人工ニューラルネットワーク - ページ 3 12345678910...14 新しいコメント Alexey Burnakov 2012.10.07 16:11 #21 gpwr: ネットワークはツールであり、異なるデータ（入出力）に対して最適化（フィッティング）できる一種の普遍的な非線形関数である。この機能では、規則性を抽出することはできません。そうですね :)NSは入出力データで学習させ、そのパターンが一般集団に普遍的であれば、サンプル以外でもうまく機能するようになる。また、規則性の分離は、NSの学習済みウェイトや伝達関数を分析するための追加作業であり、私自身は個人的にやったことがありません。人間の脳は、非線形のパターンを非常にうまく学習することができるのです。例えば、アフリカのブッシュマン族が発射したブーメランの軌道を計算するとします。自然は私たちにすべてを与えてくれました。市場の非線形パターンを 意図的に学ぶことができます。個人的には、次のようなVBAの学習プログラムを書きたいと思っています：私は一連の小さな相場、例えば100-150バーをチャート上に表示し、私は将来、例えば50バーの価格の一般的な方向を推測する必要があります。私が上下のボタンを押すと、プログラムが私の答えと、私が推測したかどうかを記録します。その後、チャートが時間軸上でランダムにずれるなどの現象が発生します。その結果、学習する（方向を推測する割合が増える）か、しない（ごめんなさい、失敗しました、みたいな）かのどちらかです。これは、脳の訓練性の良い例でしょう。 Andrey Dik 2012.10.07 16:18 #22 gpwr: ネットワークはツールであり、異なるデータ（入出力）に対して最適化（調整）できる一種の普遍的な非線形関数である。この機能では、規則性は拾えません。滑らかな曲線に当てはめた多項式が隠れたパターンを見つけると主張するのと同じことかもしれませんね。関数がフィットしたデータ範囲から一歩外に出れば、多項式回帰の例として何が得られるかわかる。ちなみに、ネットワークには正しい判断に影響を与えない部分接続があり、最適化の際にその重みが減少するため、ネットワークで最適化されるパラメータの数は決定木よりもはるかに多くなります。市場データをネットワークで近似することと、パターン認識をすることは全く別物です。このように、トレーダーの脳はイメージを認識しているのだから、後者の方が正しいように思える。 Alexey Burnakov 2012.10.07 16:31 #23 joo:市場データをネットワークで近似することと、画像を認識することは全く別の話です。後者の方が正しいように思える。結局のところ、イメージを認識するのはトレーダーの脳なのである。 グーグルのエンジニアが、YouTubeの動画のスクリーンショットを自己学習型ネットワーク（どんなタイプかは知らない）に与えたところ、ネットワークは猫を別のクラスとして区別することを学習した。RAMの中でどれだけの情報が流通していたのか、推定することができるのです。理論的には、チャートをグリッドに送ることは可能ですが、巨大で複雑なネットワークとそれなりのコンピュータが必要です。例えば[0;1]の範囲で正規化した価格パターンを送る方が簡単です。しかも定常性は保たれ、実装も簡単です。基本的にトレーダーは価格パターンを見ますが、一方で純粋なチャート（指標なし）を使って取引するトレーダーもいます。しかし、どうやら、ネットワークは常に再トレーニングが必要なようです。なぜなら、私たちの脳も常につながりを更新し、理解を深めているからです。 Alexey Subbotin 2012.10.07 16:45 #24 alexeymosc: グーグルのエンジニアは、自己学習型ネットワーク（どんなタイプかは知らない）にYouTube動画のスクリーンショットを与え、ネットワークは猫を別のクラスに分けることを学習した。RAMの中でどれだけの情報が回転していたのか、推定することができるのです。理論的には、チャートをグリッドに送ることは可能ですが、巨大で複雑なネットワークとそれなりのコンピュータが必要です。例えば[0;1]の範囲で正規化した価格パターンを送る方が簡単です。しかも定常性は保たれ、実装も簡単です。基本的にトレーダーは価格パターンを見ますが、一方で純粋なチャート（指標なし）を使って取引するトレーダーもいます。しかし、どうやら、ネットワークは常に再トレーニングが必要なようです。なぜなら、私たちの脳も常につながりを更新し、理解を深めているからです。 