Neuro-prévision des séries financières (basé sur un article) - page 8
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Je pense que nous devons nous efforcer de trouver une fonction d'optimisation. C'est-à-dire la recherche de fonctions cibles. Que voulons-nous que le réseau trouve sur le site d'optimisation ? ? ??? Paramètres pour un équilibre maximal dans la même zone. Non, car la pratique montre que cela ne fonctionne pas à l'avenir. Nous devons donc rechercher les moments clés qui ne fonctionnent pas aujourd'hui, mais qui fonctionneront à l'avenir. Et pour cela, nous devons collecter des statistiques, estimer quels moments quand et comment fonctionnent.....
Eh bien, regardez ce qui m'est venu à l'esprit, ce n'est peut-être pas réaliste mais c'est la façon... le but pour ainsi dire.
en faisant ce qui suit.
Tout comme je l'ai fait dans les captures d'écran de NS.
1. Nous entraînons le réseau sur une période de 6 mois. Si le NS est sur machs, il apprendra très bien ces paramètres, il tradera normalement.
2. Prenez les 3 premiers mois, regardez le résultat du commerce de réseau. (en théorie, le résultat devrait être bon, car le réseau a vu ces données)
3. optimiser le réseau pour qu'il apprenne exactement les paramètres que nous connaissons déjà.
Rechercher, adapter et développer une fonction qui aboutit à l'optimisation de ces paramètres.
5. Après avoir trouvé la fonction, nous la testons sur un segment qui n'est pas présenté au réseau.........
Je vais maintenant essayer de le regarder partiellement en NS.....
Le signal d'un réseau neuronal formé uniquement sur des sections de tendance ne sera pas aléatoire, mais correspondra à la manière dont le réseau est formé. C'est-à-dire qu'il suivra le mouvement et s'écoulera latéralement.
Je voulais dire des changements brusques, des mouvements imprévisibles, etc.
Je voulais parler de changements soudains, de mouvements imprévisibles, etc.
On peut apprendre au filet à s'asseoir sur la barrière lorsque de tels mouvements se produisent. Comme ceci par exemple : https://www.mql5.com/ru/code/10151
Mais le problème, c'est qu'en NS, les fonctions cibles sont compliquées... Tu ne peux pas les déterrer comme ça...
Hmm. Je forme généralement les réseaux neuronaux dans un progiciel statistique, dans lequel la fonction cible n'est pas la valeur d'équilibre à la période de formation ou de test, mais la valeur d'erreur à la sortie du réseau. Il s'agit d'une version classique de l'apprentissage automatique, en principe. Vous pouvez expérimenter avec la valeur de l'erreur : prenez la somme des carrés de l'erreur ; la somme des carrés divisée par le nombre d'exemples ; l'erreur modulo. Et ce n'est pas la limite.
Le réseau entraîné échange ensuite des signaux avec le robot en format dll. La marge de manœuvre est énorme...
On peut apprendre au filet à s'asseoir sur la barrière lorsque de tels mouvements se produisent. Comme ceci : https://www.mql5.com/ru/code/10151
Vous pouvez également utiliser SCP. Sur les exemples d'entraînement, vous entraînez d'abord un ACS, et mesurez l'erreur maximale pour déterminer si un exemple appartient à une cellule ou à un cluster. Ensuite, un ou plusieurs réseaux neuronaux sont entraînés sur les mêmes données, ce qui permet, par exemple, de prédire l'augmentation des prix une étape à l'avance. Et dans ce travail, les nouveaux exemples, inconnus jusqu'alors, sont d'abord vérifiés par rapport à un SCA réglé et si le réseau de prédiction dépasse un seuil d'erreur prédéfini, le réseau de prédiction n'est PAS activé, ou le robot de trading ne réagit pas au signal du réseau. En bref, nous utilisons l'ACS pour détecter les anomalies et nous ne faisons pas de transactions sur ces dernières. Exemple pratique : nous sommes à l'automne 2008. Nous avons formé le réseau neuronal et avons décidé d'effectuer des transactions au cours du trimestre. On observe un effondrement de la dynamique sur toutes les paires majeures, la part du lion des exemples que l'ACS filtre simplement et ne permet pas de prendre des décisions de trading. Mais ce n'est que de la théorie pour moi. Et bla bla bla. Je ne l'ai pas testé en pratique.
