red neuronal y entradas - 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
En cuanto al reconocimiento de las letras del alfabeto (por analogía), debemos suponer que el mercado es un sistema cerrado. Eso lo hará estacionario (usando su lenguaje), es decir, debemos introducir todo lo que sabemos sobre el mercado. )))))
Y aquí aparece la eterna pregunta del constructor de ST: ¿la función no lineal que la red ha construido con las entradas y salidas dadas es un ajuste o una regularidad realmente encontrada?
Y en el caso de NS la cuestión es muy seria, porque, por ejemplo, 2 capas de 10 neuronas es un centenar de pesos (un centenar de parámetros del futuro EA) que deben ser optimizados. Intente tomar un Asesor Experto con cien parámetros y ejecute la optimización en todos ellos durante un año: lo más probable es que esto se considere un ajuste.
Más concretamente, desconocemos la naturaleza de la no estacionariedad de los mercados financieros y, por desgracia, no lo sabemos.
La única ventaja de NS es que es muy poco lineal y muy flexible. Con una pequeña cantidad de neuronas el SN puede memorizar (aprender) de 10 a 15 años de una tabla de minutos de cualquier instrumento de forma fácil y natural.
Al parecer, ¿qué más se necesita?
Y aquí sólo la habilidad del comerciante se vuelve relevante - para introducir información de aquellos símbolos que tienen regularidades y evitar el reentrenamiento de la red. Si se cumplen estas dos condiciones, la red funcionará perfectamente.
Pero estas dos condiciones son de las más difíciles. Todo lo que necesita es la "corazonada" del comerciante )))).
Más concretamente, la naturaleza de la no estacionariedad de los mercados financieros es algo que desconocemos y, por desgracia, no podemos conocer.
Ciertamente podemos especular, pero es como predecir: no sirve de nada. "Como un dedo en el cielo" ))))
No es inútil en absoluto: si la entrada (cociente) se describe adecuadamente, da una ventaja estadística bastante tangible. Para ponerlo en términos formales, el problema es encontrar una transformación que tenga un kotir en la entrada y un GPB estacionario en la salida como residuo. Si se encuentra la transformación, significa que el modelo tiene en cuenta todas las peculiaridades del comportamiento del kotir. Bueno, entonces es una cuestión de tecnología: analizar los parámetros actuales del modelo y determinar si actualmente nos dan la oportunidad de aprovechar la situación. La tarea es creativa, pero así es, el "calibre científico" fue, es y será siempre el principal método de síntesis científica)))
No es inútil en absoluto: si la entrada (cociente) se describe adecuadamente, proporciona una ventaja estadística bastante tangible. En términos formales, el problema es encontrar una transformación que tenga un kotir en la entrada y un RGE estacionario en la salida como residuo. Si se encuentra la transformación, significa que el modelo tiene en cuenta todas las peculiaridades del comportamiento del kotir. Bueno, entonces es una cuestión de tecnología: analizar los parámetros actuales del modelo y determinar si actualmente nos dan la oportunidad de aprovechar la situación. La tarea es creativa, pero así es, el "calibre científico" fue, es y será siempre el principal método de síntesis científica)))
No estoy de acuerdo con esas complicaciones, pero da igual.
De hecho, en mi opinión (y no sólo en la mía), todo es mucho más sencillo: si hay patrones en los cocientes alimentados a las entradas y salidas de la NS, entonces la red los encontrará con éxito y usted estará contento. Y prácticamente cualquier NS. Si no hay regularidades - es inútil transformar, sintetizar, construir algún tipo de NS integral y hacer otros pinitos científicos y matemáticos - no encontrarás regularidades donde no las hay )))).
Es como buscar un gato negro en una habitación negra, sobre todo si no está allí ))))
No estoy de acuerdo con tales complicaciones, pero no importa.
De hecho, en mi opinión, es mucho más sencillo: si hay patrones en los cocientes alimentados a las entradas y salidas de la NS, la red los encontrará y estarás contento. Y prácticamente cualquier NS. Si no hay regularidades - es inútil transformar, sintetizar, construir algún tipo de NS integral y hacer todas las demás bromas científicas y matemáticas )))).
¡No lo sé! La regularidad puede no estar en todas partes, sino aparecer sólo en ciertos momentos, a corto plazo, que el NS no definirá debido a su inercia. Personalmente, mantengo exactamente este punto de vista en lo que respecta a kotier: hay pequeños puntos locales de ineficacia, y para trabajar con ellos hay que detectarlos desde el principio. Para que la red pueda hacer esto, no debe ser una red cualquiera, sino una con retroalimentación entre las capas, y no tomada al azar, sino según algún modelo, es decir, de nuevo, hay que poner algún conocimiento a priori en la NS.
No, no es así. Puede que el patrón no esté en todas partes, sino que aparezca sólo en determinados momentos, a corto plazo, que el SN no puede detectar debido a su inercia. Personalmente, este es exactamente mi punto de vista con respecto a kotier - hay pequeñas áreas locales de ineficiencia, y para trabajar con ellas hay que detectarlas desde el principio. Para que la red pueda hacer esto, no debe ser una red cualquiera, sino una con retroalimentación entre las capas, y no tomada al azar, sino según algún modelo, es decir, de nuevo, hay que poner algún conocimiento a priori en la NS.
Por cierto, en la mencionada teoría de control óptimo se demuestra que el problema de búsqueda de una ley de control óptimo bajo ciertas condiciones (np bastante simple en la estructura "contraejemplo de Witsenhausen" para el controlador cuadrático) es NP-completo (es decir, computacionalmente muy complicado), por lo que no es de extrañar que intenten resolverlo sólo con esta particular NS...
No, no lo es. La regularidad puede no estar en todas partes, sino aparecer sólo en ciertos momentos, a corto plazo, que el SN no puede determinar debido a su inercia. Personalmente, mantengo exactamente este punto de vista en lo que respecta a kotier: existen pequeñas áreas locales de ineficacia, y para trabajar con ellas es necesario detectarlas desde el principio. Para que la red pueda hacer esto, no debe ser una red cualquiera, sino una con retroalimentación entre las capas, y no tomada al azar, sino según algún modelo, es decir, de nuevo, hay que poner algún conocimiento a priori en la NS.
Tal vez, pero para qué hacer esas investigaciones cuando es posible ganar dinero por métodos mucho más sencillos.
Su método tiene cierto sentido profundo, pero surgen muchas preguntas que tienen muy pocas respuestas: ¿cómo se detectan estas áreas ineficaces? ¿Cuáles son las ineficiencias? ¿Cómo se identifica la naturaleza de estas retroalimentaciones en relación con estos modelos? ¿Cómo se puede determinar la correlación entre estos modelos y las retroalimentaciones? ¿Qué conocimientos a priori y cómo relacionarlos con los modelos en conjunción con las retroalimentaciones? En pocas palabras, el cáncer de cerebro ))))
Por cierto, en la teoría de control óptimo que mencioné, está demostrado que el problema de encontrar una ley de control óptimo bajo ciertas condiciones (nn un "contraejemplo de Witsenhausen" bastante simple en estructura para un controlador cuadrático) es NP-completo (es decir, computacionalmente terriblemente complicado), así que no es de extrañar que intenten resolverlo precisamente con un NS...
OK, me rindo )))) Estoy fuera ))))