![MQL5 - Langage des stratégies de trading intégré au terminal client MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
Ce que vous avez écrit a déjà été discuté plusieurs fois dans ce forum et plus encore. Je n'ai pas l'énergie pour tout écrire une seconde fois .......
Robot_al:
... Форекс мне стал более-менее понятен, даже, когда он непонятен - это всего лишь инверсия "понятности".
... Eh bien, le forex est juste un endroit où j'ai pu appliquer la logique de l'algèbre de George Bull.
Cool...
Super...
Ce que vous avez écrit a déjà été discuté plusieurs fois dans ce forum et pas seulement. Je n'ai pas l'énergie pour tout écrire une seconde fois .......
Je n'ai donc pas lu attentivement ce forum. Parce que je n'ai pas vu de telles discussions. De toute façon, je n'insiste pas. Et écrire une deuxième fois n'est vraiment pas une tâche reconnaissante.
En venant sur ce forum, je ne me suis posé qu'une seule question. Cette question semble avoir trouvé une réponse.
solaire, j'attire votre attention sur le fait que j'ai fait allusion au problème de la classification. et c'est le principe de l'apprentissage sans professeur. c'est-à-dire qu'il n'y a pas de concept "out" ici.
P.S. désolé, pour une raison quelconque, j'ai dû changer mon surnom leksus pour le surnom actuel.
Juste avant de vous concentrer complètement sur la classification. Mais réfléchissez à ceci : si vous enseignez au réseau 5 lettres de l'alphabet par exemple, comment ferez-vous pour la reconnaissance de texte après l'avoir scanné ?
Je ne me moque pas du tout de vous. Le message principal - l'exhaustivité de l'information est nécessaire. Vous vous concentrez sur la mauvaise chose pour l'instant, je pense.
Juste avant de vous concentrer complètement sur la classification. Pensez-y - si vous enseignez au réseau 5 lettres de l'alphabet par exemple, comment allez-vous faire pour la reconnaissance de texte après la numérisation ?
Non, bien sûr, je ne ferai pas de reconnaissance de texte. Il n'y a aucun intérêt à apprendre les cinq lettres...
Merci, j'essaie aussi d'être constructif. Et il m'a semblé que nous parlions de choses différentes. En me plaignant des difficultés de classification, je voulais dire ce qui suit.
Prenons le cas classique - l'avion. Selon cette théorie, les données (dans le cas de l'avion) doivent être linéairement séparables pour produire une classification réussie.
(désolé, je n'avais pas de belles photos, j'ai dû faire quelques images rapides dans Excel).
Supposons que nous prenions des données avec 2 paramètres X et Y (le plan...). Nous les avons attachés à des vecteurs unitaires et avons obtenu l'image suivante. Nous voyons 5 zones bien distinctes. Tout SOM peut gérer la classification à la fois et la classification ne sera qu'une classification. Toute nouvelle donnée sera classée dans l'une de ces catégories. Les propriétés de chaque classe nous sont connues. Ainsi, en découvrant simplement à quelle classe appartiennent les nouvelles données, nous savons immédiatement tout sur elles. Avec tout ce que cela implique...
Malheureusement, les cas classiques et les cas pratiques, comme on dit à Odessa, sont deux grandes différences.
Dans le cas pratique, nous avons déchargé les données et obtenu une image comme celle-ci. La classification est certainement possible dans ce cas aussi, mais elle n'a aucune valeur pratique. Nous pouvons spécifier les 5 mêmes classes et SOM les "dessinera" honnêtement, en répartissant simplement les centres des clusters de manière égale. La donnée nouvellement arrivée va aller quelque part. Mais ce "quelque part" n'a plus aucun sens. Toutes les données, ainsi que leurs propriétés, sont uniformément dispersées (pêle-mêle) sur le plan. Si nous croyons à une telle classification et attribuons une nouvelle donnée à l'une des classes, nous nous trompons nous-mêmes.
