réseau neuronal et entrées - 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
Comme pour la reconnaissance des lettres de l'alphabet (par analogie), nous devrions supposer que le marché est un système fermé. Cela le rendra stationnaire (dans votre langage), c'est-à-dire que nous devrions introduire tout ce que nous savons sur le marché. )))))
Et voici qu'apparaît l'éternelle question du constructeur de TS : la fonction non linéaire que le réseau a construite avec les entrées et sorties données est-elle un ajustement ou une régularité réellement trouvée ?
Et dans le cas de NS, la question est très sérieuse, car, par exemple, 2 couches de 10 neurones, c'est une centaine de poids (une centaine de paramètres de la future EA) qui doivent être optimisés. Essayez de prendre un conseiller expert avec une centaine de paramètres et d'exécuter une optimisation sur tous ces paramètres pendant un an : il est fort probable que cela soit considéré comme un ajustement.
Plus précisément, nous ne connaissons pas la nature de la non-stationnarité des marchés financiers et, malheureusement, nous ne le savons pas.
Le seul avantage de la NS est qu'elle est très non linéaire et très flexible. Avec une petite quantité de neurones, le SN peut mémoriser (apprendre) 10 à 15 ans d'un graphique minute de n'importe quel outil facilement.
Il semblerait - qu'est-ce qu'il faut de plus ?
Et c'est là que les compétences du trader entrent en jeu : il s'agit de saisir les informations relatives aux symboles qui présentent des régularités et d'éviter le réentraînement du réseau. Si ces deux conditions sont remplies, le réseau fonctionnera parfaitement.
Mais ces deux conditions sont parmi les plus difficiles. Tout ce dont vous avez besoin, c'est de l'intuition du trader )))).
Plus précisément, la nature de la non-stationnarité des marchés financiers est une chose que nous ne connaissons pas et, malheureusement, que nous ne pouvons pas connaître.
On peut certes spéculer, mais c'est comme prédire, cela ne sert à rien. "Comme un doigt dans le ciel" ))))
Pas inutile du tout : si l'entrée (le quotient) est décrite de manière adéquate, cela donne un avantage statistique tout à fait tangible. Pour le dire en termes formels, le problème est de trouver une transformation qui a un kotir à l'entrée et un GPB stationnaire à la sortie comme résidu. Si la transformation est trouvée, cela signifie que le modèle prend en compte toutes les particularités du comportement du kotyr. Dans ce cas, c'est une question de technologie - il s'agit d'analyser les paramètres actuels du modèle et de déterminer s'ils nous donnent actuellement la possibilité de tirer parti de la situation. La tâche est créative, mais tel est le cas, la "jauge scientifique" était, est et sera toujours la principale méthode de synthèse scientifique ;)))
Pas inutile du tout : si l'entrée (le quotient) est décrite de manière adéquate, cela donne un avantage statistique tout à fait tangible. En termes formels, le problème est de trouver une transformation qui a un kotir à l'entrée et un GER stationnaire à la sortie comme résidu. Si la transformation est trouvée, cela signifie que le modèle prend en compte toutes les particularités du comportement du kotir. Dans ce cas, c'est une question de technologie - il s'agit d'analyser les paramètres actuels du modèle et de déterminer s'ils nous donnent actuellement la possibilité de tirer parti de la situation. La tâche est créative, mais tel est le cas, la "jauge scientifique" était, est et sera toujours la principale méthode de synthèse scientifique ;)))
Je ne suis pas d'accord avec de telles complications, mais peu importe.
En fait, à mon avis (et pas seulement à mon avis), tout est beaucoup plus simple - s'il y a des modèles dans les quotients fournis aux entrées et sorties du NS, alors le réseau les trouvera avec succès et vous serez heureux. Et pratiquement tous les NS. S'il n'y a pas de régularités - il est inutile de transformer, de synthétiser, de construire une sorte de SN tous azimuts et de s'engager dans d'autres problèmes scientifiques et mathématiques - vous ne trouverez pas de régularités là où il n'y en a pas )))).
