Redes neuronais artificiais. - página 6
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Não há insanidade. Há uma profunda compreensão das redes. Demoraria muito tempo a declará-lo aqui, e não vale a pena fazê-lo. Limitar-me-ei, portanto, a expressar brevemente a minha opinião. Aqueles que não concordam, falem, dêem exemplos, mesmo tecnologias renascentistas , se quiserem. Vamos rir juntos.
Há uma profunda compreensão das redes. Demora muito tempo a pô-lo aqui, e não vale a pena fazê-lo.
Não há insanidade. Há uma profunda compreensão das redes. Demoraria muito tempo a declará-lo aqui, e não vale a pena fazê-lo. Limitar-me-ei, portanto, a expressar brevemente a minha opinião. Aqueles que não concordam, falem, dêem exemplos, mesmo tecnologias renascentistas , se quiserem. Vamos rir juntos.
É provavelmente impossível dar exemplos agora, mas no futuro, com a evolução do terminal, linguagem de programação, ferramentas, será possível fazer uma IA de pleno direito, muitos grandes homens enganaram-se sobre o progresso, alguns mudaram de ideias no tempo, muitos falharam por causa disso, por isso devemos esperar por
2 matemáticos, 2 físicos, 2 neurobiologistas e 2 economistas
É um círculo vicioso!
Se sabemos o que precisamos para alimentar as NS, então as NS são inúteis.
E se fornecemos os nossos inputs com coisas, não precisaremos de NS.
Então a conclusão é: as redes neurais são uma treta? !!!! =)
Penso que a informação realmente importante deve ser fornecida aos NS:
1)últimas citações, por exemplo, últimas barras de 10 horas (para que a NS possa detectar níveis e paternas);
2)Tempo actual (por isso os NS sabem quando esperar picos de volatilidade, porque as notícias e aberturas de mercado acontecem em valores de tempo redondos);
3)Indicadores macroeconómicos (de preferência em tempo real, como e a partir de onde inscrevê-los em MT5 - não sei);
4) Boas e más notícias de diferentes regiões (não sei como implementá-las, posso introduzir a relação má/boa notícia, mas não sei como alimentá-las ao MT5 e de onde alimentá-las automaticamente, sem intervenção humana);
Pode não ser possível dar exemplos agora, mas no futuro, com a evolução do terminal, da linguagem de programação, das ferramentas, será possível fazer uma IA de pleno direito, muitos grandes homens enganaram-se sobre o progresso, alguns mudaram de ideias no tempo, muitos falharam por causa disso, por isso temos de esperar até
(Não se juntarão e farão algo realmente funcionar)), além disso, não há garantia de que estas redes neurais não existam já, provavelmente estão a trabalhar silenciosamente no terminal de alguémOs progressos nas redes neurais artificiais começaram em 1943 e em 69 anos nem sequer aprenderam a distinguir os gatos dos cães. Há áreas em que foram utilizados com sucesso, áreas em que os dados não necessitam de transformação não linear significativa. Por exemplo, prever o consumo de electricidade com base na hora do dia e na temperatura do ar. Previsão do crescimento do PIB com base em encomendas de fábricas, rendimentos pessoais, desemprego, etc. No mercado, as redes devem tomar decisões com base nos preços do passado. Dar eles próprios N preços passados como inputs para a rede não é bom, pelo que estabelecer uma relação não linear entre dados ruidosos é uma tolice. Os padrões existem no mercado mas estão tão distorcidos que mesmo através de métodos convencionais de transformação não-linear do tempo e dos preços não podem ser identificados. Por exemplo, de N preços passados os momentos mais importantes podem ser apenas um ou dois segmentos, nomeadamente os segmentos onde estes preços atingem níveis de apoio e resistência, linhas de tendência ou mudam de direcção. A forma como os preços se movimentam entre estas importantes secções não é, na maioria dos casos, importante. Ou seja, a dimensionalidade N dos dados é significativamente reduzida para 2-3x por essa transformação não linear. A própria rede nunca aprenderá a fazer uma tal transformação não linear de preços. Cabe-nos a nós fazê-lo. Mas se sabemos o que fazer com os preços, já conhecemos a estratégia antecipadamente (repartição dos níveis, por exemplo) e porque precisamos da rede? Se sabemos que um padrão 1-2-3 numa tendência leva à continuação da tendência, porque é que precisamos da rede? Talvez no futuro os computadores sejam tão poderosos que haverá novos tipos de redes, mais semelhantes às redes biológicas (talvez dentro de 20-30 anos).
