de procesamiento de la CPU y tiempo. Aunque las redes neuronales suelen dar lugar a programas eficaces, con demasiada frecuencia lo hacen a costa de la eficiencia (suelen consumir cantidades considerables de tiempo y dinero).
Probablemente sea imposible dar ejemplos ahora, pero en el futuro, con la evolución del terminal, el lenguaje de programación y las herramientas será posible crear una IA en toda regla, muchos grandes personajes se han equivocado en el progreso, algunos han cambiado de opinión a tiempo, muchos han fracasado por ello, así que hay que esperar
Y el terminal y el MQL5 no tienen nada que ver, porque nadie prohíbe la IA en general y el MU en particular, hace tiempo que se prohibió implementarlo (completamente) usando otras herramientas, incluso añadiéndolo como librería a MT.
El problema no es crear una parrilla y enseñarla (cómo hacerlo está claro, porque hay mucha información e incluso implementaciones ya hechas). El problema con las mallas es bastante diferente -de hecho, se expresa aquí-: toda la eficacia de una malla está "enterrada" en la elección de los datos de entrada sobre los que la entrenamos. Y seleccionar los datos correctos (en un contexto de mercado), transformarlos correctamente (por ejemplo, convertirlos en un espacio multidimensional, que forma, según una teoría, los atractores de un proceso estocástico oculto tras las manifestaciones externas de los cambios en las cotizaciones) - este es el conocimiento más valioso, sobre el que no he encontrado ninguna información útil en la práctica. Todo lo sugerido en la rama anterior ya se ha intentado, por supuesto, sin éxito. Por ejemplo, los indicadores macro no necesitan la rejilla, porque si se sabe interpretarlos correctamente, se puede operar con las manos. Las noticias no son un indicador porque, en primer lugar, la reacción sobre ellas será ex post facto, y en cierto modo queremos predecir los movimientos y tomar decisiones antes de que las noticias lleguen al mercado, y en segundo lugar, la reacción sobre las noticias es impredecible - por ejemplo: un terremoto en Japón - el yen parece ser malo, pero de hecho la demanda de éste aumentó, y también las noticias suelen ser negativas, pero menos negativas de lo esperado y se perciben como una razón para subir el mercado, etc. En general, se ha probado todo. Los que han tenido éxito en algo (si es que lo tienen) no se sientan aquí. Y no comparten su experiencia.
Continuación del debate sobre las redes en el mercado. Tomemos como ejemplo la corteza visual de nuestro cerebro. Sólo la capa V1 de esta corteza contiene 140 millones de neuronas, mientras que sólo hay 6 capas. Todas estas neuronas procesan la información en paralelo y están conectadas entre sí a través de millones de sinapsis adaptativas. Los ordenadores a disposición de los operadores pueden tener hasta 1000 núcleos de GPU. Es decir, para imitar la corteza visual, cada núcleo debe computar cientos de miles de neuronas en tiempo real. La formación de una red de este tipo llevaría alrededor de un año. Y todo ello para ver el mundo y reconocer las imágenes. Incluso si somos capaces de entrenar esta red con éxito, seguirá sin alcanzar la misma precisión en el reconocimiento de objetos que nosotros, porque estamos utilizando algo más que la información visual. Por ejemplo, una de las tareas más difíciles para las redes artificiales es el reconocimiento de sombras. Para nosotros es una obviedad, ya que conocemos las propiedades de la luz. Pero la red no conoce estas propiedades de la luz y, a menos que le enseñemos a hacerlo, no puede detectarlas. La red tampoco está familiarizada con la transparencia de los objetos, etc. Por ejemplo, en el mercado hay mucho más ruido que en la información visual y los objetos (patrones de precios) están mucho más distorsionados. Y queremos un par de docenas de neuronas mirando los precios del pasado para establecer los patrones del mercado. Ridículo, ¿no?
Continuación del debate sobre las redes en el mercado. Tomemos como ejemplo la corteza visual de nuestro cerebro. Sólo la capa V1 de esta corteza contiene 140 millones de neuronas, mientras que sólo hay 6 capas. Todas estas neuronas procesan la información en paralelo y están conectadas entre sí a través de millones de sinapsis adaptativas. Los ordenadores a disposición de los comerciantes pueden tener hasta 1000 núcleos de CPU. Es decir, para imitar la corteza visual, cada núcleo debe computar cientos de miles de neuronas en tiempo real. La formación de una red de este tipo llevaría alrededor de un año. Y todo ello para ver el mundo y reconocer las imágenes. Incluso si somos capaces de entrenar esta red con éxito, seguirá sin alcanzar la misma precisión en el reconocimiento de objetos que nosotros, porque estamos utilizando algo más que la información visual. Por ejemplo, una de las tareas más difíciles para las redes artificiales es el reconocimiento de sombras. Para nosotros es una obviedad, ya que conocemos las propiedades de la luz. Pero la red no conoce estas propiedades de la luz y, a menos que le enseñemos a hacerlo, no puede detectarlas. La red tampoco está familiarizada con la transparencia de los objetos, etc. Por ejemplo, en el mercado hay mucho más ruido que en la información visual y los objetos (patrones de precios) están mucho más distorsionados. Y queremos un par de docenas de neuronas mirando los precios del pasado para establecer los patrones del mercado. Ridículo, ¿no?
Le daré otro ejemplo.
Fui al sitio de RBC, hay 137 noticias hoy y sólo 3 de ellas tuvieron un impacto real en el tipo de cambio del rublo. Y es muy probable que haya efectos que no se mencionan en las noticias.
Es decir, no sólo hay que aprender a filtrar el flujo de entrada con mucho cuidado, sino que puede ser que en el flujo de entrada no haya información que describa las razones de estos o aquellos cambios de precios.
En general, no hay que confundir lo cálido con lo suave. Las máquinas se crearon originalmente para sustituir el trabajo humano monótono/estudiado. Si tomamos el ámbito del comercio, la gran mayoría de los participantes no entiende lo que está haciendo, lo que se refleja en los resultados. No hay principios unívocos que garanticen resultados en el futuro, si se toma el dólar M3 y la dinámica del SP500, se puede ver que incluso la estrategia buy&hold está perdiendo dinero. ¿Qué deberían hacer entonces las máquinas, perder también monótonamente...
Aunque el arte por el arte, también tiene derecho a la vida.