Piligrimus è un indicatore di rete neurale. - pagina 2
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
In ogni caso, c'è molto potenziale di miglioramento; è possibile aumentare significativamente la scorrevolezza e introdurre segnali aggiuntivi.
Lo smoothing è in linguaggio tecnico il taglio delle componenti ad alta frequenza
Quanti decibel di smorzamento sono stati raggiunti tra la frequenza massima del segnale e una frequenza un'ottava più alta?
Potete dirmi dove posso trovare il VFD di Batteraut?
Sì, per favore!
K è l'ordine del filtro. Meglio non metterne più di 2 - aumenta notevolmente il FS.
zfs писал(а) >>
В чем смысл вашего индикатора, товарищ... он напоминает обычную среднюю.
Qual è il punto? Spiegare, per esempio, .... perché il tuo indicatore sembra una media semplice, ...........
Le reti neurali sono sistemi di autoapprendimento costruiti su elementi che simulano il funzionamento di un neurone del cervello umano.
Il modello di neurone di McCulloch-Pitts consiste di un corpo (soma) e di propaggini (assoni), le cui estremità si agganciano ai corpi di altri neuroni. La giunzione è chiamata sinapsi. Una sinapsi è caratterizzata dalla forza della connessione sinaptica w. Se il neurone i ha sinapsi con forze di legame wi1, ...,win, gli impulsi da altri neuroni (Sj) sono sommati in esso, e in uscita:
Modello di neurone.
Come funzione di attivazione (funzione transitoria) f() di una rete neurale si sceglie di solito una semplice funzione di passo, una funzione S simmetrica o asimmetrica o una funzione a passo lineare (vedi fig.).
Fig. funzioni di attivazione a forma di S asimmetriche e simmetriche a passo semplice.
Se indichiamo wij, la forza di legame del j-esimo neurone sull'i-esimo neurone, una rete neurale composta da n neuroni sarà completamente caratterizzata dalla matrice delle connessioni sinaptiche:
Di solito si usano le reti neurali più semplici, le cosiddette reti neurali a strati. Gli ingressi di ogni strato sono collegati solo con le uscite dei neuroni precedenti. Il primo strato è chiamato strato di input, l'ultimo strato è chiamato strato di output, e il resto sono chiamati strati nascosti (interni). Un esempio di tale rete neurale: 4 - 8 - 5 - 3. Questo significa che la rete neurale consiste di 4 strati: lo strato di input ha 4 neuroni, lo strato di output ne ha 8, e i due strati nascosti ne hanno 8 e 5.
La rete neurale è controllata (addestrata) cambiando la forza delle connessioni sinaptiche nella matrice W. Una rete neurale può essere usata come un sistema di auto-addestramento, o può essere pre-sintonizzata con campioni appositamente selezionati (allenamento con un insegnante). Quando una rete neurale è sintonizzata per un dato insieme di segnali di ingresso, la rete genera segnali di uscita che vengono confrontati con campioni, le deviazioni dai quali vengono valutate utilizzando una funzione di perdita appositamente selezionata (ad esempio pari alla deviazione standard). La matrice delle connessioni sinaptiche viene poi modificata per minimizzare la funzione di perdita (di solito tramite discesa a gradiente). Una rete neurale può quindi essere classificata come modelli di regressione additiva, non lineare e non parametrica.
Fig. Funzioni di attivazione a passo semplice, asimmetriche e simmetriche a forma di S.
La performance di una rete neurale è una stima ponderata delle sue tre proprietà:
grado di convergenza - la precisione con cui il modello si è adattato a determinati valori di input;
Il grado di generalizzazione (generalisation) - la precisione con cui il modello opera su insiemi di input che vanno oltre quelli che gli sono stati dati;
stabilità - la misura della dispersione (deviazione) nella precisione delle sue previsioni.
Le suddette proprietà di una rete neurale possono essere influenzate dalle seguenti procedure:
selezione di una funzione di attivazione adatta
selezione di una funzione di perdita adatta
selezione dell'architettura (struttura) della rete
selezione dei parametri per la discesa del gradiente
Scelta del tempo di addestramento Esempio di applicazione di una rete neurale nell'analisi tecnica Lo scopo principale dell'addestramento delle reti neurali è quello di costruire connessioni (associazioni) tra le formazioni osservate. Le reti neurali sono utili per prendere una decisione sui segnali provenienti da diversi indicatori tecnici. Diversi indicatori tecnici sono efficaci in diverse condizioni di mercato. Come abbiamo detto prima, gli indicatori trend-following sono efficaci quando c'è una tendenza, mentre gli oscillatori sono utili quando il mercato fluttua in un range.
