¿Qué alimentar a la entrada de la red neuronal? Tus ideas... - página 48
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
Un backtest normal suele coincidir con la realidad. De lo contrario, que se jodan esos backtests).
Tengo la siguiente clasificación (en orden descendente de importancia):
1. aumento de la serie original
2. serie original
3. normalización de la serie inicial en una ventana sc.
4. indicadores (incluidos los rendimientos)
¿Te dice algo el valor del error? Es una lástima. Ya es suficiente para una evaluación.
Tengo esta categorización (en orden descendente de importancia):
1. aumento de la serie original
2. serie original
3. normalización de la serie inicial en la ventana sc.
4. indicadores (incluidos los rendimientos)
Bien, habrá un backtest para usted, no necesariamente de este NS en particular, tal vez otro.
x - número de operaciones, Y - beneficio acumulado en puntos de instrumento.
No tengo ni idea. Ni siquiera recuerdo cuál es el instrumento :)
)))
No hay nada de qué hablar :)
Inicialmente, lo más deseable es alimentar la serie original. Pero esto no siempre funciona debido a que los precios se salen del rango de entrenamiento en los nuevos datos.
Discutir técnicas de aumento/diferenciación con la menor pérdida de información para el segundo caso sería un debate útil.
Aquí estoy recogiendo estas normalizaciones.
Añado coeficientes para hacer que la función de activación tenga alguna forma extravagante (crear nuevas reglas), aunque los pesos hacen esto, pero aún así - las reglas de out (qué número sale) toman las formas más extravagantes seguro, pero una cosa se vuelve invariable - recordar la historia. Es algo lógicamente bueno, pero para nuevos datos es malo. Son diferentes, ¡para qué necesitamos memoria!
Es una tontería como ir a la universidad: "Olvida todo lo que te enseñaron en la escuela". A lo que quiero llegar es a lo siguiente: con o sin normalizaciones (datos desnudos) - en todas partes NS tropieza con el hecho de que todos los patrones son 50/50. Lo único es: en datos desnudos, NS es más estable en el forward.... ¡SÓLO EN FLAT! ¿Y quién lo promete mañana o pasado mañana? Tampoco, porque en este caso el NS promedia tanto los pesos para ajustarse al flat más largo de la historia de la formación.
Y, si los nuevos datos van más allá de este plano - NS abre el comercio contrario y - se sienta hasta la muerte. No hay filtros en la compra / a_now_sell / a_now_buy tipo de bandera - no funcionan. NS simplemente se apaga después de recibir el SL establecido. Y eso es la mitad del problema, la flotación no garantiza la estabilidad total, NS puede flotar también.
La totalidad de estas consecuencias hace que sea difícil llamar a todo esto un método de trabajo para obtener beneficios. La idea misma de NS es.... bueno, no crea nueva información. La reetiqueta. Hay números 0.2, 0.3, 0.4 - los etiqueta como 0.3456. Otro conjunto de números de entrada, lo etiqueta 0,5367.
Y así sucesivamente. Pero este conjunto, cada conjunto de números, son patrones. El NS esencialmente toma el patrón "a" y lo llama patrón "b".
Le cambia el nombre. Y, volviendo al principio del post, lo que falta es el conocimiento del aprendizaje. ¿Qué es el aprendizaje? ¿Qué es en general? Abres la definición: hay un estornudo de abstracción.
Es decir, algo ligado a una tarea aplicada, ChatGPT también está memorizando libros de texto y no entiende lo que quiero de él. Coges dos números, los multiplicas por otros dos números cada uno - ¿esto es aprender? No. Es ajustar, encajar, optimizar.
Su resultado es el "marcado" del conjunto de entrada. Entrenamiento es cuando el patrón A nos da una señal de COMPRA ahora y una señal de VENTA mañana. ¿Cómo exactamente? ¿Cuál es el truco? En eso consiste el aprendizaje. Contexto de aprendizaje.
Adaptación. Pero ha habido adaptaciones. Y no funcionaron. Podemos suponer que faltaba algo.
Y cambiar el periodo de la media móvil es una adaptación extraña, aunque tenga sentido. ¿Cómo se traduce el aprendizaje en números?
Esa es la pregunta. Sin ningún preprocesamiento de los datos. ¿Cómo sabe el sistema qué debe preprocesar? La idea misma de preprocesamiento de datos, "limpieza del ruido", ¡ya parece la creación de PATRONES DE TRABAJO! - Ya está. Tómalo, comercia con él.
Pero no existe tal cosa. El ruido del mercado se llama ruido del mercado porque es ruido del mercado. ¿De dónde viene eso? ¿De un libro de física? ¿De matemáticas? ¿Porque los ingeniosos gráficos de amplitudes y discontinuidades mostraban algo allí?
Todos ustedes son buenos, sus artículos son profesionales y académicos, pero se aplican vagamente a Forex, si no muy vagamente. Llamamos libremente tendencia a una tendencia, plano - plano, ruido - ruido, formación - formación, pero nada se deduce de la nada.
Nos comunicamos en diferentes idiomas. Como si necesitáramos un trabajo radicalmente diferente, un enfoque radicalmente diferente (trabajar con números). Bueno y en consecuencia - la interpretación más estricta, sin ningún "sistema piensa", "caja negra", "NS decidió", "la formación es incorrecta", "no hay información, algo no cayó allí, por lo que no gana".
Falta algo. Algún tipo de conocimiento intermedio.
La palabra "estacionariedad" se ha oído aquí antes, pero no en el contexto que me gustaría.
Pienso con sencillez, después de haber experimentado también todo este ingrato trasiego:
Hay estados de mercado, se pueden conseguir, por ejemplo, mediante la agrupación.
Si combinamos las cotizaciones (rendimientos) de cada agrupación individual en una fila, y eliminamos las cotizaciones de otras agrupaciones, entonces en algunos casos obtendremos casi una serie estacionaria. Ya se puede trabajar con ella.
Además, no importa lo que se introduzca en el modelo (preferiblemente precios brutos, para que no haya pérdida de información).
Los algoritmos de MO funcionan bien, no necesitas profundizar en ellos. Usted necesita buscar series estacionarias / leyes. Sólo en ellos MOShka constantemente predice el futuro.
Si hay alguna otra idea de cómo obtener una serie estacionaria o una regularidad estacionaria - esta es siempre la forma correcta de pensar.