Qu'est-ce qui peut être intéressant (à part le fait d'entraîner son cerveau) ?
Aucun SN ne peut fonctionner sans recyclage (au sens d'apprentissage à partir de nouvelles données). Le marché change et le réseau doit l'apprendre. La question est la suivante : quand commençons-nous la nouvelle formation ? ;)
Et puis, ce que vous pouvez "réparer" dans la grille quand elle "casse", changer les couches et le nombre de neurones, une autre fonction de transfert -..... Mais vous ne saurez jamais exactement quoi, comment et où changer. Tant que vous n'adaptez pas le maillage au nouveau marché, cela ne fonctionnera pas. Et ce n'est pas la même chose que si ( Price == Ask ) et voir que Ask = 1.2345, alors que Price s'avère être 1.23449999999 pour une raison quelconque.
Imaginez maintenant un dialogue avec un investisseur potentiel qui demande : "Devinez quelle réponse il aimerait donner ?
1) recommencer à former NS et quand (si) il apprend, le laisser gagner à nouveau (si le marché ne change pas à nouveau d'ici là).
2) Je vais mettre un sceau de débogage, trouver l'erreur et la corriger.
Donc si vous êtes "intéressé" - vous êtes le bienvenu, mais si vous voulez gagner de l'argent ? ;)
Vous avez déjà commencé à jouer un rôle ? Je ne suis pas une aide ici )))). Je n'en parlerai pas dans ce fil, à vous de voir.
Vous, en raison de votre expérience limitée de NS, considérez cet outil apriori comme un ajustement des données, une boîte noire, un râteau dans le vide, etc. Le nombre de couches, de neurones, de faisceaux de fonctions sont autant de bagages inutiles entre de mauvaises mains. Tout d'abord, vous devez avoir une idée de la raison pour laquelle le réseau devrait fonctionner, et cette idée doit être testée à l'aide de tests prospectifs approfondis à différents moments de la série chronologique. L'évaluation des risques se fait à l'avance, et non par le fait d'une chasse d'eau imminente. Je te le dis. Personnellement, je n'ai pas perdu un seul centime en utilisant NS ; je n'ai perdu qu'en démo).
La deuxième chose que je voulais dire est qu'un neuro-adepte sérieux, après avoir effectué tous les tests nécessaires, s'occupe également du problème de l'extraction, ou, en russe, de la compréhension des heuristiques, qui sont formées pendant l'entraînement à l'intérieur du SN - l'essence des règles par lesquelles les signaux de sortie sont générés, en fonction de ce qui est dans l'entrée. Toutes les boîtes noires vont à GAUCHE. Il faut entrer dans la logique du réseau neuronal et comprendre ce qu'il fait. Joo a également écrit à ce sujet, et c'est logique. Sinon, il s'avère qu'en Russie soviétique, le NS vous contrôle. Ha.
Comment se passent les cours ? :)
Juste un peu. J'espère qu'ils seront disponibles plus tard pour un mastering progressif. J'ai été très occupé par le travail ces derniers temps.
Je vais essayer de me ressaisir et d'en regarder quelques autres. Je me suis arrêté aux conférences sur la descente de gradient, c'est-à-dire, en général, presque au début.
Un autre article sur l'application réussie de la neurotechnologie à la prévision.
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.184.7175&rep=rep1&type=pdf
Il utilise les techniques de la théorie du chaos pour générer les décalages des vecteurs d'entrée. Il applique également une punition au réseau en cas de prédictions erronées. L'échantillon d'essai est de 100 jours. Les résultats sont cool : 80 % ou plus d'occurrences. Mais cette fois, la prédiction est soit orientée à la hausse (+2%), soit orientée à la baisse. Au fait, d'après mon expérience personnelle, je dirais que les tendances du marché boursier sont bien prédites, il y a d'autres pièges, comme si vous vous trompez, alors la perte est grande, elle mange la stat. avantage. Croyez-le ou non, j'ai eu 80% d'exactitude aux tests aussi.