C'est le cœur du problème, et ce que je voulais dire dans mon message. Ainsi, quelle que soit la manière dont j'abordais le problème, je n'ai jamais réussi à obtenir des données présentant une séparabilité claire. Donc, soit il n'y a pas de séparabilité du tout, alors n'essayez même pas. Ou je n'ai pas assez de traction. Mère Nature m'a doté d'une certaine autocritique, alors je penche pour la deuxième option. C'est pourquoi je consulte plusieurs camarades. Une fois que vous avez une classification claire, vous pouvez alors travailler avec une grille de probabilité et la logique floue.
Non, bien sûr, je ne fais pas de reconnaissance de texte. Il n'y a aucun intérêt à apprendre les cinq lettres...
Merci, j'essaie aussi d'être constructif. Et je pensais que nous parlions de choses différentes. Dans ma complainte sur les difficultés de classification, je voulais dire ce qui suit.
Prenons le cas classique - l'avion. Selon cette théorie, les données (dans le cas de l'avion) doivent être linéairement séparables pour produire une classification réussie.
(désolé, je n'avais pas de belles photos, j'ai dû faire quelques images rapides dans Excel).
Supposons que nous prenions des données avec 2 paramètres X et Y (le plan...). Nous les avons attachés à des vecteurs unitaires et avons obtenu l'image suivante. Nous voyons 5 zones bien distinctes. Tout SOM peut gérer la classification à la fois et la classification ne sera qu'une classification. Toute nouvelle donnée sera classée dans l'une de ces catégories. Les propriétés de chaque classe nous sont connues. Ainsi, en découvrant simplement à quelle classe appartiennent les nouvelles données, nous savons immédiatement tout sur elles. Avec tout ce que cela implique...
Malheureusement, les cas classiques et les cas pratiques, comme on dit à Odessa, sont deux grandes différences.
Dans le cas pratique, nous avons déchargé les données et obtenu une image comme celle-ci. La classification est certainement possible dans ce cas aussi, mais elle n'a aucune valeur pratique. Nous pouvons spécifier les 5 mêmes classes et SOM les "dessinera" honnêtement, en répartissant simplement les centres des clusters de manière égale. La donnée nouvellement arrivée va aller quelque part. Mais ce "quelque part" n'a plus aucun sens. Toutes les données, ainsi que leurs propriétés, sont uniformément dispersées (pêle-mêle) sur le plan. Si nous croyons à une telle classification et que nous attribuons une nouvelle donnée à l'une des classes, nous ne faisons que nous tromper.
C'est le cœur du problème, et ce que je voulais dire dans mon message. Ainsi, quelle que soit la manière dont j'abordais le problème, je n'ai jamais réussi à obtenir des données présentant une séparabilité claire. Donc, soit il n'y a pas de séparabilité du tout, alors n'essayez même pas. Ou je n'ai pas assez de traction. Mère Nature m'a doté d'une certaine autocritique, alors je penche pour la deuxième option. C'est pourquoi je consulte plusieurs camarades. Une fois que vous avez une classification claire, vous pouvez travailler avec une grille de probabilité et la logique floue.
Raisonnement typique de l'AT, foi aveugle dans le postulat - "L'histoire se répète".
Tout ce que vous écrivez est bon (peut-être) pour l'analyse des données, mais c'est loin d'être bon pour les prévisions.
Pourquoi pensez-vous que les classes identifiées à la suite d'une classification réussie (en supposant que vous ayez réussi à résoudre ce problème) seront dans le futur ? La question principale n'est pas la classification, mais la prévisibilité de la méthode, la confiance dans son utilisation à l'avenir. C'est un problème complètement différent. C'est pourquoi les réseaux neuronaux ont une valeur très limitée dans le domaine du commerce. IMHO.
En règle générale, on peut exploiter toute la puissance des réseaux si l'on utilise des données indirectes, plutôt que directes, qui ont une relation stable avec l'objet.
Par exemple, l'éclairement des objets en journée et en soirée dépend de l'angle du soleil. Et si vous utilisez les données d'illumination du soleil, vous obtiendrez l'illumination des objets.
Le but des réseaux est de reconstituer des informations à partir d'événements connexes. Un réseau n'est pas une fonction magique, il a autant de magie que n'importe quelle fonction mathématique.
