ニューラルネット - ページ 13

 
Kazam:
HONNについての良い情報源が欲しいなら、"Artificial Higher Order Neural Networks for Economics and Business "という本を手に入れましょう。新刊なので、非常に良い情報が載っています。値段は高いですが(180ドル)、PDFで見ることができます。.

それが私が話していたもので、良いものです。私はまだ少ししか読んでいませんが、すでにたくさんのアイデアをもらっています。それを実装するのは、とにかく僕にとっては少し厄介なことで、僕はこのコーディングの厄介事にはちょっとノイバーなんだ...。

お勧めのものを教えてくれてありがとう、見てみるよ。運が良ければ、大学の図書館にあるかもしれません。新しい人工知能棟が出来て、その中に図書館が出来たから、そこに何かあるかもしれない。そうでなければ、ダウンロードするしかないでしょう......。

10年分のデータを2/3と1/3に分割し、最初の2/3でネットワークを学習させ(2/3を学習、テスト、CVに分割することも含む)、残りの1/3で結果のネットワークをテストしたところ、精度は保たれているようです。精度の最小限の損失はありましたが、それでも0.9995の回帰線でした。これはやはり、以前の学習データでのオーバーフィットで説明できるのでしょうか?

 
Kazam:

- "遺伝子発現プログラミング" - キャンディダ・フェレイラ著。

カンジダ・フェレイラって、鵞口瘡の原因菌じゃないの?

 

サーファー

私はENNを使ってFX取引をしていません。近いうちに始めるかもしれませんが、おそらく、価格を予測しようとするのではなく、分類のためのシステム、ロング・ショート・トレードのタイミングを決定するシステム、などを使うことになるでしょう。

今のところ、ENNと遺伝的アルゴリズム、それにファジーロジックやラフセット理論などの他のものを、ポートフォリオ管理、Tビルなどを取引するための長期金利の予測に使っています。

結果はかなりいい。金融危機が終わり、すべてが良くなって安定すれば、もっと良くなるでしょうね。

mrwobbles

FXの取引では、誤差の測定値を見るのではなく、予測値が目的の出力と同じ方向の値動きを示すかどうかをチェック します。つまり、もしNNが次の価格が現在の価格よりも高く終値が付くと示した場合、その価格は始値のレベルよりも少なくともx pips高く動くと予想する必要があります。H1やH4のような時間枠では、正確な価格水準を予測することはほとんど不可能です。

この小さな誤差は、その測定方法が間違っていたために生じたものです。

そして、あなたの言う通り、カンジダという酵母の属があります。

 

終値を正確に予測することは不可能に近いと思うので、終値と前引けスプレッドを予測しようとしました。しかし、遺伝子工学的に最適化されたニューロンと重みを持つ適切なネットワークであれば、適切な入力を与えれば、5ピップ以内の誤差で予測することができると思います。T+1よりもさらに先の未来を予測するために、コホネン自己組織化マップ(SOM)を使用することを検討したことはありますか?私の理解では、コホネンネットワークはt+1の予測を取り、その値を使ってt+10までのすべての値を予測することができますが、私が間違っているかもしれません。私が見たすべての例は、私が探しているものよりも精度が低かったのですが、これは便利でしょう。

 

FXの時系列を予測する目的では、SOMのことは忘れてください。ENNの方がずっと良い。

もし、t+1、t+2、t+3などのステップを予測したいのであれば、別のタイムフレームを使用すればよい。例えば、来週のトレンドを予測したい場合は、W1の時間枠を使用します。為替レートはカオスで非線形なので、t+n-1に基づいてt+nを予測するのはやめましょう。また、1つのネットワークでt+1を予測し、2つ目のネットワークでt+2を予測するというように、同じデータを使って学習させることもできる。

非常に良いアイデアは、ハイブリッドシステムを構築することです。簡単に言えば、5-6個の最適なニューラルネットワークを選び、それらの出力を組み合わせるのです。この際、単純な平均化[(out1+out2+... +outN)/N], GEM, LWPR [LWPR がベストチョイス]などを使用することができます。

 

SOMによる予測をいくつか見ましたが、20ステップ程度の期間ではトレンドを正しく捉えることができるかもしれませんが、実際に価格がどのように推移するかについては大きく外れていました。NNが生物システムを模倣して設計されていることを考えると、何らかの進化的プロセスを加えることで精度が向上するのは論理的だと思います。

この結果はどうでしょう。方向が正しいかどうかを確認 するためにズームインしてみましたが、正しいことが多いようです。いくつかの変則的な結果(400pips=Sでアウトしたもの)がありますが、ほとんどの場合、方向は正しくなります。写真は、終値、高値、安値の目標値(青)に対する予測値(緑)を示しています。私はANNについてたくさん読みましたが、これはそれを構築するための最初の試みなので、私は明白なこと以外に何を探しているのか正確にわかりません。

ファイル:
gbpjpy60-3.jpg  67 kb
 

こんにちは

数年前、私はファジーロジックとバックプロパゲーションを用いたニューラルネットワークによる油田堆積物の予測に関する論文を書き、その結果は良かったので、このビジネスのトレンドを予測するためにファジーロジックとNNバックプロパゲーションを実装できると思います。

===================

外国為替指標コレクション

 
prasxz:
このような場合、「曖昧模糊」(ファジー・ロジック)と「逆伝播」(ニューラル・ネットワーキング・サービス)の組み合わせで、「曖昧模糊」と「逆伝播」の組み合わせで、「曖昧模糊」と「ニューラル・ネットワーキング・サービス」の組み合わせで、「曖昧模糊」と「逆伝播」の組み合わせで、「曖昧模糊」と「逆伝播」の組み合わせで、「曖昧模糊」と「逆伝播」の組み合わせを使用すると良い結果が得られると思います.しかし、より多くのデータから、良い結果を導くための学習が必要になります.私は9ノードを使って岩石の模様を予想したが、外国為替の模様を認識するには何ノードが必要か分からない.

