Articolo: Previsione dei prezzi con reti neurali - pagina 9
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Vinin, una volta hai scritto che hai avuto a che fare con NS e anche che nel campionato il tuo EA è un'implementazione di NS. In altre parole, rispetto a me, lei è un esperto. Consigliami cosa leggere per capire questo enorme argomento. Lo scopo - non solo di capire i principi del networking, ma di capirlo abbastanza profondamente da usare MQL5 per scrivere la rete stessa (che spero di pianificare quando avrò capito l'argomento) e l'intera infrastruttura, relativa alla sua formazione.
Non mi considero uno specialista, ma posso sempre fare una rete se necessario.
PraVedNiK. O forse è il momento di passare da un singolo neurone a un neurone normale. È un po' diverso, e tutto è diverso in generale.
Perceptron è una linea che divide 2 classi: le palline verdi sono"Price Will Most Likely Go Up",
Quelli rossi sono "Prezzo ...giù". Ma il problema è che c'è una zona disordinata dove le palline si mischiano.
sono tutti intervallati. Alcune persone intelligenti / tra cui - e questo forum /, dopo aver letto libri
Shumsky e altri suggeriranno: dovremmo passare a un multistrato per fare più di queste linee di divisione.
Puoi farlo o meno in questo modo, puoi mettere un filtro nel tuo DiRoLnoDoLgo EA:
High[1]<High[2] && Low[1]<Low[2] && iOsMA... e High[1]>High[2] && Low[1]>Low[2]&& iOsMA... ,
e rimuoverà circa 2/3 di queste protuberanze emorroidali, e - A SINISTRA ! vedi figura..:
Poi, dopo questo, è più facile tracciare la linea di demarcazione - che significa"la linea di confine".
Questo è l'obiettivo diDiRoLnoDoLgo : rimuovere almeno parzialmente questo
rimuovere parzialmente le emorroidi - i risultati dell'analisi in avanti / negli ultimi 5 mesi / sono risultati essere
I risultati dell'analisi previsionale per gli ultimi 5 mesi si sono rivelati abbastanza buoni: profitto lordo = +16 cifre, payoff previsto = + 2 cifre /quasi/, redditività = 30.
Non avrei mai pensato che qualcuno avrebbe messo in discussione l'uso di maglie multistrato per migliorare le prestazioni di classificazione. =)
Vi consiglio di leggere ciò che Jan LeCun scrive su questo - http://yann.lecun.com/exdb/mnist/index.html. Tuttavia, l'area tematica è un po' diversa lì: il riconoscimento dei caratteri. In ogni caso, comunque, le maglie monostrato hanno mostrato i risultati peggiori - 8,4%. Tuttavia! Uno dei multistrato (bilayer, con 300 neuroni nello strato nascosto) ha avuto un risultato molto buono - 1,6% di errore. Cioè, l'aggiunta anche di un solo strato rende la rete molto più "potente".
Non credo proprio che ridurre la dimensione del campione di allenamento sia una buona opzione. Molto meglio ottenere una maggiore separabilità delle classi - cioè trasformare i dati di input in modo che non ci siano conflitti (per esempio, per aumentare l'intervallo di tempo della visibilità delle quotazioni). Ricordo che il libro di fxclub "Trading - your way to financial freedom" raccomanda di inviare più di una coppia di quotazioni alla griglia.
Sì, c'è un altro svantaggio nell'usare griglie a strato singolo: la persona che vuole costruire questa griglia e allenarla non dovrà nemmeno imparare cosa sono il BackProp e molte altre cose. Cioè, usando maglie di architetture antiche, la probabilità che vengano create maglie efficaci di nuove architetture nel prossimo futuro diminuisce, il che è molto, molto male, perché abbiamo bisogno di aiutare le maglie in qualche modo. =)
In generale, come qualcuno che ha usato le reti neurali nei mercati finanziari per molto tempo, posso dire una cosa - le cose principali non sono descritte lì. Io, ovviamente, non programmo reti neurali - mi occupo esclusivamente della loro APPLICAZIONE, che è un argomento separato e molto "delicato". Molto dipende da questo. E proprio questa applicazione non è descritta in questo articolo - ma è uno degli argomenti principali e fondamentali di "applicazione delle reti neurali nei mercati finanziari". Molto dipende da questo.... ..... ...
Ma questa è la mia opinione personale.....
In generale, come qualcuno che ha usato le reti neurali nei mercati finanziari per molto tempo, posso dire una cosa - le cose principali non sono descritte lì. Naturalmente, non programmo reti neurali - mi occupo esclusivamente della loro APPLICAZIONE, che è un argomento separato e molto "delicato". Molto dipende da questo. E proprio questa applicazione non è descritta in questo articolo - e questo è uno degli argomenti principali e fondamentali di "applicazione delle reti neurali nei mercati finanziari". Molto dipende da questo.... ..... ...
Ma questa è la mia opinione personale.....
Sì.
Come persona che è solo leggermente coinvolta nelle reti neurali (solo 12 anni) posso dire a una persona che è stata coinvolta nelle reti neurali per molto tempo che l'applicazione delle reti neurali in qualsiasi compito è inseparabile dalla loro progettazione (programmazione). La cosa principale sono due postulati: dati iniziali (che è una canzone separata), e il più importante - algoritmo di formazione. Le reti possono fare qualsiasi cosa, l'importante è allenarle correttamente.
