Neuro-previsione di serie finanziarie (basato su un articolo) - pagina 9

 
nikelodeon:


Alla fine, dopo aver raccolto le statistiche, possiamo concludere che un obiettivo di allenamento di massimo equilibrio non è sempre una buona cosa. Ma c'è una domanda un po' diversa, come trovare l'obiettivo perché NS funzioni bene in futuro.

Ho provato diverse varianti del mio Expert Advisor con NS, cioè per saldo, fattore di profitto, payoff previsto, drawdown in valuta di deposito e drawdown in %. E ho guardato i test in avanti sia prima che dopo l'ottimizzazione.

Sembra che se ottimizziamo per il drawdown minimo nella valuta di deposito e poi selezioniamo questo drawdown minimo dai risultati dell'ottimizzazione, entrambi i forward hanno successo. Se il valore di drawdown minimo è lo stesso per diversi risultati di ottimizzazione, si dovrebbe scegliere quello che ha il saldo massimo.

Inoltre, si è scoperto che se si ottimizza per il drawdown minimo nella valuta di deposito, e poi si seleziona il risultato con il fattore di profitto massimo, anche le prove in avanti hanno successo, ma i risultati sono già peggiori rispetto al caso precedente.

Ma questo metodo dà risultati solo per un singolo EA. Altri Expert Advisors con lo stesso NS ma input diversi non hanno una tale caratteristica e finora non siamo stati in grado di trovare per loro metodi di definizione di segni di risultati di ottimizzazione per test forward di successo.

 
Reshetov:

Ho provato diverse varianti del mio EA con NS, cioè per saldo, fattore di profitto, payoff previsto, drawdown in valuta di deposito e drawdown in %. E ho guardato i test in avanti sia prima che dopo l'ottimizzazione.

Sembra che se ottimizziamo per il drawdown minimo nella valuta di deposito e poi selezioniamo questo drawdown minimo dai risultati dell'ottimizzazione, entrambi i forward hanno successo. Se il valore di drawdown minimo è lo stesso per diversi risultati di ottimizzazione, si dovrebbe scegliere quello che ha il saldo massimo.

Inoltre, si è scoperto che se si ottimizza per il drawdown minimo nella valuta di deposito e poi si seleziona il risultato con il fattore di profitto massimo, anche le prove in avanti hanno successo, ma i risultati sono già peggiori che nel caso precedente.

Ma questo metodo dà risultati solo per un EA. Altri EA con lo stesso NS ma input diversi non hanno una tale caratteristica e finora non siamo stati in grado di identificare per loro metodi di determinazione dei segni dei risultati di ottimizzazione per il successo del test in avanti.

La ponderazione delle reti neurali richiede trilioni di variazioni, e ha può dare solo 10-18 mila.

quindi sarebbe corretto eseguire l'ottimizzazione diverse volte (almeno cinque) in modalità ha e solo allora scegliere qualcosa di adatto.

 
Reshetov:

Si scopre che se si ottimizza per il drawdown minimo nella valuta di deposito e poi si sceglie proprio questo drawdown minimo dai risultati dell'ottimizzazione, allora entrambi i forward hanno successo. Se il valore del drawdown minimo è lo stesso per diversi risultati di ottimizzazione, è necessario selezionare quello che avrà il saldo massimo.

Inoltre, si è scoperto che se si ottimizza con un drawdown minimo nella valuta di deposito, e poi si seleziona il risultato con il fattore di profitto massimo, anche le prove in avanti hanno successo, ma i risultati sono peggiori che nel caso precedente.

Ma questo metodo dà risultati solo per un singolo EA. Altri Expert Advisors con lo stesso NS ma input diversi non hanno una tale caratteristica e finora non siamo riusciti a trovare per loro dei metodi per definire i segni dei risultati di ottimizzazione per i test forward di successo.

E il numero di accordi è controllato? NS è flessibile e se impostiamo solo il drawdown minimo come funzione target di allenamento, può facilmente trovare un'opzione con drawdown zero. Se l'architettura e la matematica del NS concreto lo permettono, può semplicemente trovare alcuni pesi, quindi ci saranno poche (quantità statisticamente insignificanti) offerte, ma nessun drawdown... Forse è per questo che non funziona con altri ingressi e reti?

Io uso spesso una variante simile: criterio = saldo massimo - drawdown, ma con controllo obbligatorio del numero minimo di trade. Credo che NS debba fare almeno 100 scambi all'anno, e se mostra un super risultato ma con 99 scambi - il risultato viene buttato via automaticamente...

 
mersi:

La ponderazione della rete neurale richiede trilioni di opzioni, e ga può dare solo 10-18 mila.

quindi la cosa giusta da fare sarebbe eseguire l'ottimizzazione diverse volte (almeno cinque) in modalità ha e solo allora scegliere qualcosa di adatto.