Leia também aqui, onde as desvantagens das redes estão bem descritas: https://en.wikipedia.org/wiki/Neural_network
Por exemplo, esta passagem:
Para implementar grandes e eficazes redes neurais de software, muitos recursos de processamento e armazenamento precisam de ser comprometidos. Enquanto o cérebro tem hardware adaptado à tarefa de processar sinais através de um gráfico de neurónios, a simulação até de um formulário mais simplificado na tecnologia Von Neumann pode obrigar um designer NN a preencher muitos milhões de linhas de base de dados para as suas ligações - que podem consumir grandes quantidades de memória de computador e espaço no disco rígido. Além disso, o projectista de sistemas NN precisará frequentemente de simular a transmissão de sinais através de muitas destas ligações e dos seus neurónios associados - que muitas vezes devem ser combinados com quantidades incríveis de poder e tempo de processamento da CPU. Embora as redes neurais produzam frequentemente programas eficazes, fazem-no demasiadas vezes à custa da eficiência (tendem a consumir quantidades consideráveis de tempo e dinheiro).
É provavelmente impossível dar exemplos agora, mas no futuro, com a evolução do terminal, linguagem de programação e ferramentas será possível criar uma IA de pleno direito, muitas grandes pessoas enganaram-se sobre o progresso, algumas mudaram de ideias no tempo, muitas falharam por causa disso, por isso temos de esperar
E o terminal e a MQL5 não têm nada a ver com isso, porque ninguém proíbe a IA em geral e a MU em particular, há muito que foi proibido de a implementar (integralmente) utilizando outras ferramentas, incluindo a sua adição como biblioteca à MT.
O problema não é criar uma grelha e ensiná-la (como fazê-lo é claro, porque há muita informação e mesmo implementações já feitas). O problema das malhas é bastante diferente - de facto, é aqui expresso - toda a eficácia de uma malha é "enterrada" na escolha dos dados de entrada sobre os quais a treinamos. E para seleccionar dados correctos (num contexto de mercado), para os transformar correctamente (por exemplo, para os converter num espaço multidimensional, que forma, de acordo com uma teoria, os atractivos de um processo estocástico escondido por detrás das manifestações externas de alterações nas cotações) - este é o know-how mais valioso, sobre o qual não encontrei qualquer informação útil na prática. Tudo o que foi sugerido no ramo acima referido já foi experimentado, claro, sem sucesso. Por exemplo, os macro indicadores não precisam da grelha, porque se souber interpretá-los correctamente, pode trocar de mãos. As notícias não são um indicador porque, em primeiro lugar, a reacção sobre elas será ex post facto, e queremos de certa forma prever os movimentos e tomar decisões antes de as notícias atingirem o mercado, e em segundo lugar, a reacção sobre as notícias é imprevisível - por exemplo: um terramoto no Japão - o iene parece ser mau, mas de facto a procura aumentou, e também as notícias são muitas vezes negativas, mas menos negativas do que o esperado, e são vistas como uma razão para elevar o mercado, e assim por diante. Em geral, tudo tem sido tentado. Aqueles que tiveram sucesso em algo (se é que tiveram algum) não se sentam aqui. E não partilham a sua experiência.
