Uso de redes neuronales en el comercio - página 33
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
Guapos - hermosos.
En el ejército, un compañero mío tenía esta inscripción tatuada en su hombro... :-)
Creo que el tema no está cubierto, al menos en cuanto a la organización y preparación de los datos de entrada a la red...
Tenemos que definir el objeto con el que estamos trabajando. ¿De dónde sacan esta definición los expertos en redes neuronales? ¿Con qué trabajan? ¿Capas, perceptrones?
¿Por qué las redes neuronales necesitan capas o perceptrones? Dejemos que los desarrolladores de redes neuronales se ocupen de ellos.
Para un experto en redes neuronales, una red neuronal es una caja negra.
Todo lo que un ingeniero de redes neuronales debe tener para establecer tareas: valores en las entradas y valores en las salidas - muestra que se divide en dos partes - entrenamiento y prueba (forward test). En consecuencia, la tarea consiste en garantizar que los valores de las entradas con la máxima probabilidad coincidan con los valores de las salidas de la red neuronal en la muestra de prueba después de entrenarla con la muestra de entrenamiento.
Hay que empezar por aquí. Empieza con uno sencillo.
La serie estacionaria = Mo y la varianza es una constante. Con el ARCH la varianza no sólo no es una constante, sino que depende de los valores anteriores.
Cuando se construyen los modelos, es obligatorio comprobar la existencia de residuos ARCH en los modelos, ya que el MOC no puede aplicarse en presencia de ARCH.
empezar desde aquí - no podría ser más sencillo.
No me preguntes a mí, todo esto se ha explicado en este foro hace mucho tiempo.
Los patrones se enseñan durante 18 horas y se aceptan como crédito, siendo la pregunta principal: ¿entiendes que los patrones no deben utilizarse en el trading?
Dicho esto, yo diría que su profesor estaba, como mínimo, un poco fuera de lugar.
No estoy siendo sarcástico, yo también fui estudiante. Tengo curiosidad, ¿después de qué respuesta se dio el crédito?
Dicho esto, yo diría que su profesor estaba, como mínimo, un poco fuera de lugar.
No estoy siendo sarcástico, yo también fui estudiante. Tengo curiosidad, ¿después de qué respuesta se dio el crédito?
Lo siento, los estudiantes tienen todo tipo de carreras. El AT se enseña en quince días a cualquiera en DC, mientras que la econometría lleva 5 años y no todo el mundo la quiere.
Puedo decirlo de nuevo: en el AT no se trata en absoluto de la probabilidad de que se cumpla el pronóstico. Sólo creemos y filtramos y no entendemos por qué. En econometría, la cuestión de la confianza en los resultados de la modelización es la principal. Como en la vida.
¿Por qué las redes neuronales necesitan capas o perceptrones? Deja que los desarrolladores de redes neuronales se ocupen de ellos.
Para un diseñador de redes neuronales, una red neuronal es una caja negra.
Todo lo que un ingeniero de redes neuronales debe tener para establecer tareas: valores en las entradas y valores en las salidas - muestra que se divide en dos partes - entrenamiento y prueba (forward test). En consecuencia, la tarea consiste en garantizar que los valores de las entradas con la máxima probabilidad coincidan con los valores de las salidas de la red neuronal en la muestra de prueba después de entrenarla con la muestra de entrenamiento.
Estimado Yuri, me gustaría pedirte que no utilices esa afirmación en sentido general (me refiero a todos los que trabajan en redes neuronales). Verá, los creadores de redes neuronales (en sentido general) suelen preocuparse por el número de capas ocultas, y también periódicamente por el número de neuronas en estas capas ocultas. Y también a veces hay dificultades con la elección de la función de activación. Y a veces también hay que elegir un método de descenso de gradiente. No me ofende en absoluto, en absoluto. Pero aun así, has simplificado demasiado la situación.
De acuerdo. Mis posts son off-topic. Si me disculpan.
Lo siento, los estudiantes tienen todo tipo de especialidades. El AT se enseña en una quincena a cualquiera en DC, mientras que la econometría se enseña durante 5 años y no a todo el mundo.
