Articolo: Previsione dei prezzi con reti neurali - pagina 10
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
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 tutto - la cosa principale è addestrarle correttamente.
Non avrei mai pensato che qualcuno avrebbe messo in discussione la necessità di utilizzare maglie multistrato per migliorare le prestazioni di classificazione. =)
Raccomando di leggere ciò che Jan LeCun scrive al riguardo - 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 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'altra area 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 l'apertura di posizioni lunghe e la chiusura di quelle corte, mentre in altre sezioni è viceversa: apertura breve e chiusura lunga.
Il lavoro che ho linkato sopra ha usato il database MNIST. Questo database contiene immagini di caratteri scritti a mano, non scritti a mano o stampati .
Naturalmente, capisco che tutto nei mercati finanziari è in costante dinamica, ma i modelli contrastanti (l'input è lo stesso e l'output è due classi diverse) possono essere eliminati aumentando la quantità di informazioni all'ingresso della griglia o (come qualcuno ha suggerito sopra) tali modelli possono essere esclusi dal campione di allenamento. Naturalmente, nella variante suggerita da voi nell'articolo sull'uso di un perceptron a singolo strato, c'erano molti modelli contrastanti. Per, c'erano solo 4 ingressi.
Il mio punto è che i percettori a singolo strato non sono in grado di risolvere il problema XOR (vedi il libro di Minsky) e questo li rende difettosi.
Raggiungere un risultato di apprendimento è più facile che assicurare il corretto
per risolvere il problema. Se si considera che la fluttuazione dei prezzi è una pseudo-stocastica
serie temporali, è la questione dell'applicazione e dell'interpretazione
...
Con l'interpretazione degli output della rete inizia il lavoro. Cioè, ecco la dichiarazione del problema. Quindi sono completamente d'accordo con te.
Vorrei sollevare la questione di cosa usi esattamente per creare un campione di allenamento. Questa è la cosa più importante.
Il campione di apprendimento è creato da indicatori convenzionali
E quale tipo è il più intimo, così come la preparazione dei dati
Perché? Perché nessuno sta chiedendo un algoritmo. Solo per condividere i loro pensieri.
Allora mi chiedo di cosa stiamo parlando qui, se nessuno vuole parlare della cosa più importante.
In questo caso è come una corsa agli armamenti, nessuno crede a nessuno :)
L'insieme iniziale di dati di allenamento può anche essere {H,L,O,C} ... Ciò che conta è il modello, l'idea dietro la rete e il sistema nel suo insieme.
Se l'idea è corretta, l'obiettivo è formulato correttamente e la funzione f di stima dell'errore è scelta correttamente, il risultato è un certo successo della rete al locale
minimo dopo N epoche di allenamento. Inoltre l'arte è quella di far uscire la rete dallo stallo con perdite minime e continuare ad imparare.
E qui tutti i mezzi sono buoni, pre-elaborazione dei dati, sostituzione degli architetti, algoritmi di apprendimento - la cosa principale è raggiungere in generale il modello che si sta sviluppando.
E per quanto riguarda cosa alimentare, consiglio di implementare un'idea di una delle reti di Reshetov, ce ne sono diverse su questo forum e poi valutare.
Il modello, il risultato - beh, tutto è nelle vostre mani.