Mostriamo con un semplice esempio (A.-P. Refenes, A. Zaidi) come una rete neurale può essere utilizzata in questo caso. Supponiamo che il prossimo compito sia quello di trovare una strategia mista basata su una combinazione di due strategie, ciascuna basata su segnali da due semplici indicatori: la media mobile (MA) e la deviazione dalla media (MV).
MA è un indicatore semplice, che confronta due medie mobili con periodi di mediazione diversi e dà un segnale di acquisto quando la MA veloce incrocia quella lenta dal basso verso l'alto, e un segnale di vendita quando la incrocia dall'alto verso il basso.
MV è un indicatore semplice, che dà un segnale di vendita quando il prezzo è sopra la sua media, e un segnale di acquisto altrimenti.
La struttura del sistema è mostrata nella Figura 91.
Il sistema riceve i segnali degli indicatori (0 - posizione corta, 1 - posizione lunga) e le informazioni sulla performance degli indicatori per gli ultimi 2 giorni (profitto o perdita) così come le informazioni correnti del mercato.
Ci sono tre segnali in uscita:
MA: seguire la raccomandazione dell'indicatore MA
MV: seguire la raccomandazione dell'indicatore MV
NP: non fare nulla
Ogni uscita assume un valore tra 0 e 1.
Fig. Schema di una rete neurale per l'analisi di due indicatori.
Se entrambi i segnali MA e MV sono nello stato ON (assumono valori maggiori di 0,5), allora viene selezionato il segnale raccomandato con il valore più alto, ma se NP è nello stato ON, allora non viene fatto nulla.
Questo esempio di applicazione di una rete neurale ha un esempio del suo utilizzo,..... e che cosa ha supposto?
Non è Butterworth?
Infatti, l'LPF di 2° ordine di Butterworth (linea rossa) mostra risultati non molto peggiori rispetto al tuo filtro a rete neurale. A proposito, dov'è il NS nel codice, e perché tuo figlio sta ridisegnando? Questa è una domanda retorica. Dato che, ridisegnando, ciò che vediamo nella storia non corrisponde alla realtà, sorge la vera domanda: perché ci mostra qualcosa che non esiste realmente?
L'intera formula è un amalgama di diverse reti addestrate con diversi parametri, e ridotte a un unico polinomio con i loro coefficienti di peso relativi l'uno all'altro.
L'intero polinomio viene ricalcolato ad ogni tick, poiché la storia non cambia e solo le quotazioni della barra zero cambiano, mentre i risultati del ricalcolo alla barra zero rimangono invariati. Non c'è nessun ridisegno.
smorzamento - in linguaggio tecnico, tagliare le componenti ad alta frequenza
nella versione attuale, quanti decibel di attenuazione sono stati raggiunti dalla frequenza massima del segnale utile a una frequenza, diciamo, un'ottava più alta?
Non l'ho controllato.
C'è un esempio di utilizzo di una rete neurale in questo esempio,..... e cosa hai in mente?
Io uso una rete neurale come filtro, è un compito leggermente diverso da quello che descrivi.
Non ho controllato.
>> è così... è tutto a occhio.
Io uso una rete neurale come filtro, che è un compito leggermente diverso da quello che descrivi.
Hai dei coefficienti per il tuo filtro digitale. Fondamentalmente, è un MA con coefficienti ridicoli, proprio come qualsiasi filtro digitale. Cosa volete che faccia in realtà? Cosa volete filtrare e quanto velocemente volete che risponda ai cambiamenti?
E come ottimizzarlo?
Infinity, Grazie per la spiegazione. Molto semplice, chiaro e logico.
Capisco cos'è una rete neurale e vedo più senso nell'esempio che in questo indicatore.
L'input è un mucchio di coefficienti incomprensibili. L'uscita è una media. Non ha nemmeno senso come expa.