C'est comme chercher un chat noir dans une pièce noire, surtout s'il n'y est pas. ))))
Je ne suis pas d'accord avec de telles complications, mais peu importe.
En fait, à mon avis, c'est beaucoup plus simple - s'il y a des modèles dans les quotients alimentés aux entrées et sorties NS, le réseau les trouvera et vous serez heureux. Et pratiquement tous les NS. S'il n'y a pas de régularités, il est inutile de transformer, de synthétiser, de construire une sorte de SN global et de faire toutes les autres manipulations scientifiques et mathématiques )))).
Je ne le fais pas ! La régularité peut ne pas être partout, mais n'apparaître qu'à certains moments, à court terme, que le SN ne définira pas en raison de son inertie. Personnellement, c'est exactement le point de vue que j'ai sur le kotier - il y a de petits points d'inefficacité locaux, et pour travailler avec eux, il faut les détecter dès le début. Pour que le réseau soit capable de faire cela, il ne doit pas être n'importe quel réseau, mais un réseau avec des rétroactions entre les couches, et non pas pris au hasard, mais en fonction d'un modèle, c'est-à-dire qu'une fois de plus, une certaine connaissance a priori doit être mise dans le NS.
Non, ce n'est pas le cas ! Le motif peut ne pas être présent partout, mais n'apparaître qu'à certains moments, à court terme, que le SN ne peut pas détecter en raison de son inertie. Personnellement, c'est exactement mon point de vue concernant kotier - il y a de petites zones locales d'inefficacité, et pour travailler avec elles, vous devez les détecter dès le début. Pour que le réseau soit capable de faire cela, il ne doit pas être n'importe quel réseau, mais un réseau avec des rétroactions entre les couches, et non pas pris au hasard, mais en fonction d'un modèle, c'est-à-dire qu'une fois de plus, une certaine connaissance a priori doit être mise dans le NS.
Au fait, dans la théorie du contrôle optimal mentionnée ci-dessus, il est prouvé que le problème de la recherche d'une loi de contrôle optimale sous certaines conditions (np assez simple dans la structure "contre-exemple de Witsenhausen" pour le contrôleur quadratique) est NP-complet (c'est-à-dire très compliqué à calculer), donc pas étonnant qu'ils essaient de le résoudre avec juste cette NS particulière...
Non, ce n'est pas le cas ! La régularité peut ne pas être partout, mais n'apparaître qu'à certains moments, à court terme, que le SN ne peut déterminer en raison de son inertie. Personnellement, j'ai exactement le même point de vue sur le kotier - il y a des zones d'inefficacité locales courtes, et pour travailler avec elles, vous devez les détecter dès le début. Pour que le réseau soit capable de faire cela, il ne doit pas être n'importe quel réseau, mais un réseau avec des rétroactions entre les couches, et non pas pris au hasard, mais en fonction d'un modèle, c'est-à-dire qu'une fois de plus, une certaine connaissance a priori doit être mise dans le NS.
Peut-être, mais pourquoi faire de telles recherches quand il est possible de gagner de l'argent par des méthodes beaucoup plus simples.
Votre méthode est profondément sensée, mais de nombreuses questions se posent qui n'ont que très peu de réponses : comment détecter ces zones inefficaces ? Quelles sont les inefficacités ? Comment identifier la nature de ces rétroactions par rapport à ces modèles ? Comment déterminer la corrélation entre ces modèles et les rétroactions ? Quelles connaissances a priori et comment les relier aux modèles en liaison avec les rétroactions ? En bref - cancer du cerveau ))))
A propos, dans la théorie du contrôle optimal que j'ai mentionnée, il est prouvé que le problème de la recherche d'une loi de contrôle optimale sous certaines conditions (nn un "contre-exemple de Witsenhausen" assez simple dans sa structure pour un contrôleur quadratique) est NP-complet (c'est-à-dire terriblement compliqué à calculer), donc pas étonnant qu'ils essaient de le résoudre avec un tel NS...
OK, j'abandonne )))) Je suis sorti ))))