===================

外国為替インジケーターコレクション

ネットワークに与える入力の数に大きく依存すると書いてありました。私は32の入力を与えていて、3つの出力が欲しいので、(32-3)/2=14.5で始めて、14個のニューロンを使って、そこから作業することになります。私が作ったモデルは13個のノードを使用しています。面白いことに、ノードを減らすと精度と収束時間の両方が向上し、ある時点から減少しました。カザムが言っていたように、ENNを作るために問題に遺伝的アルゴリズムを適用すると、ネットワークは、正確な結果をもたらすすべての可能なネットワークのサンプル空間の中で最も最適なネットワークを選択することができるはずです。これは、私がENNについて読んだことを理解していればの話ですが。この場合、ネットワークの構築にかかる時間は大幅に増加すると想像されます。

 

prasxz

ファジーニューラルネットワークとファジーハイブリッドニューラルシステムは、トレーディングシステムを構築する際に非常に有効な選択肢となるかもしれません。カオス的な時系列を予測する目的では、あまり役に立たないかもしれません。

ムルウォブル

これらのグラフは、学習データ/desired vs predicted/を表しているのですか?

適切なノード数を選択するのは非常に難しいです。あなたが提示した式は役に立たない(でもとても人気がある)。最適な、あるいは最適に近いNNアーキテクチャを選択する決定論的な方法はないのだ。

遺伝的アルゴリズムがこの問題を克服します。GAに2つのグループ(1つは入力、定数などの終端記号、もう1つは異なる活性化関数、三角関数などのノード)を与え、アルゴリズムはこれらのグループのメンバーを使ってNNを「構築」します。このようにして、3ノード5入力のNNや30ノード50入力のNNを得ることができる。世代を重ねれば重ねるほど、より良いNNが得られる。なぜこのような現象が起こるのか知りたい場合は、ホランドのスキーマ定理を読んでほしい

http://en.wikipedia.org/wiki/Holland%27s_schema_theorem

/.

 
Kazam:

ムルウォブル

このグラフは、学習データ /desired vs predicted/ を示しているのですか?

適切なノード数を選択するのは非常に難しいです。あなたが提示した式は役に立たない(しかし非常に人気がある) - 最適な、あるいは最適に近いNNアーキテクチャを選択する決定論的な方法はないのです。

遺伝的アルゴリズムがこの問題を克服します。GAに2つのグループ(1つは入力、定数などの終端記号、もう1つは異なる活性化関数、三角関数などのノード)を与え、アルゴリズムはこれらのグループのメンバーを使ってNNを「構築」します。このようにして、3ノード5入力のNNや、30ノード50入力のNNを得ることができる。世代を重ねれば重ねるほど、より優れたNNが得られる。なぜこのような現象が起こるか知りたい場合は、ホランドのスキーマ定理を読んでほしい。

http://en.wikipedia.org/wiki/Holland%27s_schema_theorem
/.

そう、学習と予測の比較。最初の6-7年分のデータで新しいネットワークを作り、トレーニング、テスト、クロスバリデーションを行った。そして、残りの3年分のデータをテストとして与え、学習は行わず、実際のテストを模倣することを考えました。学習回帰線の傾きは0.99995で、3年分の未知のデータを与えたところ、傾きは0.9995に落ちました。これをどう解釈したらいいのかわかりません。1時間足らずで作ったにしては、ちょっと精度が高すぎるような気がします。

そうそう、図書館で見つけた「ニューラルネットワーク入門」の本で、この式に出会いました。基本的なことが書かれていて、私にとってはニューラルネットワークの世界への良い入門書となりました。遺伝的 アルゴリズムのような難しい概念に取り組む前に、これから始めようとする人にとっても良い入門書だと思います。

私が正しく理解していれば、問題を解決できるプログラム(入力重み、隠れ層、ニューロンなど)の集団を最初はランダムに生成し、最適な親プログラムを使って新しい世代のプログラムを育成し、できれば前の世代よりも良くなるようにする、というものです。確かに、最初の母集団をランダムに生成した場合、問題を解決するプログラムが1つもない母集団が生成される可能性はないのでしょうか?それとも、問題を解決しない集団から始めて、解決する集団を進化させるという考えなのでしょうか?確かに、それには多くの計算が必要でしょう?例えば、平均的なデスクトップが処理できる量よりも多いのでは?グラフィックカードの並列処理、あるいは超並列システムが必要になるのではないでしょうか。とはいえ、最適なソリューションを選択するための最良のアプローチであることは間違いないようです。

既存の手法で学習して作った12個のネットワークの集団から始めて、そのプログラム群を使ってお互いに子孫を残す方がいいのではないでしょうか?そして、家系図のような構造を作り、より良い母集団を進化させるために提案された方法を使い、失敗した子孫を刈り込み、次の世代の親となる最も最適な12個のプログラムを選択することができるのでは?つまり、問題を解決できる集団から始めて、その子孫からより効率的なプログラムを進化させるという考え方です。