Prévision des taux de change à l'aide d'un réseau neuronal - page 3
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
Ensuite, votre mémoire devrait consister en une seule phrase : "La prédiction des taux à l'aide d'un réseau neuronal n'est pas possible". ))) C'est tout le travail de cours ))))
Pourquoi est-ce impossible ? C'est tout à fait possible :). Prenons notre conseiller expert préféré, avec lequel nous gagnons notre vie (tout le monde a un tel "cheval de bataille"). On y trouve une régression linéaire quelque part ou quelque chose comme ça. Remplacer la régression linéaire par la neuronique... Voila :)
Ensuite, votre mémoire devrait consister en une seule phrase : "La prédiction des taux à l'aide d'un réseau neuronal n'est pas possible". ))) C'est tout le travail de cours ))))
Cela signifie-t-il que vous êtes déçu par les réseaux neuronaux et les prévisions de marché en général ? Sachant combien d'années vous avez étudié ce domaine, c'est assez étrange de vous entendre dire cela.
Je n'étudie pas cette direction du point de vue de la prédiction, mais du point de vue de la recherche de modèles qui peuvent être utilisés avec une probabilité de préférence supérieure à 70% pour réaliser un profit à un moment donné, c'est-à-dire pas sur chaque nouvelle barre qui se présente.
Vous devez convenir que ce sont des choses fondamentalement différentes.
Vous n'avez pas besoin de prévoir, c'est-à-dire de poursuivre la ligne de l'instrument dans le futur sur chaque nouvelle barre afin de réaliser des bénéfices.
Je n'étudie pas cette direction du point de vue de la prédiction, mais du point de vue de la recherche de modèles qui peuvent être utilisés avec une probabilité de préférence supérieure à 70% pour réaliser un profit à un moment donné, c'est-à-dire pas sur chaque nouvelle barre qui se présente.
Vous devez convenir que ce sont des choses fondamentalement différentes.
Vous n'avez pas besoin de prédire, c'est-à-dire de poursuivre la ligne de l'instrument dans le futur sur chaque nouvelle barre, afin de réaliser des bénéfices.
Cependant, au moment d'entrer sur le marché, nous nous attendons à ce que le prix évolue dans le sens de notre entrée, et c'est la prévision.
Cela signifie-t-il que vous êtes déçu par les réseaux neuronaux et les prévisions de marché en général ? Sachant combien d'années vous avez étudié ce domaine, il est assez étrange de vous entendre dire cela.
Cela signifie que les réseaux neuronaux multicouches ne sont pas adaptés à l'extrapolation (prédiction). Elles ne sont bonnes que dans le cadre de l'interpolation.
En résumé, la méthode est la suivante :
Que celui qui n'y croit pas s'essaye à une tâche simple, à savoir apprendre à un multicouche à deux voies une table de multiplication en nombres entiers de 0 à 9. Testez-le ensuite en fournissant des valeurs pour l'interpolation, c'est-à-dire n'importe quel nombre réel de 0 à 9, aux entrées. Puis pour l'extrapolation, c'est-à-dire pour s'assurer qu'au moins une entrée a des valeurs soit inférieures à 0, soit supérieures à 9. L'interpolation est gérée par la grille, l'extrapolation est foutue.
La raison est élémentaire : les sorties des neurones sigmoïdes coupent toutes les valeurs qui dépassent la plage légèrement supérieure à celle de l'échantillon d'apprentissage. C'est-à-dire que les sigmoïdes ont une limite de valeurs à la sortie, qui ne peut être dépassée quelle que soit la valeur à l'entrée. Voir le graphique ci-dessous : L'entrée sigmoïde peut avoir n'importe quelle valeur, la sortie sigmoïde ne peut pas être supérieure à 1 et pas inférieure à 0, c'est-à-dire qu'en dehors de la plage de sortie limitée, il y aura un bummer.
Il s'avère que d'une part, grâce aux sigmoïdes, la vitesse de formation des réseaux multicouches augmente, car sans eux, les algorithmes de rétro propagation des erreurs perdent leur convergence. Mais d'un autre côté, de tels maillages deviennent des interpolateurs et ne peuvent pas fonctionner de manière adéquate en dehors des plages de l'échantillon d'entraînement.
Néanmoins, au moment d'entrer sur le marché, nous nous attendons à ce que le prix évolue dans le sens de notre entrée dans le futur, et c'est la prévision.
La régression ne convient-elle pas aussi à l'interpolation ? Pourquoi construire une grille ?
La régression ne convient-elle pas aussi à l'interpolation ? Pourquoi construire une grille ?
Essayez la régression multiple et le réseau neuronal multicouche et comparez le RMS pour l'interpolation. Vous apprendrez également que tous les outils ont des limites fonctionnelles dans lesquelles ils sont le plus efficaces.
La régression ne convient-elle pas aussi à l'interpolation ? Pourquoi construire une grille ?
Un réseau neuronal multicouche est l'une des méthodes non paramétriques de régression non linéaire. Dans certains cas, les réseaux neuronaux peuvent être abandonnés au profit de méthodes paramétriques linéaires/linéaires/non linéaires.