Puedo reiterar: en el AT no se plantea en absoluto la cuestión de la probabilidad de ejecución de las previsiones. Simplemente creemos y filtramos y no entendemos por qué. En econometría, la cuestión de la confianza en los resultados de la modelización es la principal. Como en la vida.
No estoy discutiendo. La econometría eres tú, no yo. Sólo tengo tres años de matemáticas en un departamento no matemático. Y al AT nunca se le ha exigidoun"intervalo de confianza". El AT indica (muestra al operador) la ocurrencia de una situación, tras la cual se producirá un evento con un alto grado de probabilidad. Por regla general, a un lado o a otro. En otras palabras, la previsión del evento y sólo del evento. Y dónde está exactamente el objetivo del AT nunca ha estado, salvo raras excepciones. La mayoría de las veces, es "donde sea que sople, ahí es donde comerciamos".
EconMod, he tirado la bandera blanca. Estaba cansado de operar en este modo. La verdad dejó de intentar decir una palabra hace unas siete páginas. Orinar por orinar, no es lo mío. He estado callado desde que era un niño.
No, por supuesto que no estoy haciendo reconocimiento de texto. No tiene sentido aprender las cinco letras...
Gracias, yo también intento ser constructivo. Y yo que pensaba que estábamos hablando de cosas diferentes. En mi lamento sobre las dificultades de clasificación me refería a lo siguiente.
Tomemos el caso clásico: el avión. La teoría establece que los datos (en el caso del plano) deben ser linealmente separables para producir una clasificación exitosa.
(lo siento, no tenía ninguna foto bonita, tuve que hacer algunas fotos rápidas en Excel).
Supongamos que tomamos datos con 2 parámetros X e Y (el plano...). Los hemos unido a vectores unitarios y hemos obtenido la siguiente imagen. Vemos 5 áreas claramente separadas. Cualquier SOM puede gestionar la clasificación a la vez y la clasificación será sólo una clasificación. Cualquier dato nuevo entrará en una de las clases. Las propiedades de cada clase son conocidas por nosotros, por lo que con sólo averiguar a qué clase pertenecen los nuevos datos, lo sabemos todo de inmediato. Con todo lo que implica...
Por desgracia, los casos clásicos y los prácticos, como dicen en Odessa, son dos grandes diferencias.
En el caso práctico descargamos los datos y obtenemos una imagen como ésta. La clasificación es ciertamente posible también en este caso, pero no tiene ningún valor práctico. Podemos especificar las mismas 5 clases y SOM las "dibujará" honestamente, sólo distribuyendo uniformemente los centros de los clusters. El dato recién llegado irá a alguna parte. Pero este "en algún lugar" ya no tiene sentido. Todos los datos, así como sus propiedades, están uniformemente dispersos (revueltos) en el plano. Si nos creemos esa clasificación y atribuimos un nuevo dato a una de las clases, sólo nos estamos engañando.
Este es el quid del problema, y lo que quería decir en ese post mío. Por lo tanto, no importaba cómo mirara el problema, nunca conseguía obtener datos con una clara separabilidad. Así que o no hay separabilidad en absoluto, así que ni lo intentes. O no tengo suficiente tracción. La madre naturaleza me ha bendecido con algo de autocrítica, así que me inclino por la segunda opción. Por lo tanto, consulto con varios camaradas. Una vez que se tiene una clasificación clara, se puede trabajar con una cuadrícula de probabilidad y una lógica difusa.
Tomemos el caso clásico: el avión. La teoría establece que para producir una clasificación exitosa los datos (en el caso del plano) deben ser linealmente separables.
El avión es un ejemplo clásico, no un caso clásico. Y esta simple separabilidad se utiliza en estos ejemplos únicamente para ilustrar la idea.
Es necesario aumentar gradualmente la dimensionalidad del vector de características para construir una clasificación prácticamente aceptable. En este caso, la separación de clases tendrá que ser no lineal.