記事: ニューラルネットワークによる価格予測 - ページ 10

[RIP]

Sergey_Murzinov:

はい。ニューラルネットワークにほんの少し関わっている者（まだ12年目）として、ニューラルネットワークに長く関わっている人に言えるのは、ニューラルネットワークをどんなタスクに応用するかは、その設計（プログラミング）と切り離せないということです。主なものは、初期データ（これは別の曲です）と、最も重要な学習アルゴリズムという2つの前提条件です。ネットワークは何でもできる。要は、正しくトレーニングすることだ。 。

学習アルゴリズムに結果の解釈を追加したい。問題に対する正しい解決策を提供するよりも、トレーニングによって結果を出す方が簡単なのです。価格変動が擬似確率的な時系列 であると考えると、ちょうどその応用と解釈の問題が鋭く浮かび上がってきます．

[削除済み]

Reshetov:

juicy_emad です。

まさか、分類性能の向上のために多層メッシュを使うことに疑問を持つ人がいるとは思いもしませんでした。=)

Jan LeCunが書いているものを読むことをお勧めします。http://yann.lecun.com/exdb/mnist/index.html。 しかし、そこでは文字認識という少し変わったテーマがあります。とにかく、とにかく、単層メッシュは8.4％と最悪の結果を示しました。しかし!多層のもの（2層、隠れ層に300ニューロン）の1つは、誤差が1.6%と非常に良い結果でした。つまり、レイヤーが1つ増えるだけで、メッシュは格段に「強く」なるのです。

その通り、対象が違うからこそ、アプローチも違う。標準的なフォントの文字の輪郭は不変なので、1つの例、例えば数ページで一度学習させれば、残りの本の文字も高い精度で認識できるようになるのは理にかなっている。

金融市場に関しても、すべてが常に変化し、絶え間なく動き続ける分野です。そして、それ故に複雑な多層膜は、ここで歯を台無しにしているのです。文字認識の分野で大げさに例えると、本のあるページで「A」という記号が「A」と解釈されるはずなのに、次のページでは同じ「A」がすでに「B」と解釈されているようなものである。

このため、金融商品の履歴データの異なるセクションで認識される同じパターンは、取引シグナルにおいて異なる解釈が可能です。つまり、あるセクションでは、その識別はロングポジションの開始とショートポジションの終了により適しており、他のセクションでは、その逆でショートポジションの開始とロングポジションの終了が適しています。

上にリンクした作品は、MNISTデータベースを使ったものです。このデータベースは、手書き 文字、手書きでない 文字、印刷された 文字の画像を収録しています。

もちろん、金融市場のすべてが絶え間ないダイナミクスにあることは理解していますが、矛盾するパターン（入力は同じで出力は2つの異なるクラス）は、グリッドの入力における情報量を増やすことで排除できますし、（上記の誰かが提案したように）そうしたパターンを学習サンプルから除外することも可能です。もちろん、記事でご提案いただいた単層パーセプトロンを使ったバリエーションでは、相反するパターンがたくさんありました。なぜなら、入力は4つしかなかったからです。

私が言いたいのは、単層パーセプトロンはXOR問題（ミンスキーの本参照）を解くことができないので、欠陥があるということです。

[Сергей Мурзинов]

rip:

また、学習アルゴリズムに結果の解釈を加えることもあります。
学習結果を得ることは、正しい学習結果を確保することよりも簡単です。
を解決する。価格変動が擬似ストキャスティックであると考えるなら
時系列で見ると、応用と解釈の問題です。
...

ネットワークの出力を解釈するところから、作業が始まります。 つまり、問題提起はそこそこに。だから、まったくもって同感です。

[slava1]

具体的に何を使ってトレーニングサンプルを作っているのか、問題提起をさせていただきます。やはり、これが一番大事なんです。

[Сергей Мурзинов]

slava1:
具体的に何を使ってトレーニングサンプルを作っているのか、問題提起をさせていただきます。これが一番大切なことです。

学習用サンプリングは、従来の指標で作成

また、どのような種類が一番親しみやすいか、データの準備と同様に

[slava1]

なぜ？誰もアルゴリズムを求めないからです。ただ、自分たちの思いを伝えるために。

[Сергей Мурзинов]

slava1:
なぜ？誰もアルゴリズムを求めないからです。ただ、自分たちの思いを伝えるために。

公にはできないことです。

[slava1]

では、一番大事なことを誰も語ろうとしないのであれば、ここで何を語っているのだろうと思います。

[RIP]

slava1:
では、一番大事なことを誰も語ろうとしないのでは、ここで何を語っているのだろうと思います。

この場合、軍拡競争のようなもので、誰も誰も信じていないのです :)

学習データの初期セットは、{H,L,O,C} ...とすることも可能である。重要なのは、モデル、ネットワークの背後にある考え方、そしてシステム全体です。

考え方が正しく、狙いが定まり、誤差推定のf関数が正しく選択されれば、結果としてネットがローカルに確実にヒットします

N 個の学習エポック後に最小となる。さらに、ネットワークを最小限の損失でデッドロックから脱出させ、学習を継続させることも重要な技術です。

データの前処理、アーキテクトの入れ替え、アルゴリズムの学習など、あらゆる手段を駆使して、開発中のモデルを実現するのが一般的です。

また、何を食べさせるかについては、このフォーラムにいくつかあるReshetovのネットワークの一つを実装してみてから評価することをお勧めします。

モデルも、仕上がりも、すべてはあなたの手にかかっているのです。

[slava1]

以前から何を塗ればいいのか分かっていました。いわば、可能性のあるモデルについて議論したかったのです。一緒にやれば、たいていうまくいくんです。私自身は、1年前からロボットを作っています。結果は出ているが、あまり安定していない。