Je n'insisterai pas, mais si vous voulez classer, approximer, prédire, interpoler ou quoi que ce soit d'autre ..... un outil quelconque, vous devrez le limer. tout je vais mettre en évidence toutes les données qui s'y rapportent. Et ce n'est pas seulement OHLCV qui est transformé de quelque manière que ce soit. Par exemple, le mouvement de l'or peut-il avoir un quelconque effet sur un instrument ? Huile ? Et ainsi de suite.....
Bonne chance en général dans cette tâche difficile pour vous.
Peut-être que tu ne devrais rien mettre dedans après tout ? Peut-être qu'il devrait y avoir un lien entre ce qui entre et ce qui sort ?
Suggérez-vous des dollars pour l'apport ?
J'ai réfléchi. C'est peut-être vrai. ))
Raisonnement typique de l'AT, foi aveugle dans le postulat - "L'histoire se répète".
La foi aveugle n'a jamais existé. Matérialiste jusqu'au bout des ongles. Mais je suis absolument convaincu que "l'histoire se répète". Je crois que ça se répète. Cela ne signifie pas que le prix d'aujourd'hui à 15 heures se comportera de la même manière que celui de mardi dernier à 15 heures, ou quelque chose de similaire.
Tout ce que vous écrivez est bon (peut-être) pour l'analyse des données, mais c'est loin d'être suffisant pour les prévisions.
Pourquoi pensez-vous que les classes identifiées à la suite d'une classification réussie (en supposant que vous ayez réussi à résoudre ce problème) seront dans le futur ? La question principale n'est pas la classification, mais la prévisibilité de la méthode, la confiance dans son utilisation à l'avenir. C'est un problème complètement différent. C'est pourquoi les réseaux neuronaux ont une valeur très limitée dans le domaine du commerce. IMHO.
Dans ce cas, l'analyse et la prédiction sont dans la même coupe.
En ce qui concerne les classes, je ne compte pas, pour l'instant je ne fais que spéculer. Et vous avez raison, le problème principal n'est pas la classification. La classification n'est qu'une sorte de base. Et plus loin (objectif) est précisément la prévisibilité. Mais ici, je ne compte rien non plus. Je ne sais pas si cela peut fonctionner ou non. Je le saurai quand je mettrai en œuvre le "dispositif en fer". Ce n'est qu'alors qu'il sera connu.
La foi aveugle n'a jamais existé. Un matérialiste jusqu'au bout des ongles. Mais je suis absolument convaincu que "l'histoire se répète". Je crois que cela se répète. Cela ne signifie pas que le prix se comportera de la même manière que mardi dernier à 15 heures, ou quelque chose de similaire.
Dans ce cas, l'analyse et la prédiction sont dans la même coupe.
En ce qui concerne les classes, je ne compte pas, pour l'instant je ne fais que deviner. Et vous avez raison, le problème principal n'est pas la classification. La classification n'est qu'une sorte de base. Et plus loin (objectif), c'est la prévisibilité. Mais ici, je ne compte rien non plus. Je ne sais pas si cela peut fonctionner ou non. Je le saurai quand je mettrai en œuvre le "dispositif en fer". Ce n'est qu'alors qu'il sera connu.
Peut-être que je ne comprends pas quelque chose.
Nous classons dans des modèles. Nous supposons qu'un tel modèle apparaîtra à l'avenir et que nous pourrons utiliser ces connaissances pour faire des prévisions. N'est-ce pas ?
Sur quelle base ? Qui a prouvé qu'il y aura une telle tendance, ou qu'elle sera légèrement ou fortement modifiée ?
Je pense que si nous apprenons au réseau à reconnaître la lettre "a" écrite à la main, il est absolument certain que cette lettre sera présente à l'avenir, car elle existe dans la langue et si, à l'avenir, la plupart des gens commencent à écrire avec leurs pieds, il y aura toujours un "a", mais l'écriture changera et le réseau devra peut-être être formé davantage. Il parle de stationnarité.
Les citations sont en principe un processus non stationnaire, c'est-à-dire qu'il existe une sorte de déviation en permanence, différente à différents moments, qui est comparable (supérieure) à la partie stationnaire. C'est là le problème - la non-stationnarité de l'original : des lettres russes aujourd'hui et des lettres chinoises demain. Il faut chercher la réalité objective que les lettres reflètent. Et c'est ce que les réseaux neuronaux ne font pas.