Usate un GA tester per addestrare il NS? Come hai fatto e che tipo di NS sono? Quante "scale" si possono "montare" con questo approccio?
 
Figar0:

Usate GA tester per addestrare NS? Come hai fatto e che tipo di NS sono? Quante "scale" si possono "montare" con questo approccio?

Mentre Yuri risponde, vi dirò cosa ho fatto.

Ci sono un totale di 21 pesi. Le variabili prendono valori da -1 a 1. Ho fatto il passo di ottimizzazione delle variabili 0,05.

Non posso fare passi più piccoli perché il numero di combinazioni è al limite per l'ottimizzatore - 19 cifre, non conosco nemmeno questi numeri.

Cioè, era il limite per l'ottimizzatore, qualcosa come 999999999999999999999.

Il mio argomento: https://www.mql5.com/ru/forum/126476

 
Figar0:

Usate GA tester per insegnare NS? Come hai fatto e che tipo di NS sono? Quanti "pesi" si possono "aggiustare" con questo approccio?

20 sinapsi.

8 ingressi

4 + 3 strati nascosti

1 uscita

tutti i neuroni con Fa - tangente iperbolica

===========

Ci sono tre reti di questo tipo. Gli output di tutti e tre formano un comitato.

Prima viene addestrata la prima rete. Le uscite delle altre due sono zero

Poi con il primo abilitato il secondo viene ottimizzato per diminuire il drawdown al minimo mantenendo o aumentando il profitto

allora la terza rete è collegata alle due già esistenti e i pesi sono regolati come nel caso precedente

 
Figar0:

E il numero di accordi è controllato? NS è flessibile, se impostiamo semplicemente il drawdown minimo come funzione di apprendimento obiettivo, NS può facilmente trovare un'opzione con drawdown zero.

Il tester di Metatrader non produrrà zero drawdown perché calcola in base al capitale, non al saldo. Cioè, anche se tutti i trade sono redditizi, il drawdown non sarà comunque zero, perché le candele hanno delle ombre.

E non sarebbe auspicabile fare un tale adattamento in modo che non ci fossero affatto scambi perdenti. Tali raccordi, con rarissime eccezioni, falliscono nei test di avanzamento.

 
mersi:

La ponderazione della rete neurale richiede trilioni di opzioni, e ga può dare solo 10-18 mila.

Quindi la cosa giusta da fare sarebbe eseguire l'ottimizzazione in modalità ha più volte (almeno cinque) e solo allora scegliere qualcosa di adatto.

State scegliendo l'architettura di rete neurale sbagliata. In realtà la griglia dovrebbe essere tale che un leggero cambiamento nelle impostazioni (pesi e soglie) dia lo stesso risultato sulle uscite. Se l'architettura della griglia è sovra-ingegnerizzata, ha bisogno di una messa a punto super-veloce, e il risultato di tale sovra-ingegnerizzazione sarà una sovra-formazione (tweaking).

Per esempio la mia architettura è tale che 10 000 passaggi di GA sono già ridondanti, cioè dopo l'ottimizzazione appaiono risultati simili (per saldo, fattore di profitto, payoff atteso e drawdown) con impostazioni leggermente diverse. Questo permette alla griglia di produrre risultati corretti in una gamma più ampia di impostazioni - è più spessa.

 

Spiegazione del post precedente.

Supponiamo che tu sia riuscito ad addestrare una rete e che sia in grado di distinguere tra i modelli 3 e 6.

Lo scopo della seconda e della terza rete (nel mio caso) è di evitare che l'Expert Advisor si attivi quando incontra i pattern h e b, che la prima rete ha scambiato per 3 e 6.

 
Reshetov:

Non stai selezionando correttamente l'architettura della rete neurale. Infatti, la griglia dovrebbe essere tale che un leggero cambiamento nelle impostazioni (pesi e soglie) dia lo stesso risultato nelle uscite. Se l'architettura della griglia viene modificata, ha bisogno di una messa a punto super fine, e il risultato di tali modifiche sarà un sovra-addestramento (fitting).

Per esempio la mia architettura è tale che 10 mila passaggi di GA sono già ridondanti, cioè dopo l'ottimizzazione appaiono risultati simili (equilibrio, fattore di profitto, payoff atteso e drawdown) con impostazioni leggermente diverse. Questo permette alla griglia di produrre risultati corretti in una gamma più ampia di impostazioni - è più spessa.

Tutti i ricercatori di reti neurali non sono d'accordo con questa affermazione.

In quasi tutti gli articoli sui n si può leggere che migliore è la rete, più neuroni ha, ma allo stesso tempo non deve averne troppi.

Ecco perché la maggior parte di loro tende a reti con 2-3 strati nascosti.