red neuronal y entradas - página 39

 

La calidad de la modelización en fuera de muestra:
*
* TruePositives: 83
* VerdaderosNegativos: 111
* FalsosPositivos: 96
* FalsosNegativos: 47
* Total de patrones en las muestras con estadísticas: 337
* El resto de patrones en fuera de las muestras sin las estadísticas: 78
* Total de errores fuera de la muestra: 143
* Sensibilidad de la capacidad de generalización: 46,36871508379888%.
* Especificidad de la capacidad de generalización: 70,25316455696202%.
* Capacidad de generalización: 16,621879640760895%
* Indicador de Reshetov: 0,004123184591376475
*/
double x0 = 2,0 * (v0 - 19,0) / 35,0 - 1,0;
double x1 = 2.0 * (v1 - 12.26) / 57.8300000000005 - 1.0
double x2 = 2.0 * (v2 - 21.0) / 13.0 - 1.0
double x3 = 2.0 * (v3 - 12.11) / 24.3800000000003 - 1.0
double x4 = 2.0 * (v4 - 18.0) / 40.0 - 1.0
doble x5 = 2,0 * (v5 - 11,61) / 58,5 - 1,0;
doble decisión = -0,03426154451479057 + 0,09136531101334192 * x0 -0,16115463032514218 * x1 + 0,3774761240476446 * x0 * x1 -0.1495367886396967 * x2 -0,2182655506670959 * x0 * x2 -0,686972851164288 * x1 * x2 -0,7274492971348857 * x0 * x1 * x2 -0,06979110777265085 * x3 + 0.27356476016739995 * x0 * x3 -0,026662374360625248 * x1 * x3 + 0,12474514432879064 * x0 * x1 * x3 -0,2919894838501985 * x2 * x3 -0,28637167793397 * x0 * x2 * x3 + 0.04656257824516221 * x1 * x2 * x3 + 0,11427907143112637 * x0 * x1 * x2 * x3 + 0,01709410880995815 * x4 + 0,21856958901169654 * x0 * x4 -9.925957720785493E-4 * x1 * x4 + 0,9723342991021926 * x0 * x1 * x4 + 0,04599384769467396 * x2 * x4 -0,05459813284687198 * x0 * x2 * x4 + 0.37290192411918303 * x1 * x2 * x4 + 0,010296169116858033 * x0 * x1 * x2 * x4 + 0,058584612082841506 * x3 * x4 + 0,531371391780234 * x0 * x3 * x4 -0.025018778838931215 * x1 * x3 * x4 + 0,1861984476159817 * x0 * x1 * x3 * x4 + 0,07319097184962621 * x2 * x3 * x4 + 0,0968827127374181818 * x0 * x2 * x3 * x4 + 01411041957291555 * x1 * x2 * x3 * x4 + 0,16417712916264263 * x0 * x1 * x2 * x3 * x4 -0,1726597989770004 * x5 + 0,36239224523375185 * x0 * x5 -0.008892292227349143328 * x1 * x5 -0,04417677147047251 * x0 * x1 * x5 -0,7319687377043317 * x2 * x5 -0,7806416997531924 * x0 * x2 * x5 + 0.01225632222209106843 * x1 * x2 * x5 + 0,04393711771649319 * x0 * x1 * x2 * x5 -0,006563651321672569 * x3 * x5 + 0,06276424509067496 * x0 * x3 * x5 -0.015999570769395857 * x1 * x3 * x5 -0,05302786422005222 * x0 * x1 * x3 * x5 + 0,03534892871195049 * x2 * x3 * x5 + 0,1463193475694817 * x0 * x2 * x3 * x5 -0.027476124047644598 * x1 * x2 * x3 * x5 + 0,052884787352004865 * x0 * x1 * x2 * x3 * x5 -0,018202954537325178 * x4 * x5 + 1,0 * x0 * x4 * x5 -0.07118968415781378 * x1 * x4 * x5 -0,003138748792788926 * x0 * x1 * x4 * x5 + 0,2624137067639589 * x2 * x4 * x5 -0,02015595378617162 * x0 * x2 * x4 * x5 + 0.08019279607969382 * x1 * x2 * x4 * x5 + 0,06399649461673285 * x0 * x1 * x2 * x4 * x5 -0,02596308616804378 * x3 * x4 * x5 + 0.18361769860857746 * x0 * x3 * x4 * x5 -0,08407017017920377723 * x1 * x3 * x4 * x5 + 0,03014271917587724 * x0 * x1 * x3 * x4 * x5 + 0,07432306756805093 * x2 * x3 * x4 * x5 + 0.20722895875809277 * x0 * x2 * x3 * x4 * x5 + 0,0075079586507851345 * x1 * x2 * x3 * x4 * x5 + 0,20670493972886933 * x0 * x1 * x2 * x3 * x4 * x5

Es complicado..... Cómo de bien describen los datos la variable dependiente????

