"New Neural" è un progetto di motore di rete neurale Open Source per la piattaforma MetaTrader 5. - pagina 97

 
Реter Konow:
Ok. Dobbiamo trovare un'analogia pratica. Il diagramma mostra che gli strati hanno un numero diverso di neuroni. Se capovolgiamo il diagramma, otteniamo una piramide. Quindi l'output passa attraverso diverse fasi di elaborazione. Più neuroni ci sono nello strato, più dati questo strato riceve ed elabora. Se lo strato successivo produce meno dati del precedente, significa che i dati sono generalizzati da uno strato all'altro?

Sì, sono generalizzati. Se l'input è, diciamo, 100 barre, l'output dovrebbe essere due comandi: comprare o vendere.

Il compito non è quello di far sì che una rete neurale contenga molti dati, ma di far corrispondere la quantità di dati su cui viene addestrata. Se la rete è troppo grande e i dati non sono sufficienti, imparerà facilmente ma non sarà in grado di generalizzare ad altri dati. Quindi il numero di neuroni dovrebbe essere il più piccolo possibile. Più di tre strati non sono necessari. Nel primo strato il numero di neuroni corrisponde alla dimensione del modello di dati in ingresso, e nell'ultimo - al numero di varianti risultanti. E in quello intermedio è il più piccolo possibile, ma non più piccolo che nell'uscita.

 
Igor Makanu:

il codice è semplice, ma i nostri dati di input non si adattano bene:

Wiki entropia: ".... misura la deviazione di un processo reale da uno ideale. ... Matematicamente, l'entropia è definita come una funzione dello stato del sistema, definita ad una costante arbitraria".

и?

quale in finanza VR potrebbe essere un mercato ideale? - chi diavolo lo sa, OK, che sia la prima ipotesi, mercato perfetto = onda sinusoidale!

come input abbiamo almeno 3 prezzi alto, basso, clowes - e quale dovremmo usare? - Ok, che sia la seconda ipotesi, il prezzo mediano regna!

cosa misuriamo da e verso? - Inizio giornata? Settimana? Giorno di scadenza? Sessione di trading? - OK, inizio della giornata, che sia la terza assunzione....

totale di 3 domande, 3 volte supponiamo di avere ragione? qui il problema si riduce alla combinatoria: quante volte deriviamo l'ipotesi iniziale corretta e quante volte la nostra ulteriore esplorazione porta alla corretta valutazione del mercato... sulla storia ))))


entropia suona bene, ma ho scavato questo argomento alcuni anni fa dal punto di vista dell'entropia informativa, la conclusione è una - se un modello inizia a formare o la ripetizione più vicina di combinazioni di candele sulla storia - non funzionerà, perché ciò che è ovvio per tutti non funziona nel mercato, la stessa cosa con i modelli e le correlazioni, una volta che diventano evidenti - smettono di apparire )))). Di solito mi dico in questi casi - tu non sei il più intelligente, tali persone intelligenti vivono mezzo mondo lontano dai monitor)))

No, guarda, questa entropia stima la quantità di informazioni nella BP. Più bassa è l'entropia, più informazione (i cicli sono più manifesti). Cioè la misura è relativa, e per usarla in relazione, per esempio, ad altri stati. Dove è più basso è dove fare trading - un esempio approssimativo

bene e l'analogia con Hearst, misura in finestra sk.
 
Andrey Dik:

Se nello strato ci sono meno neuroni che in quello precedente, l'informazione è compressa, e, "non compressa", se ci sono più neuroni che in quello precedente.

OK. Grazie. Per ora estrapolo dalle informazioni che ho ricevuto. Più tardi chiederò a qualche altro esperto qui. ))
 
Введение в понятие энтропии и ее многоликость
Введение в понятие энтропии и ее многоликость
  • habr.com
Как может показаться, анализ сигналов и данных — тема достаточно хорошо изученная и уже сотни раз проговоренная. Но есть в ней и некоторые провалы. В последние годы словом «энтропия» бросаются все кому не лень, толком и не понимая, о чем говорят. Хаос — да, беспорядок — да, в термодинамике используется — вроде тоже да, применительно к сигналам...
 
Dmitry Fedoseev:

Sì, sono generalizzati. Se l'input è, diciamo, 100 barre, l'output dovrebbe essere due comandi: comprare o vendere.

Il compito non è quello di far sì che una rete neurale contenga molti dati, ma di far corrispondere la quantità di dati su cui viene addestrata. Se la rete è troppo grande e i dati non sono sufficienti, imparerà facilmente ma non sarà in grado di generalizzare ad altri dati. Quindi il numero di neuroni dovrebbe essere il più piccolo possibile. Più di tre strati non sono necessari. Nel primo strato il numero di neuroni corrisponde alla dimensione del modello di dati in ingresso, e nell'ultimo - al numero di varianti risultanti. E in quello intermedio dovrebbe essere il più piccolo possibile, ma non più piccolo di quello in uscita.

Ok. Ho bisogno di pensarci. Vi farò sapere più tardi.
 
Dmitry Fedoseev:

.... Più di tre strati non sono necessari. Nel primo strato, il numero di neuroni corrisponde alla dimensione del modello di dati in ingresso, nell'ultimo strato - al numero di varianti risultanti. E nello strato intermedio è il più piccolo possibile, ma non più piccolo dello strato di uscita.

È stato dimostrato matematicamente (ho incontrato la prova in alcuni libri) che una rete con uno strato interno può approssimare qualsiasi funzione continua, e una rete con due strati può approssimare anche funzioni con lacune. Quindi, da questa prova segue che il numero di strati maggiore di 2 non ha senso pratico e porta solo al riallenamento.

cioè è necessario un massimo di 2 strati interni (e in molti casi uno è sufficiente).
 
