NS + indicadores. Experimento. - página 8
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
NSDT no tiene Kohonen, pero hay otros clasificadores en el complemento Adaptive Net Indicators. Aunque puede conectar NeuroShell2 net directamente a MT4 o NSDT.
Me pregunto cómo piensan utilizar la red de Kohonen para comerciar. No son tres clases allí, es mucho más. Necesito pensar en algún algoritmo para analizar las clases obtenidas.
Cuando empecé a investigar la clasificación de las barras mediante los mapas de Kohonen, codifiqué las barras de la siguiente manera para simplificar el experimento: alcista +1, bajista -1, esquiva 0. Creé arbitrariamente 15 clases en NS2. Después del entrenamiento, terminé con 4 clases vacías. Revisé el número de clases a 11 y llené esta cuadrícula en МТ4. A continuación, utilicé el script para introducir tres clases cerca de todos los extremos y realicé una sencilla operación inversa. Los datos de entrada eran "tal cual", es decir, sólo números de clase. No hubo ninguna normalización. Luego configuré un simple Asesor Experto que consistía en esas rejillas solamente, utilizando las señales del loopback y lo "apliqué" a 2005. Por extraño que parezca, incluso funcionó. Por supuesto, no intenté sacar ninguna conclusión sobre los resultados, porque ni siquiera era un experimento, sino un trabajo de laboratorio. Pero quería pensar en las perspectivas de este proyecto.
Es decir, no necesitaba ningún algoritmo de selección de clases. Todo estaba claramente dibujado en el gráfico del propio NS2. Y, en general, es posible conseguir el resultado deseado en el propio NS2. Pero para hacerlo, hay que saltar un poco hacia adelante y hacia atrás, jugar con los parámetros, mirar los gráficos, mirar los datos de salida. Por lo tanto, es un poco tedioso, pero muy posible.
Me pregunto cómo piensan utilizar la red Kohonen para comerciar. No hay tres clases, sino mucho más. Debes pensar en algún algoritmo para analizar las clases obtenidas.
Ciertamente, no 3 o incluso 10. En la primera etapa los analizo manualmente para dar con los criterios adecuados. Entonces lo automatizo. De lo que se planea:
- cada entrada se evalúa por "grado de idealismo" - cuán cerca está de los extremos locales (33) por ejemplo
- entonces cada clase puede ser evaluada desde el punto de vista de la pureza - cuántas entradas son ideales o cercanas a ella y cuántas están vacías.
El primer estudio de la primera versión del conjunto de entradas (neuronas) mostró que hay 2-3 clases que son bastante aceptables desde el punto de vista de la entrada en el mercado. Y la potencia de estas clases produce unas 2-4 operaciones al día.
Todo está todavía en bruto y en desarrollo :-) Entonces planeo hacer (ya empezado) un programa que cree independientemente una red, la entrene, la estime, la ejecute en el probador incorporado, guarde los resultados, cree una nueva, la ejecute, seleccione el "campeón", etc.
ZS. Ok, torturaré el NS2 por ahora, sólo que es miserable, como dije, en términos de interfaz y evaluación de los resultados de entrenamiento de la red.
¿Por qué no? Lo hay.
Al trabajar con una red Kohonen, no podemos saber de antemano cuántas clases vamos a recibir. En el proceso de aprendizaje, el vector de características de entrada se dividirá en clases, siempre que se cumpla el criterio de separabilidad dado (por ejemplo, la distancia euclidiana). Supongamos que tenemos "clusters", encontramos centros, y entonces...
Visualmente, por mapa, claro, se puede estimar, pero sería deseable automatizar. El segundo paso debería ser un profesor que indicara qué clases, qué acciones corresponden a qué.
Yo también sigo en carne viva. Hay ideas, desarrollos. También estoy trabajando con NS2.
Al trabajar con una red Kohonen, no podemos saber de antemano cuántas clases vamos a recibir. En el proceso de aprendizaje, el vector de características de entrada se dividirá en clases, siempre que se cumpla el criterio de separabilidad dado (por ejemplo, la distancia euclidiana). Supongamos que tenemos "clusters", encontramos centros, y entonces...
Visualmente, en el mapa, por supuesto, se puede estimar, pero sería deseable automatizar. En la segunda etapa, debería haber un profesor que indicara qué clases, qué acciones corresponden a qué.
Yo también sigo en carne viva. Hay ideas, desarrollos. También estoy trabajando con NS2.
¿Por qué no podemos decir cuántas clases tendremos? Podemos contarlo todo. No sé sobre NSH2 (no puedo asegurarlo - no lo he visto), pero en Trader, puedes especificar tantas clases como quieras - clase de compra, clase de venta, dejar clase de compra, dejar clase de venta. Tendrás tantas clases como necesites. Y no hay ningún problema con ello.....
En primer lugar, no me gusta el NS2 porque allí no se puede colorear el mapa de Kohonen, y en segundo lugar, no se puede cambiar la agrupación sobre la marcha, cosa que el deducible hace fácilmente. Para ello no hay que volver a entrenar la red. Sólo hay que cambiar los parámetros para combinar en clases. En el mismo deductor se puede establecer el número de clases, se pueden establecer niveles de significación para la agrupación, entonces no está claro cuántas habrá, y se puede prescindir de las clases en absoluto, y mirar en qué celda cae la entrada.
www.basegroup.ru también se puede buscar fácilmente en Google
www.basegroup.ru también se puede buscar fácilmente en Google
www.basegroup.ru también se puede buscar fácilmente en Google