トレーダーがパターンを「見る」とき、純粋な価格系列を分析するわけではありません。 人間の脳はそのような量のRAMを持っていません（ちなみに、それは考えるRAMで、最大でも数百バイトです）。そのため、信号の前処理は必須である。 Alexey Burnakov 2012.10.07 16:51 #25 alsu: トレーダーがパターンを「見る」とき、純粋な価格系列を分析するわけではない。 人間の脳はそのような量のRAMを持っていない（ちなみに、それは考えるRAMであり、最大で数百バイトである）。そのため、信号の前処理は必須である。それは初耳です。OKです。それなら当然、CDのどの部分が脳で認識されているのか、理解するのは難しいですね。それが、NSをベースに似たようなものを作ろうとするすべての試みの問題点です。入ってくる情報の重要なサインが定義されていないため、推測するしかない。でも、個人的には、ベンドとスパイクが一番理解できますね。） Alexey Subbotin 2012.10.07 17:02 #26 alexeymosc:それは初耳です。OKです。それなら当然、CDのどの部分が脳で認識されているのか、理解するのは難しいですね。それが、NSをベースに似たようなものを作ろうとするすべての試みの問題点です。入ってくる情報の重要なサインが定義されていないため、推測するしかない。でも、個人的には、ベンドとピークが一番よくわかるんですけどね。） NSによってノイズから価格情報をクリアにするというのは、とても期待できそうです。基本的に有用なシグナルは少数のパラメータで記述され、例えばM1の1日を例にとると、一目で10-20（1440ではなく）とわかり、人間の脳にも理解しやすいのです。重要な情報を失うことなく、いかに正しく信号をクリアにするかが問われる。そこで、ネットワークが役に立つと思います。さて、残りの部分を処理する（分類、クラスタリング、回帰など）には、任意の適切な方法で可能であり、事実ではなく、ところで、NSは最良の選択肢になることです。いずれにせよ、このような作業のために開発されたツールは数多くあり、そのどれもが等しくひどい働きをすることが少なくないからです))) Alexey Burnakov 2012.10.07 17:10 #27 alsu: NSの力を借りて、ノイズから価格情報をクリアにすることは、非常に有望だと思います。基本的に、有用な信号は少数のパラメータで記述され、例えばM1の1日を例にとると、（1440ではなく）10-20個となり、人間の脳にとっては非常に認識しやすいものです。重要な情報を失うことなく、いかに正しく信号をクリアにするかが問われる。そこで、ネットワークが役に立つと思います。さて、残りの部分を処理する（分類、クラスタリング、回帰など）には、任意の適切な方法で可能であり、事実ではなく、ところで、NSは最良の選択肢になることです。いずれにせよ、このような作業のために開発されたツールは数多くあり、そのどれもが等しくひどい働きをすることが少なくないからです))) アレクセイ、あなたが言っているのは直接的に特徴選択の問題です。つまり、わかりやすく言うと、「ロングを入力して、ショートを入力して、待つ」というような予測に対して最も情報が多い1%のデータを、利用可能な配列からどう選択するかということです。しかし、この問題に高度な技術を適用しても、落とし穴はすぐに出てくる。まず、選択したデータポイントにどのようなソースを与えるかが明確ではありません。生の値は適切ではなく、前処理をする必要があります。457本と891本の差、1401本と1300本の差をとればうまくいくのかもしれません。オプションはたくさんあり、すべてをブルートフォースする時間はない。 Alexey Subbotin 2012.10.07 17:12 #28 もうひとつ、実際に脳に情報が行くということについて。非常に示唆に富む例として、画像のフラクタル圧縮があります。これは、実際に人が視覚的に認識するためには、「生」のサイズよりも何千倍、何万倍も小さい画像でも十分な情報があることを示しているに過ぎません。 フラクタルアルゴリズムで商を圧縮すると、どんな比率になるんだろう？100?500？もっと？ Alexey Subbotin 2012.10.07 17:18 #29 alexeymosc: アレクセイ、あなたが直接話しているのは、わかりやすく言えば、「ロングを入力して、ショートを入力して、待つ」というような予測に対して、最も情報量の多い1%のデータを配列から選択する方法という、特徴抽出の問題です。