Continuação da discussão sobre redes no mercado. Tomemos o córtex visual do nosso cérebro como um exemplo. Apenas a camada V1 deste córtex contém 140 milhões de neurónios, enquanto que existem apenas 6 camadas. Todos estes neurónios processam informação em paralelo e estão ligados uns aos outros através de milhões de sinapses adaptativas. Os computadores à disposição dos comerciantes podem ter até 1000 núcleos de CPU. Ou seja, para imitar o córtex visual, cada núcleo deve calcular centenas de milhares de neurónios em tempo real. A formação de uma rede deste tipo levaria cerca de um ano. E tudo isto para ver o mundo e reconhecer imagens. Mesmo se formos capazes de treinar esta rede com sucesso, ela não conseguirá a mesma precisão de reconhecimento de objectos que nós, porque estamos a utilizar mais do que apenas informação visual. Por exemplo, uma das tarefas mais difíceis para as redes artificiais é o reconhecimento de sombras. Para nós, isto é um "nobrainer", uma vez que estamos familiarizados com as propriedades da luz. Mas a rede não conhece estas propriedades da luz, e a menos que a ensinemos a fazê-lo, não pode detectá-las. A rede também não está familiarizada com a transparência dos objectos e assim por diante. Tomemos o mercado onde há muito mais ruído do que na informação visual e os objectos (padrões de preços) são muito mais distorcidos. E queremos que algumas dezenas de neurónios olhem para os preços do passado para definir os padrões de mercado. Ridículo, não é?
Continuação da discussão sobre redes no mercado. Tomemos o córtex visual do nosso cérebro como um exemplo. Apenas a camada V1 deste córtex contém 140 milhões de neurónios, enquanto que existem apenas 6 camadas. Todos estes neurónios processam informação em paralelo e estão ligados uns aos outros através de milhões de sinapses adaptativas. Os computadores à disposição dos comerciantes podem ter até 1000 núcleos de CPU. Ou seja, para imitar o córtex visual, cada núcleo deve calcular centenas de milhares de neurónios em tempo real. A formação de uma rede deste tipo levaria cerca de um ano. E tudo isto para ver o mundo e reconhecer imagens. Mesmo se formos capazes de treinar esta rede com sucesso, ela não conseguirá a mesma precisão de reconhecimento de objectos que nós, porque estamos a utilizar mais do que apenas informação visual. Por exemplo, uma das tarefas mais difíceis para as redes artificiais é o reconhecimento de sombras. Para nós, isto é um "nobrainer", uma vez que estamos familiarizados com as propriedades da luz. Mas a rede não conhece estas propriedades da luz, e a menos que a ensinemos a fazê-lo, não pode detectá-las. A rede também não está familiarizada com a transparência dos objectos e assim por diante. Tomemos o mercado onde há muito mais ruído do que na informação visual e os objectos (padrões de preços) são muito mais distorcidos. E queremos que algumas dezenas de neurónios olhem para os preços do passado para definir os padrões de mercado. Ridículo, não é?
Vou dar-vos outro exemplo.
Fui ao site do RBC, há 137 notícias para hoje, mas 3 delas podem ter um impacto real sobre a taxa de câmbio do rublo. E é muito provável que haja efeitos que não são mencionados nas notícias.
Ou seja, não só é necessário aprender a filtrar o fluxo de entrada com muito cuidado, como pode muito bem ser que no fluxo de entrada não haja informação que descreva as razões destas ou daquelas alterações de preços.
Em geral, não se deve confundir o quente com o suave. As máquinas foram originalmente criadas para substituir o trabalho humano monótono/estudado. Se tomarmos a esfera do comércio, a grande maioria dos participantes não compreende o que estão a fazer, o que se reflecte nos resultados. Não há princípios inequívocos que garantam resultados no futuro, se tomarmos o dólar M3 e a dinâmica do SP500, podemos ver que mesmo a estratégia buy&hold está a perder dinheiro. O que devem então as máquinas fazer - também perder monotonicamente...
Embora a arte por causa da arte, também tem direito à vida.