Utilizzo delle reti neurali nel trading. - pagina 5
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
Anche se non mi occupo di reti neurali nel mercato, ma personalmente, azzarderei un'ipotesi che la normalizzazione lineare ordinaria sarebbe meglio della normalizzazione per varianza unitaria, in quanto il riaddestramento della rete sui nuovi dati dovrebbe essere molto migliore, senza cambiare il divario di dispersione potenziale dei nuovi dati, che ovviamente non può essere fatto portando la serie ad una centrata. Con tale normalizzazione si deve cambiare letteralmente tutto nella rete, anche i coefficienti di ponderazione, cioè semplicemente riaddestrare la rete, piuttosto che migliorare i suoi coefficienti di ponderazione. Ma questa è solo una supposizione. Ha bisogno di essere testato.
Anche se non mi occupo di reti neurali nel mercato, ma personalmente, azzarderei un'ipotesi che la normalizzazione lineare ordinaria sarebbe meglio della normalizzazione per varianza unitaria, in quanto il riaddestramento della rete sui nuovi dati dovrebbe essere molto migliore, senza cambiare il divario di dispersione potenziale dei nuovi dati, che ovviamente non può essere fatto portando la serie ad una centrata. Con tale normalizzazione si deve cambiare letteralmente tutto nella rete, anche i coefficienti di ponderazione, cioè semplicemente riaddestrare la rete, piuttosto che migliorare i suoi coefficienti di ponderazione. Ma questa è solo una supposizione. Ha bisogno di essere testato.
Ho una rete che semplicemente si riaddestra ogni 24 ore. Non so se questo è un vantaggio o un difetto. Ma, fino a quando si imbratta.
Devo chiedere a Prival come ottenere la distribuzione desiderata (rettangolare) da un valore arbitrario in forma analitica.
Privalych probabilmente sta dormendo ora, quindi cercherò di rispondere per lui. Una volta ho modellato un valore normale basato su un valore uniformemente distribuito su [0,1]. Allo stesso tempo ho dovuto calcolare una funzione inversa della funzione gaussiana integrale da una variabile casuale uniformemente distribuita. Quindi, per ottenere una variabile casuale uniformemente distribuita da una distribuita normalmente, dovremmo calcolare una funzione gaussiana integrale dalla prima.
Per analogia, per ottenere un valore uniformemente distribuito da uno distribuito in modo casuale, si dovrebbe prima trovare la funzione di distribuzione integrale del primo e applicarla al successivo. Spero di non aver fatto troppo casino.
Ciao Alexey.
Facciamo in modo che sia lento e chiaro (soprattutto per me).
Quindi, abbiamo SV distribuiti esponenzialmente della forma Y=A*exp{-a*X} dove X è l' ampiezza dei dati alimentati all'ingresso NS. Vogliamo trovare qualche funzione magica f(x), che agendo su un certo numero di dati di input X permette di ottenere la loro distribuzione rettangolare nell'intervallo +/-1. Per fare questo si consiglia:
1. Trova una funzione che sia l' inverso dell 'integrale gaussiano. Trova l'integrale: Z=-A/a*exp{-a*X}, ora trova l'inverso di esso: X=1/a*ln(-A/a/Z)
È questo il desiderato f(x)=1/a*ln(-A/a/x)?
La mia rete si riaddestra semplicemente ogni 24 ore. Non so se sia un vantaggio o un difetto. Ma, per ora, è un po' strano.
Immagino che non sia nel MQL?
Immagino che non sia in MQL?
Faccio riqualificare la griglia ogni volta che esco dal mercato, prima di rientrare.
La mia griglia viene riqualificata ad ogni uscita dal mercato, prima di una nuova entrata.
Qual è la struttura della rete, quante voci, quanto tempo ci vuole per riqualificare, su MQL o su un software esterno?
In MQL, poche decine di righe di codice e un volume di 9kB.
Griglia 100/2/1, architettura scalata arbitrariamente (compreso il numero di strati nascosti). Strato/i nascosto/i con ipertangente, l'uscita mostra Buy/Sell (segno). Re-learns (riapprende) in circa 100ms.
Per quanto mi sia sforzato, l'incremento dei neuroni nello strato nascosto non dà alcun aumento significativo della potenza di calcolo, ma rende l'allenamento molto più difficile. Forse queste peculiarità sono legate al compito specifico e il risultato non può essere generalizzato.
In MQL, poche decine di righe di codice e un volume di 9kB.
Griglia 100/2/1, architettura scalata arbitrariamente (compreso il numero di strati nascosti). Strato/i nascosto/i con ipertangente, l'uscita mostra Buy/Sell (segno). Re-learns (riapprende) in circa 100ms.
Per quanto mi sia sforzato, l'incremento dei neuroni nello strato nascosto non dà alcun aumento significativo della potenza di calcolo, ma rende l'allenamento molto più difficile. Forse queste peculiarità sono legate al particolare compito e il risultato non può essere generalizzato.
Cosa intende per "l'architettura scala arbitrariamente"? Per quanto ho capito l'architettura è la struttura della rete. E il ridimensionamento è l'uso di qualche funzione di razionamento dei dati. 100 ingressi sono un po' troppi. O i tuoi 100 sono qualcos'altro?
Neutron писал(а) >>
Facciamo in modo che sia lento e chiaro (soprattutto per me).
Quindi, abbiamo una distribuzione esponenziale di SV
OK Sergey, prendiamolo lentamente e tristemente. Per prima cosa, trattiamo i teoremi generali. Ecco un link. Vedere i teoremi 24, 25, 26.
Nota: Th 24 si occupa della funzione di densità della distribuzione.
Ma Th 25 fa esattamente quello che vuoi, e riguarda la funzione di distribuzione.
Guardate anche, per divertimento, il corollario 8 di Th 26. La terza formula del corollario è esattamente ciò di cui stavo parlando quando volevo ottenere la gaussiana dall'uniforme.
E per la vostra distribuzione esponenziale basta ottenere la sua funzione di distribuzione (integrale) in modo ordinato e applicare Th 25.
P.S. A proposito, l'ultima frase dell'esercizio 36 mi ha divertito ("(Nota: nessuno la prende così.)"). E io, stupido, è così che l'ho ottenuto (Codabase ha una libreria di funzioni statiche)...