しかし、この問題に高度な技術を適用しても、落とし穴はすぐに出てくる。まず、選択したデータポイントにどのようなソースを与えるかが明確ではありません。生の値は適切ではなく、前処理をする必要があります。457本と891本の差、1401本と1300本の差をとればうまくいくかもしれませんね。たくさんのバリエーションがあり、そのすべてをブルートフォースする時間はないのです。 また、アルゴリズムの出力の解釈の問題もある。同じネットワークでも、その出力が何をすべきか明確なシグナルを持つように、あるいは少なくとも（設計者にとって）比較的理解しやすい情報がそのようなシグナルに変換されるように構築しようとすることは非常によくあることです。しかし、そのような形で情報を出すことがネットワークにとって都合が良いということではなく、もしかしたら、大体1.5ビット（買い-売り-止め）ではなく、例えば10ビットの情報を出してくれた方がずっと楽なのではないでしょうか？ Andrey Dik 2012.10.07 17:30 #30 alsu: また、アルゴリズムの出力の解釈の問題もある。同じネットワークでも、出力が何をすべきかという明確なシグナルを持つように、あるいは少なくともそのようなシグナルに変換されることが（設計者にとって）比較的理解しやすい情報を持つように構築しようとすることが多いのです。しかし、そのような形で情報を出力することが便利かどうか、もしかしたら、だいたい1.5ビット（バイセル・ストップ）ではなく、例えば10ビットの情報を与える方がずっと簡単かもしれませんね。 ところで、いいこと言うね。基本的には、インプットされた情報を圧縮して、明確に判断できるレベル（買い-売り-止め）にすることを心がけています。圧縮率1（つまり圧縮なし、またはそれに近い状態）が最適解であることは大いにあり得ることです。入力画像はグリッドに、出力画像は人に理解しやすいように。 12345678910...14 新しいコメント 取引の機会を逃しています。 無料取引アプリ 8千を超えるシグナルをコピー 金融ニュースで金融マーケットを探索 新規登録 ログイン スペースを含まないラテン文字 このメールにパスワードが送信されます エラーが発生しました Googleでログイン WebサイトポリシーおよびMQL5.COM利用規約に同意します。 新規登録 MQL5.com WebサイトへのログインにCookieの使用を許可します。 ログインするには、ブラウザで必要な設定を有効にしてください。 ログイン/パスワードをお忘れですか？ Googleでログイン
ネットワークはツールであり、異なるデータ（入出力）に対して最適化（フィッティング）できる一種の普遍的な非線形関数である。この機能では、規則性を抽出することはできません。
そうですね :)
NSは入出力データで学習させ、そのパターンが一般集団に普遍的であれば、サンプル以外でもうまく機能するようになる。
また、規則性の分離は、NSの学習済みウェイトや伝達関数を分析するための追加作業であり、私自身は個人的にやったことがありません。
人間の脳は、非線形のパターンを非常にうまく学習することができるのです。例えば、アフリカのブッシュマン族が発射したブーメランの軌道を計算するとします。自然は私たちにすべてを与えてくれました。市場の非線形パターンを 意図的に学ぶことができます。個人的には、次のようなVBAの学習プログラムを書きたいと思っています：私は一連の小さな相場、例えば100-150バーをチャート上に表示し、私は将来、例えば50バーの価格の一般的な方向を推測する必要があります。私が上下のボタンを押すと、プログラムが私の答えと、私が推測したかどうかを記録します。その後、チャートが時間軸上でランダムにずれるなどの現象が発生します。その結果、学習する（方向を推測する割合が増える）か、しない（ごめんなさい、失敗しました、みたいな）かのどちらかです。これは、脳の訓練性の良い例でしょう。
ネットワークはツールであり、異なるデータ（入出力）に対して最適化（調整）できる一種の普遍的な非線形関数である。この機能では、規則性は拾えません。滑らかな曲線に当てはめた多項式が隠れたパターンを見つけると主張するのと同じことかもしれませんね。関数がフィットしたデータ範囲から一歩外に出れば、多項式回帰の例として何が得られるかわかる。ちなみに、ネットワークには正しい判断に影響を与えない部分接続があり、最適化の際にその重みが減少するため、ネットワークで最適化されるパラメータの数は決定木よりもはるかに多くなります。
