Réseaux neuronaux - page 20

Nouveau commentaire
 

Après avoir "mâché" (superficiellement cependant - il faut encore du temps), il semble que nous n'utiliserons jamais l'ANN de manière efficace. Nous (les petites patates) n'avons pas assez d'argent pour acheter le matériel nécessaire à l'utilisation de l'ANN telle qu'elle devrait être utilisée.

 

Par moi-même ....pourquoi toute cette négativité ?

Ce n'est pas si compliqué. Il faut d'abord déterminer ce que l'on essaie de prédire. Le problème suivant est le bruit. Vous devez vous assurer que votre modèle n'est pas trompé par le hasard et le biais de l'extraction de données. Il existe des outils gratuits qui vous permettront de développer une preuve de concept avant de dépenser beaucoup d'argent en matériel.

Si vous prédisez une tendance par exemple, vous devez voir si votre modèle a un avantage sur une simple moyenne. Si vous prévoyez des points de retournement, regardez d'abord si vous pouvez dépasser une transformée de Fourier. Si l'avantage est faible, vous devez alors vous demander si le temps de formation en vaut la peine. Peu importe que vous utilisiez un réseau neuronal ou l'une des diverses machines à vecteurs de support, vous êtes toujours confronté à tous les problèmes d'ajustement de la courbe du passé pour prédire l'avenir. En dehors de l'échantillon, ces systèmes ont tendance à échouer car tout succès que vous auriez pu avoir dans vos tests pourrait être dû au hasard. Aucune somme d'argent investie dans du matériel ne pourra résoudre ce problème.

Ces outils peuvent être utiles, mais vous devez contrôler vos attentes. Si un modèle peut améliorer une stratégie de quelques points de pourcentage, alors avec le temps et un grand nombre de transactions, vous serez gagnant.

Salutations,

Alex

 
hughesfleming:
Sur mon propre compte....pourquoi toute cette négativité ?

Ce n'est pas si compliqué. Il faut d'abord déterminer ce que l'on essaie de prévoir. Le problème suivant est le bruit. Vous devez vous assurer que votre modèle n'est pas trompé par le hasard et les biais de l'extraction de données. Il existe des outils gratuits qui vous permettront de développer une preuve de concept avant de dépenser beaucoup d'argent en matériel.

Si vous prédisez une tendance par exemple, vous devez voir si votre modèle a un avantage sur une simple moyenne. Si vous prévoyez des points de retournement, regardez d'abord si vous pouvez dépasser une transformée de Fourier. Si l'avantage est faible, vous devez alors vous demander si le temps de formation en vaut la peine. Peu importe que vous utilisiez un réseau neuronal ou l'une des diverses machines à vecteurs de support, vous êtes toujours confronté à tous les problèmes d'ajustement de la courbe du passé pour prédire l'avenir. En dehors de l'échantillon, ces systèmes ont tendance à échouer car tout succès que vous auriez pu avoir dans vos tests pourrait être dû au hasard. Aucune somme d'argent investie dans du matériel ne pourra résoudre ce problème.

Ces outils peuvent être utiles, mais vous devez contrôler vos attentes. Si un modèle peut améliorer une stratégie de quelques points de pourcentage, alors avec le temps et un grand nombre de transactions, vous serez gagnant.

Salutations,

Alex

Alex

Merci pour la réponse

La raison pour laquelle j'ai dit ce que j'ai dit est que, à moins que nous ne soyons pas bien équipés en matériel, le calcul ANN sera toujours "incomplet". Et puis on en vient à ce que nous faisons déjà : estimer en utilisant notre propre ANN.

 

Ok... c'est bon. Si vous avez envie d'expérimenter, j'ai mis en page une façon d'utiliser Rapidminer avec Metatrader ici, au cas où vous n'auriez pas vu le fil de discussion. https://www.mql5.com/en/forum/181252

 
hughesfleming:
Ok... j'ai compris. Si vous avez envie d'expérimenter, j'ai mis en page une façon d'utiliser Rapidminer avec Metatrader ici, au cas où vous n'auriez pas vu le fil de discussion. https://www.mql5.com/en/forum/181252

Alex

Merci pour toute votre aide

 

J'ai plusieurs tests prometteurs hors échantillon comme celui que j'ai joint. Trouver des algos rentables avec l'IA dépend de vos entrées et c'est un art et non une science. Quand je cherchais différents algos pour le trading en direct, je suis tombé sur un croisement Réseau neuronal récurrent-Machines de Boltzmann restreintes en python Modélisation et génération de séquences de musique polyphonique avec le RNN-RBM - documentation DeepLearning 0. 1 et Bernoulli Restricted Boltzmann Machines feature extractor and LogisticRegression classifier en python. 1 documentation and Bernoulli Restricted Boltzmann Machines feature extractor and LogisticRegression classifier in python Restricted Boltzmann Machine features for digit classification - scikit-learn 0.15.2 documentation.ils semblent très intéressants quelqu'un a-t-il une expérience avec l'un de ces deux algorithmes pour le trading en direct ?

 

Neuro trend cloné (indicateurs + modèle)

neurotrendnncloned.rar

Dossiers :
neurotrendnncloned.rar  7 kb
 

Lien utile : Tutoriel sur les réseaux neuronaux

 

Réseaux neuronaux artificiels : artificial_neural_networks.pdf

Dans cette note, nous donnons un aperçu des concepts clés qui ont conduit à l'émergence des réseaux de neurones artificiels comme paradigme majeur pour les applications d'exploration de données. Les réseaux neuronaux ont connu deux grandes périodes de développement - le début des années 60 et le milieu des années 80. Ils ont constitué un développement clé dans le domaine de l'apprentissage automatique. Les réseaux neuronaux artificiels se sont inspirés des découvertes biologiques relatives au comportement du cerveau en tant que réseau d'unités appelées neurones. On estime que le cerveau humain compte environ 10 milliards de neurones, chacun étant connecté en moyenne à 10 000 autres neurones. Chaque neurone reçoit des signaux par l'intermédiaire de synapses qui contrôlent les effets du signal sur le neurone. On pense que ces connexions synaptiques jouent un rôle clé dans le comportement du cerveau. L'élément fondamental d'un réseau neuronal artificiel est le modèle mathématique d'un neurone.
Dossiers :
artificial_neural_networks.pdf  196 kb
 

forecasting_but_no_profitability_-_an_empirical_evaluation_of_genetic_algorithm-optimised_tr.pdf

Cet article évalue la performance de plusieurs règles de trading technique populaires appliquées au marché des actions australien. Les valeurs optimales des paramètres des règles de trading sur la période de l'échantillon du 4/1/82 au 31/12/89 sont trouvées en utilisant un algorithme génétique. Ces règles optimales sont ensuite évaluées en termes de capacité de prévision et de rentabilité économique au cours de la période hors échantillon du 2/1/90 au 31/12/97. Les résultats indiquent que les règles optimales surpassent le benchmark donné par une stratégie d'achat et de conservation ajustée au risque. Les règles montrent une certaine capacité de prévision et de rentabilité sur l'ensemble de la période test. Mais un examen des résultats pour les sous-périodes indique que les rendements excédentaires diminuent avec le temps et sont négatifs au cours des deux dernières années. De plus, une fois qu'un ajustement pour le biais de négociation non synchrone est effectué, les règles montrent très peu, voire aucune, preuve de rentabilité.
1...131415161718192021222324252627
Nouveau commentaire