Maxim Dmitrievsky:

No, guarda, questa entropia valuta la quantità di informazioni nella BP. Più bassa è l'entropia, più informazione (più cicli si manifestano). Cioè la misura è relativa, e per usarla in relazione, per esempio, ad altri stati. Dove è più basso, è lì per commerciare - un esempio approssimativo.

e l'analogia con Hurst, misura nella finestra sk.

Maxim beh hai ragione, ma in teoria

Ecco il grafico, cosa possiamo prendere come quantità di informazioni? 1 bar? - Cioè, prendiamo un gruppo di barre - abbiamo un certo periodo, poi come è il nostro approccio migliore di quello di valutare la situazione attuale del mercato utilizzando RSI, stocastico, o grafico delle pulci? - lo stesso in ogni modo, imho


l'applicazione del TS dovrebbe essere basata sul contesto di mercato - sì, ma il contesto può difficilmente essere formalizzato, alcune persone cercano di prendere l'attuale piatto come un contesto e commerciano un piatto, altri disegnano una linea di tendenza e aspettano una svolta .... e chi ha ragione?

 
Igor Makanu:

Maxim, hai ragione, ma in teoria.

ecco un grafico, cosa possiamo prendere come quantità di informazioni? 1 bar? - Non seriamente, prendete un gruppo di barre - abbiamo un certo periodo, poi come è il nostro approccio migliore di valutare lo stato attuale del mercato utilizzando RSI, stocastico, pulci? - lo stesso in ogni modo, imho


l'applicazione del TS dovrebbe essere basata sul contesto di mercato - sì, ma il contesto può difficilmente essere formalizzato, alcune persone cercano di prendere l'attuale piatto come un contesto e commerciano un piatto, altri disegnano una linea di tendenza e aspettano una svolta .... chi ha ragione?

Capisco... ottimizzare la finestra, guardare il cambiamento di entropia, allenare il modello con diverse finestre e trarre conclusioni. È chiaro che mostra il passato, ma se restringiamo l'orizzonte di previsione e usiamo il MOS per riempire questi intervalli, otterremo l'informazione

È più o meno quello che sto dicendo.

Non vi dirà se ha cicli periodici o no, vi dirà se ha entropia. Non sto dicendo che funzionerà, sto dicendo che devi analizzare i dati.

 
Maxim Dmitrievsky:

Capisco... ottimizzare la finestra, guardare i cambiamenti di entropia, addestrare il modello con diverse finestre e trarre conclusioni. È chiaro che mostra il passato, ma se abbassiamo l'orizzonte di previsione e usiamo il MOS per riempire questi intervalli, otterremo l'informazione

È più o meno quello che sto dicendo.

Non vi dirà se ha cicli periodici o no, vi dirà se ha entropia. Non sto dicendo che funzionerà, sto dicendo che ha bisogno di essere analizzato.

Non ho intenzione di chiedere tutto, ma sono stanco di leggere... Quanto è accurato insegnare NS in una finestra scorrevole?

- Se stiamo cercando informazioni periodiche - sì, è corretto, l'NS troverà i loop nascosti e regolerà i propri coefficienti di ponderazione

- se insegniamo al NS a riconoscere, sì, è il NS ad imparare

- non ci sono cicli periodici nel mercato, da qualche parte ho avuto un RE che disegna il tempo di formazione del top del RE, a qualsiasi impostazione del RE, non ci sono mai ripetizioni periodiche, non esiste che la prossima rottura del RE sarà in barre come 5,11,7,3....5,11,7,3.... - ci saranno tutti i tipi di combinazioni ma non ripetizioni.


se addestriamo NS in una finestra scorrevole di informazioni non periodiche, cosa succede ai pesi? - Per quanto mi ricordo, non si può nemmeno addestrare una rete a singolo strato su eu, solo multistrato - si può usare una finestra scorrevole per queste cose? Ho i miei dubbi


ZS: datamining - sì, se riesci a filtrare i dati che porteranno informazioni - allora il Graal è tuo ;)

 
Igor Makanu:

Non posso chiedere tutto, e sono stanco di leggere... Quanto è corretto addestrare NS in una finestra scorrevole?

- Se stiamo cercando informazioni periodiche - sì, è corretto, l'NS troverà i cicli nascosti e regolerà i propri coefficienti di ponderazione

- se insegniamo al NS a riconoscere, sì, è il NS ad imparare

- non ci sono cicli periodici nel mercato, da qualche parte ho avuto un RE che disegna il tempo di formazione del top del RE, a qualsiasi impostazione del RE, non ci sono mai ripetizioni periodiche, non esiste che la prossima rottura del RE sarà in barre come 5,11,7,3....5,11,7,3.... - ci saranno tutti i tipi di combinazioni ma non ripetizioni.


se addestriamo NS in una finestra scorrevole di informazioni non periodiche, cosa succede ai pesi? - Per quanto mi ricordo, non si può nemmeno addestrare una rete a singolo strato su eu, solo multistrato - si può usare una finestra scorrevole per queste cose? Ho i miei dubbi


ZS: datamining - sì, se riesci a filtrare i dati che porteranno informazioni - allora hai il graal ;)

Non devono essere strettamente periodici, ma non devono nemmeno essere rumorosi. Il quadro è probabilistico, non rigoroso. La finestra scorrevole è intesa per l'indicatore di entropia così come il numero di caratteristiche per la formazione, si può optare per loro.

Se i campioni sono incoerenti, niente funzionerà, ecco perché molti hanno un errore di 50\50. E un ciclo non può essere contraddittorio, o esiste o non esiste, in qualsiasi forma. Se si aggiungono molti loop diversi, non si contraddicono tra loro.

Ciclo/non-ciclo è un concetto relativo all'interno della metrica dell'entropia