ニューラルネットワークの入力に投入する指標群を見つけること。ディスカッションを行います。結果を評価するためのツールです。 - ページ 8

新しいコメント
 

lea писал(а) >>

意図するところは、元の変数よりも緩やかな相関を持つ変数群を選択することである。

以前、畳み込みネットワークを多少作ってみたことがあるのですが、テスト用にM5の時系列を48×48のネットワークにし、系列は0に関して対称な形に落とし込みました。活性化関数th()です。だから、テストサンプルで0.1以上の誤差を達成することができなかった......決してできない。

 
rip писал(а)>>

以前、畳み込みネットワークを多少作ってみたことがあるのですが、テスト用にM5の時系列を48×48のネットワークにし、系列は0に関して対称な形に落とし込みました。活性化関数th()です。そのため、テストサンプルで0.1以上の誤差を出すことに失敗してしまいました。

価格シリーズを包むのは、私にとってはあまり意味がないことです。私はすでに指標のセット（すなわち変換された価格系列）を持っているので、このセットの次元を減らす必要があります。

 
lea >> :

価格シリーズのラップはあまり求めていない。すでに指標の集合（すなわち変換された価格系列）があるので、この集合の次元を減らす必要がある。

畳み込みネットワークとPCAは、用語が違うだけで同じものです。

Xを入力し、ネットワークの出力でそれを期待する。中間層のニューロン数は、入出力層より少ない。ニューロン出力の値

中間層は入力集合の写像と考えられる。これらのデータは、その後の処理で使用されます。

 

lea писал(а) >>

主成分分析（通称「プリンシパル成分分析」または「PCA」）に手を出された方はいらっしゃいますか？

ありがとうございます。それはいい質問ですね。

 

iliarr писал(а) >>

もし、目標機能が取引回数だけだったり、ドローダウンだけだったりすると、ネットワークが無目的に頻繁に市場に出入りすることを学習するか、ドローダウンを避けることを学習するかのどちらかになってしまい、あまり意味がありません...。

利益、トレード数、ドローダウンを最適化する必要があります。 JGAPでは、複数の出力を持つ関数を作ることができると記憶しています。 現在の優先課題は、入力データの解析と再帰性ニューロンを改良することです。

今のところ、私が提案した方法で入力データを検索してテストしても、誰も興味を示さないのでは......と思います。

Ilyaさん、Currency Speculator (http://www.spekulant.ru/archive/2004_11_st11.html)の記事に興味があると思います。そこでもフィットネス関数が議論されている（エクイティだけでなく、ドローダウンや取引回数による希釈もある）。

 
iliarr >> :

目標関数が取引回数やドローダウンだけだと、ネットワークが無目的に頻繁に市場に出入りすることを学習したり、ドローダウンを回避することを学習したりして、結果的に無駄になってしまう......というわけです。

また、ほとんど役に立たないと思うので、「興味本位で」と書いたのです。

iliarr さんが書き込みました:>>。

利益とドローダウンの両方を最適化する必要があります。確かJGAPでは、複数の出力を持つターゲット関数を持つことができます。

それが、多基準最適化です。うーん、なんだこの言葉、と思ったけど、昔から使われていたのか...。多基準最適化

フィットネス関数が複数ある（「...JGAPでは複数の出力を持つ目標関数を持つことができる...」）のではなく、1つでありながら複数の必要な基準を持つべきだと思うのです。この問題に目立たないようにアプローチして、鼻の穴でつかむにはどうしたらいいか、今まさに思案中です...。どなたか文献をアドバイスしていただけませんか？

marketeer さんが書き込みました(a)>> です。

もしネットワークが教師なしで訓練され、仮に無制限に利益を上げるとしたら、入力は依然として上からの利益の大きさに上限を課していることを心に留めておく必要があります。選択した学習期間において，（一定のロットで，選択した戦略によって）超えることができない金額を見積もることができます． したがって，この期間におけるネットの学習率は，理論上の最大可能利益とネットが与える利益の比率として計算することができます．そして、検証期間についても同様の推定を行い、その比率を比較したところ......。

iliarrさんに賛成です。フィット感を得ることができる


うーん、これを書いている間にダニールに先を越された、彼も同じことを話しているんだ。

 
Daniil >> :

イリヤさん、Currency Speculator (http://www.spekulant.ru/archive/2004_11_st11.html)の記事に興味があると思います。そこでもフィットネス関数が議論されている（エクイティだけでなく、ドローダウンやディール数による希釈もある）。

興味深い記事です。>>ありがとうございました。

最も興味深かったのは

-ターゲット関数の著者の定義 "Fit = Profit/(l+Prosadka/ 1 0 + S t o p / 1 0 ) * (CountTrade/10);" 同じようなことを考えていたのですが、ここに用意されているのは......」。

- 遺伝的アルゴリズムでMTSを抽出する。よく練られたアイデアは、解決策の半分です...。この方法には多くの利点があるのですが...。どうすればより良く、より簡単に実装できるか、しっかり考えないと...。


今、おかげさまで。

lea さんが書き込みました>>1

主成分法（別名「主成分分析」または「PCA」）に手を出された方はいらっしゃいますか？

ニューラルネットワークに入力される情報を、相関性を排除して圧縮することに非常に興味があります。

 
rip >> :

以前、畳み込みネットワークを作ってみたのですが、テスト用にM5の時系列を48×48のネットワークにし、系列を0に対して対称な形に落とし込みました。活性化関数th()です。そのため、テストサンプルで0.1以上の誤差を出すことに失敗してしまいました。

だから、使い方が悪かったのか、調理が悪かったのか、どっちなんだろう。

私自身、画像圧縮の仕事をしたことがあります。誤差は圧縮の度合い（主成分の数）と入力の情報量に依存し、ゼロになることもあれば、ならないこともある。

簡単な例で試してみてください。

 

最適化に関する本をいくつか紹介します。ダウンロードしたばかりで、まだ暑い。

....................................添付できないようです。http://torrents.ru から入手しました。

 
lea >> :

その計算の根拠は？MathCad/MathLabは？

これは自分でも信じがたいのですが、計算はエクセルで行いました。IMHOでは、理解度（最終状態ではなく、計算過程の可視化）の点で、Matcadより少し優れていると思います。

12345678910
新しいコメント