 

He presentado un expediente de formación. Todavía no hay intervalo de prueba :-( Pero eso no es problema.....

Y por lo que entendí, se tomaron 337 entradas, aunque yo presenté 600.

A continuación, intentaré reproducir el resultado en mi entorno. Me pregunto cuál será el resultado, incluso en máquinas diferentes.

Archivos adjuntos:
 
Y sobre los datos no está muy claro cómo tomarlos para entrenar la red en datos limpios..... Cómo seleccionar VerdaderosPositivos: VerdaderosNegativos: FalsosPositivos: FalsosNegativos de la muestra de entrenamiento e intentar entrenar la red. A ver qué pasa. La normalización de los datos entrantes, es algo bueno.... No sé cómo usar .... Sólo para que se vea bien...
 

El resultado coincide con ....... Supongamos que encontramos 83 ejemplos positivos reales. ¿Cómo los separamos de la muestra total? ...... Y alimentar puramente estos 83 registros naturalmente normalizados. Y si la red aprende con un error mínimo a estos 83 registros. Entonces podrá (teóricamente) clasificar dichos registros en la entrada noise...... Así....

 
nikelodeon:

He presentado un expediente de formación. Todavía no hay intervalo de prueba :-( Pero eso no es problema.....

Y por lo que entendí, se tomaron 337 entradas, aunque yo presenté 600.

A continuación, intentaré reproducir el resultado en mi entorno. Me pregunto cuál será el resultado, incluso en máquinas diferentes.

El VMR divide la muestra total en dos partes: entrenamiento y control. Es decir, si la muestra total contiene 600 ejemplos, significa que 600 - 337 = 263 ejemplos se incluyeron en la muestra de entrenamiento, con la que se creó el modelo (se entrenó), y 337 ejemplos se incluyeron en la muestra de control, con la que se probó el modelo (pero no se entrenó).
nikelodeon:
Y sobre los datos, no está muy claro cómo tomarlos para entrenar la red en datos limpios..... Cómo extraer de un conjunto de entrenamiento VerdaderosPositivos: VerdaderosNegativos: FalsosPositivos: FalsosNegativos e intentar entrenar la red.
No tiene sentido extraer nada del conjunto de entrenamiento. La muestra de entrenamiento es sólo para crear el modelo, y el modelo es para otros datos que no estarán en esta muestra, por lo que VMR hace todos los cálculos sólo en la muestra de control.
 

De hecho, JPrediction no se creó para predecir instrumentos financieros, sino para predecir la rentabilidad de las señales para el mes siguiente.

En otras palabras, recopilo una muestra que incluye las características actuales de la señal: número de operaciones, plazo, % de beneficio mensual, porcentaje de operaciones rentables, porcentaje de operaciones perdedoras, factor de beneficio, ratio de Sharp, etc. Luego espero un mes y marco con 1 al mes operaciones rentables y 0 no rentables.

A continuación, entreno el modelo con esta muestra y lo utilizo para predecir las señales del mes siguiente.

La idea es que las señales son más fáciles de pronosticar porque tienen mucha información adicional útil además de los datos históricos. Los instrumentos financieros no tienen más datos que los históricos.

 
Wizard, ¿qué programa utilizas para interpretar los datos? ¿Excel?
 

Así que estoy pensando... en cómo interpretar el resultado... para hacerlo más rápido y desde luego no a mano........

 
Reshetov:

De hecho, JPrediction no se creó para predecir instrumentos financieros, sino para predecir la rentabilidad de las señales para el mes siguiente.

En otras palabras, recopilo una muestra que incluye las características actuales de la señal: número de operaciones, plazo, % de beneficio mensual, porcentaje de operaciones rentables, porcentaje de operaciones perdedoras, factor de beneficio, ratio de Sharp, etc. Luego espero un mes y marco 1 marca para las señales que han tenido un beneficio en un mes, mientras que marco 0 marca para las operaciones no rentables.

A continuación, entreno el modelo con esta muestra y lo utilizo para predecir las señales del mes siguiente.

La idea es que las señales son más fáciles de pronosticar porque tienen mucha información adicional útil además de los datos históricos. Los instrumentos financieros no tienen más datos que los históricos.

Apoyo totalmente ese punto de vista, tengo un indicador que da señales. Los mismos oficios. Creo que puede ser posible ejecutarlo también en JPrediction, pero no está claro cómo elegir el intervalo de entrenamiento? Y sería conveniente guardar el archivo con el indicador calculado para cada registro.....Como lo hace Vizard...... Y los datos en sí para poder obtenerlos.... Sobre ellos se puede intentar entrenar otra red más adelante..... Eso es todo. Dime Yuri, ¿es esto planificado????
 
Lo más molesto es que Excel tampoco admite fórmulas tan largas :-(