Non avrei mai pensato che qualcuno avrebbe messo in discussione l'uso di maglie multistrato per migliorare le prestazioni di classificazione. =)
Vi consiglio di leggere ciò che Jan LeCun scrive su questo - http://yann.lecun.com/exdb/mnist/index.html. Tuttavia, l'area tematica è un po' diversa lì: il riconoscimento dei caratteri. In ogni caso, comunque, le maglie monostrato hanno mostrato i risultati peggiori - 8,4%. Tuttavia! Uno dei multistrato (bilayer, con 300 neuroni nello strato nascosto) ha avuto un risultato molto buono - 1,6% di errore. Cioè, con l'aggiunta anche di un solo strato, la maglia diventa molto più "potente".
Esattamente, perché è una materia completamente diversa, e quindi un approccio diverso. I contorni dei caratteri nei font standard sono immutabili, quindi ha senso addestrare la rete una volta su un esempio, per esempio su un paio di pagine, in modo che la rete neurale riconosca i caratteri nel resto del libro con alta precisione.
Per quanto riguarda i mercati finanziari, è un altro settore in cui tutto è in continuo cambiamento e in costante movimento. E quindi i multistrati complessi sono incasinati qui. Un'analogia esagerata nel campo del riconoscimento dei caratteri è che se in una pagina di un libro un simbolo "A" deve essere interpretato come "A" e nella successiva, lo stesso "A" è già interpretato come "B".
Per questo motivo lo stesso pattern riconosciuto in diverse sezioni dei dati storici degli strumenti finanziari può essere interpretato diversamente nei segnali di trading, cioè in alcune sezioni la sua identificazione è più appropriata per aprire posizioni lunghe e chiudere quelle corte, mentre in altre sezioni è viceversa: aprire posizioni corte e chiudere quelle lunghe.
ha senso: ...
Non avrei mai pensato che qualcuno potesse mettere in dubbio
sull'uso di maglie multistrato per migliorare
caratteristiche di classificazione. =)
Raccomando di leggere ciò che Jan LeCun scrive a questo proposito - http://yann.lecun.com/exdb/mnist/index.html. Ma l'area tematica è un po' diversa lì: il riconoscimento dei simboli.
riconoscimento dei caratteri. Comunque, comunque, le maglie a strato singolo erano
i risultati peggiori, 8,4%. Tuttavia! Uno di quelli multistrato (bilayer,
con 300 neuroni nello strato nascosto) ha mostrato un ottimo risultato
- 1,6% di errore. Cioè, l'aggiunta anche di un solo strato rende la griglia
molto più "potente".
Esattamente, che questa è un'area tematica diversa e quindi un
un approccio diverso. La forma dei caratteri nei font standard è la stessa,
quindi ha senso addestrare la rete una volta su un esempio,
come un paio di pagine, in modo che la rete neurale possa accuratamente
i personaggi nel resto del libro.
O la carta è ugualmente bianca e di alta qualità.
No, è anche un compito variabile, se tutto è come scrivi allora non hai bisogno di reti neurali, un semplice confronto è sufficiente.
ha senso: ...
Non avrei mai pensato che qualcuno potesse mettere in dubbio
sull'uso di maglie multistrato per migliorare
caratteristiche di classificazione. =)
Raccomando di leggere ciò che Jan LeCun scrive a questo proposito - http://yann.lecun.com/exdb/mnist/index.html. Ma l'area tematica è un po' diversa lì: il riconoscimento dei simboli.
riconoscimento dei caratteri. Comunque, comunque, le maglie a strato singolo erano
i risultati peggiori, 8,4%. Tuttavia! Uno di quelli multistrato (bilayer,
con 300 neuroni nello strato nascosto) ha mostrato un ottimo risultato
- 1,6% di errore. Cioè, l'aggiunta anche di un solo strato rende la griglia
molto più "potente".
Esattamente, è un'area tematica diversa e quindi un
un approccio diverso. La forma dei caratteri nei font standard è la stessa,
quindi ha senso addestrare la rete una volta su un esempio,
come un paio di pagine, in modo che la rete neurale possa accuratamente
i personaggi nel resto del libro.
O la carta è ugualmente bianca e di alta qualità.
No, è anche un compito variabile, se tutto è come scrivi allora non hai bisogno di reti neurali, un semplice confronto è sufficiente.
2. Un libro della stessa edizione viene stampato allo stesso modo da tutte le macchine. Se è diverso, allora è un difetto.
3. Per la stessa edizione, la carta ha lo stesso formato: per esempio "formato 70x100 1/16". Stampa offset. Dimensione di stampa 37.4." Anche la carta dovrebbe essere conforme allo standard. Bene e set di caratteri non differiscono grande varietà, in modo da non rovinare la visione dei lettori.
In ogni caso, i compiti del riconoscimento dei modelli per i campi in cui esistono standard, per esempio la poligrafia, e i campi senza standard, per esempio i mercati finanziari, sono completamente diversi e anche le probabilità di errore nelle soluzioni sono diverse.
Una spiegazione ancora più semplice può essere fatta: se gli algoritmi di riconoscimento dei modelli per i mercati finanziari fossero sbagliati con la stessa frequenza degli algoritmi di riconoscimento dei modelli per i testi stampati, allora ... (non c'è bisogno di andare avanti, perché sarebbe chiaro così com'è).