市場データをネットワークで近似することと、パターン認識をすることは全く別物です。
このように、トレーダーの脳はイメージを認識しているのだから、後者の方が正しいように思える。
市場データをネットワークで近似することと、画像を認識することは全く別の話です。
後者の方が正しいように思える。結局のところ、イメージを認識するのはトレーダーの脳なのである。
グーグルのエンジニアは、自己学習型ネットワーク（どんなタイプかは知らない）にYouTube動画のスクリーンショットを与え、ネットワークは猫を別のクラスに分けることを学習した。RAMの中でどれだけの情報が回転していたのか、推定することができるのです。理論的には、チャートをグリッドに送ることは可能ですが、巨大で複雑なネットワークとそれなりのコンピュータが必要です。例えば[0;1]の範囲で正規化した価格パターンを送る方が簡単です。しかも定常性は保たれ、実装も簡単です。基本的にトレーダーは価格パターンを見ますが、一方で純粋なチャート（指標なし）を使って取引するトレーダーもいます。しかし、どうやら、ネットワークは常に再トレーニングが必要なようです。なぜなら、私たちの脳も常につながりを更新し、理解を深めているからです。
トレーダーがパターンを「見る」とき、純粋な価格系列を分析するわけではない。 人間の脳はそのような量のRAMを持っていない（ちなみに、それは考えるRAMであり、最大で数百バイトである）。そのため、信号の前処理は必須である。
それは初耳です。OKです。それなら当然、CDのどの部分が脳で認識されているのか、理解するのは難しいですね。それが、NSをベースに似たようなものを作ろうとするすべての試みの問題点です。入ってくる情報の重要なサインが定義されていないため、推測するしかない。
でも、個人的には、ベンドとスパイクが一番理解できますね。）
それは初耳です。OKです。それなら当然、CDのどの部分が脳で認識されているのか、理解するのは難しいですね。それが、NSをベースに似たようなものを作ろうとするすべての試みの問題点です。入ってくる情報の重要なサインが定義されていないため、推測するしかない。
でも、個人的には、ベンドとピークが一番よくわかるんですけどね。）
NSの力を借りて、ノイズから価格情報をクリアにすることは、非常に有望だと思います。基本的に、有用な信号は少数のパラメータで記述され、例えばM1の1日を例にとると、（1440ではなく）10-20個となり、人間の脳にとっては非常に認識しやすいものです。重要な情報を失うことなく、いかに正しく信号をクリアにするかが問われる。そこで、ネットワークが役に立つと思います。さて、残りの部分を処理する（分類、クラスタリング、回帰など）には、任意の適切な方法で可能であり、事実ではなく、ところで、NSは最良の選択肢になることです。いずれにせよ、このような作業のために開発されたツールは数多くあり、そのどれもが等しくひどい働きをすることが少なくないからです)))
もうひとつ、実際に脳に情報が行くということについて。非常に示唆に富む例として、画像のフラクタル圧縮があります。これは、実際に人が視覚的に認識するためには、「生」のサイズよりも何千倍、何万倍も小さい画像でも十分な情報があることを示しているに過ぎません。
フラクタルアルゴリズムで商を圧縮すると、どんな比率になるんだろう？100?500？もっと？
アレクセイ、あなたが直接話しているのは、わかりやすく言えば、「ロングを入力して、ショートを入力して、待つ」というような予測に対して、最も情報量の多い1%のデータを配列から選択する方法という、特徴抽出の問題です。しかし、この問題に高度な技術を適用しても、落とし穴はすぐに出てくる。まず、選択したデータポイントにどのようなソースを与えるかが明確ではありません。生の値は適切ではなく、前処理をする必要があります。457本と891本の差、1401本と1300本の差をとればうまくいくかもしれませんね。たくさんのバリエーションがあり、そのすべてをブルートフォースする時間はないのです。
また、アルゴリズムの出力の解釈の問題もある。同じネットワークでも、出力が何をすべきかという明確なシグナルを持つように、あるいは少なくともそのようなシグナルに変換されることが（設計者にとって）比較的理解しやすい情報を持つように構築しようとすることが多いのです。しかし、そのような形で情報を出力することが便利かどうか、もしかしたら、だいたい1.5ビット（バイセル・ストップ）ではなく、例えば10ビットの情報を与える方がずっと簡単かもしれませんね。