Utilisation des réseaux neuronaux dans le trading - page 25
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 peux faire une remarque vraiment folle.
Je ne pense pas que vous puissiez affirmer que les réseaux neuronaux sont beaucoup, beaucoup plus "bêtes" que le cerveau humain.
Eh bien, les utiliser dans le commerce rend l'ensemble du tableau beaucoup plus simple.
A MON AVIS...
J'ai une idée folle.
Je ne pense pas que vous puissiez affirmer que les réseaux neuronaux sont beaucoup, beaucoup plus "bêtes" que le cerveau humain.
Eh bien, les utiliser dans le commerce rend l'ensemble du tableau beaucoup plus simple.
A MON AVIS...
Pourquoi êtes-vous si obsédé par ces réseaux neuronaux ? Que voulez-vous, forex ou neuro ? :)
Que voulez-vous dire par "simplifie l'image dans son ensemble" ?
Lorsque le cerveau analyse, beaucoup plus de neurones sont impliqués. Associations, mémoire, motivation, perception visuelle, tout cela est bien plus complexe qu'un réseau neuronal. C'est ce que je mets dans le concept de la grande image.
Si une partie de ces actions peut être effectuée par un réseau de neurones, le système dans son ensemble deviendra plus simple, et donc, à votre avis, meilleur.
Un fil de discussion sur les réseaux neuronaux.
Je n'y suis pas accroché, mais je pense qu'il y a une perspective de les utiliser.
Je ne vois pas l'intérêt de verser la pâte, sur la base d'un simple "je pense". Je veux trouver un soutien dans la téléanalyse et les mathématiques. En bref, pour "faire une paille".
Voir l'onglet 24 dans le 3ème post de ce fil...
Lorsque le cerveau analyse, beaucoup plus de neurones sont impliqués. L'association, la mémoire, la motivation, la perception visuelle, tout cela est bien plus complexe qu'un réseau neuronal. C'est ce que je mets dans le concept de la grande image.
Si un réseau neuronal peut faire certaines de ces choses, le système dans son ensemble sera plus simple et donc, à votre avis, meilleur.
On ne voit pas très bien comment le forex snark ou certaines séries chronologiques financières peuvent devenir plus simples ou meilleures lorsqu'on utilise un réseau neuronal artificiel comportant moins de neurones que le cerveau ? Comment les actions seront-elles partagées entre le cerveau et le réseau neuronal ?
Pour résumer toutes mes déclarations sur les réseaux neuronaux, je peux dire à tous les amateurs de neurofluffs :
Il existe des algorithmes plus simples et non moins efficaces que ces réseaux proverbiaux.
On ne voit pas bien comment un réseau neuronal artificiel comportant moins de neurones qu'un cerveau peut simplifier ou s'améliorer avec un forex artificiel ou une sorte de série chronologique financière ?
Une analogie s'impose : le multineurologue intelligent et perspicace regarde l'"objet" et voit de très nombreux points de couleur. Et les muets et les malvoyants se sont approchés. Il ne pouvait pas voir les points, ils étaient au-delà de lui. Mais il voyait la perspective "en général" sous la forme du "portrait d'un jeune homme", par exemple... En étudiant le matériel, j'ai eu l'impression que plus c'est simple, mieux c'est. Que le "manque" est préférable à l'"excès". Le plus souvent, il s'avère que la rareté (dans des limites raisonnables, bien sûr) permet au réseau d'apprendre, tandis que l'excès est mémorisé. Mes expériences personnelles (purement des recherches, des lectures, des travaux de laboratoire) ont montré que s'il existe un modèle dans les données fournies au réseau, un simple perceptron à une couche apprend en quelques époques seulement. Mais si les données sont serrées, nous pouvons mettre au moins dix couches et quelques couches Elman (Jordaan) et un gradient de Levenberg. Et pourtant, rien n'en sortira. Je devrais corriger Debugger - les données d'entrée sont importantes. Mais ils sont importants non pas par eux-mêmes mais nécessairement "en relation" ou "relativement". Mais en tant que cas particulier décrit par Debugger, il a également le droit d'exister. Et les prix "bruts" pourraient bien être injectés dans le réseau. Par exemple, les approximateurs et les régresseurs fonctionnent avec eux.
2 TimeMaster. Je suis d'accord avec vous. Lorsque j'ai commencé à creuser moi-même le sujet des neuros, comme je m'en souviens maintenant, je n'avais aucun problème avec la question de savoir quoi enseigner. La principale question était de savoir comment enseigner. Grâce à la maîtrise du sujet, la question principale s'est dissoute, la première s'est dissoute. Pour le moment, je sais comment enseigner, mais je n'ai aucune idée de ce qu'il faut enseigner (aucune idée).
Voici un exemple... Bien que j'aie quelques doutes, en démontrant cet exemple. Je suis gêné d'être condamné de manière aussi catégorique... Oh, allez. C'est un "laboratoire". C'est un perceptron standard (pas plus standard) à couche unique.
Le point ici est simple - c'est une table de multiplication ;)). J'ai fait à la main ce tableau où j'ai multiplié tous les chiffres de 1 à 9 (de 1x9 à 9x1), c'est-à-dire que j'ai obtenu 81 exemples. J'ai déplacé 16 exemples dans un fichier séparé. Le premier fichier est introduit dans la grille comme entrée (65 exemples), le second comme validation croisée (16 exemples). Qu'est-ce que la validation croisée ? Il s'agit d'un test de la capacité d'entraînement de la grille sur des données inconnues, immédiatement pendant l'entraînement. Le graphique de gauche représente la formation. Le graphique de droite représente la validation croisée, c'est-à-dire l'exécution de la grille sur des données que la grille n'a jamais vues. Et qu'est-ce qu'on voit ? La validation croisée est parfaite. C'est-à-dire que la grille a trouvé des réponses parfaitement correctes pour des travaux qui lui sont inconnus. En d'autres termes, la grille a appris. La première conclusion est donc que la grille apprend. La deuxième conclusion est que le "filet" apprend, donc si le "filet n'apprend PAS", le problème n'est pas du tout dans le "filet". Hélas...