Previsión de los tipos de cambio mediante una red neuronal - página 3

Nuevo comentario
 
Para ser sincero, yo tampoco me fío de las previsiones, pero la clasificación, que es más interesante...
 
LeoV:
Entonces, su trabajo debe consistir en una frase: "La predicción de la tasa mediante una red neuronal no es posible". ))) Eso es todo el trabajo del curso ))))

¿Por qué es imposible? Es muy posible :). Tomemos nuestro Asesor Experto favorito, con el que nos ganamos la vida (todo el mundo tiene un "caballo de batalla" así). Encontramos una regresión lineal en alguna parte o algo así. Sustituir la regresión lineal por la neuronal... Voilà :)
 
LeoV:
Entonces, su trabajo de curso debe consistir en una frase: "Predecir la tasa con una red neuronal no es posible". ))) Eso es todo el trabajo del curso ))))


¿Significa esto que está decepcionado con las redes neuronales y la previsión del mercado en general? Sabiendo los años que lleva estudiando este tema, es bastante extraño oírle decir eso.
 
C-4: ¿Significa esto que está decepcionado con las redes neuronales y la previsión de mercados en general? Sabiendo los años que lleva estudiando este tema, es bastante extraño oírle decir eso.

No estudio esta dirección desde el punto de vista de la predicción, sino desde el punto de vista de la búsqueda de patrones que puedan ser utilizados con una probabilidad preferentemente superior al 70% para obtener beneficios en un momento determinado, es decir, no en cada nueva barra que aparezca.

Debes estar de acuerdo en que son cosas fundamentalmente diferentes.

No es necesario pronosticar, es decir, continuar la línea del instrumento en el futuro en cada nueva barra para obtener beneficios.

 
LeoV:

No estudio esta dirección desde el punto de vista de la predicción, sino desde el punto de vista de la búsqueda de patrones que puedan ser utilizados con una probabilidad preferentemente superior al 70% para obtener beneficios en un momento determinado, es decir, no en cada nueva barra que aparezca.

Debes estar de acuerdo en que son cosas fundamentalmente diferentes.

No es necesario predecir, es decir, continuar la línea del instrumento en el futuro en cada nueva barra para obtener beneficios.


Pero aún así, en el momento de entrar en el mercado, esperamos que en el futuro el precio cambie en la dirección de nuestra entrada, y esta es la previsión.
 
C-4:

¿Significa esto que está decepcionado con las redes neuronales y la previsión de mercados en general? Sabiendo los años que lleva estudiando este campo, es bastante extraño oírle decir eso.

Esto significa que las redes neuronales multicapa no son adecuadas para la extrapolación (predicción). Sólo están bien dentro de la interpolación.

En pocas palabras, el método es el siguiente:

  1. Entrenar la red
  2. Tras el entrenamiento, comprobamos los valores de las entradas antes de la normalización. Si los valores no normalizados de las entradas están fuera del rango de la muestra de entrenamiento, nos enfrentamos a la extrapolación y la red se romperá aquí, es decir, es mejor esperar fuera de tal señal de entrada. Si está dentro del rango, se realiza la interpolación y es más probable que la cuadrícula dé un resultado adecuado.

Quien no lo crea, que intente una tarea sencilla, a saber, enseñar a un multicapa de dos vías una tabla de multiplicar en números enteros del 0 al 9. A continuación, pruebe introduciendo en las entradas valores para la interpolación, es decir, cualquier número real de 0 a 9. A continuación, para la extrapolación, es decir, para garantizar que al menos una entrada tenga valores menores que 0 o mayores que 9. La interpolación es manejada por la rejilla, la extrapolación es jodida.

La razón es elemental: las salidas de las neuronas sigmoides cortan todos los valores que van más allá del rango ligeramente mayor que el de la muestra de entrenamiento. Es decir, los sigmoides tienen un límite de valores en la salida, que no puede ser superado sea cual sea el valor en su entrada. Véase el gráfico siguiente: La entrada sigmoidea puede ser cualquier valor, la salida sigmoidea no puede ser mayor que 1 ni menor que 0, es decir, fuera del rango de salida limitado será un bummer.

Sigmoide

Resulta que, por un lado, gracias a los sigmoides aumenta la velocidad de entrenamiento de las redes multicapa, ya que sin ellos los algoritmos de retropropagación de errores pierden su convergencia. Pero, por otro lado, estas mallas se convierten en interpoladores y no pueden trabajar adecuadamente fuera de los rangos de la muestra de entrenamiento.

C-4:

Pero aún así, en el momento de entrar en el mercado, esperamos que el precio cambie en la dirección de nuestra entrada en el futuro, y esta es la previsión.
Todo arenque es un pez, pero no todo pez es un arenque. La interpolación de previsiones y la extrapolación de previsiones son cosas diferentes y no deben confundirse. Puedes intentar clavar un clavo con un televisor, pero un martillo es más adecuado para ello. Por eso, la gente inteligente utiliza la regresión para la extrapolación y las redes neuronales multicapa para la interpolación. De nuevo, no olvides que el análisis de regresión también tiene sus limitaciones y no es una panacea y puede fallar en ciertos casos.
 

¿No es la regresión también adecuada para la interpolación? ¿Por qué construir una red?

 
IronBird:

¿No es la regresión también adecuada para la interpolación? ¿Por qué construir una red?

Prueba la regresión múltiple y la red neuronal multicapa y compara el RMS para la interpolación. También aprenderá que todas las herramientas tienen límites funcionales en los que son más eficaces.

 
IronBird:

¿No es la regresión también adecuada para la interpolación? ¿Por qué construir una red?

Una red neuronal multicapa es uno de los métodos no paramétricos de regresión no lineal. En algunos casos, las redes neuronales pueden abandonarse en favor de métodos paramétricos lineales/lineales/no lineales.

 
La previsión no es necesariamente una continuación de la línea hacia el futuro. Cualquier medio de análisis aquí es para predecir si el precio subirá o bajará.
1234567
Nuevo comentario