Artigo: Previsão de preços com redes neurais - página 9
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
Vinin, uma vez você escreveu que já lidou com NS e até mesmo que no campeonato sua EA é uma implementação de NS. Em outras palavras, comparado a mim, você é um especialista. Aconselhe-me o que ler para entender este enorme tópico. O propósito - não apenas para entender os princípios do trabalho em rede, mas para entendê-lo suficientemente profundamente para usar a MQL5 para escrever a própria rede (que eu espero planejar quando eu entender o assunto) e toda a infra-estrutura, relacionada ao seu treinamento.
Não me considero um especialista, mas posso sempre fazer uma rede, se necessário.
PraVedNiK. Ou talvez seja a hora de passar de um único neurônio para um neurônio normal. É um pouco diferente, e tudo é diferente em geral.
Perceptron é uma linha que divide 2 classes: as bolas verdes são"O Preço Mais Provável de Subir",
Os vermelhos são "Preço ...Abaixo". Mas o problema é que existe uma área confusa onde as bolas estão misturadas.
estão todos intercalados. Algumas pessoas inteligentes / incluindo - e este fórum /, após a leitura de livros
Shumsky e outros sugerirão: devemos mudar para uma multicamada para fazer mais dessas mesmas linhas divisórias.
Você pode ou não fazê-lo dessa forma, você pode colocar um filtro em seu DiRoLnoDoLgo EA:
Alto[1]<Alto[2] &&Baixo[1]<Baixo[2] && iOsMA... e Alto[1]>Alto[2]&&Baixo[1]>Baixo[2]&& iOsMA... ,
e removerá cerca de 2/3 destas hemorróidas, e - ESQUERDA ! ver figura..:
Então, depois disso, é mais fácil traçar a linha divisória - isto significa que a linha divisória é a linha divisória.
É disto que se trataDiRoLnoDoLgo : ao menos parcialmente remover isto
parcialmente - os resultados da análise / dos últimos 5 meses/ acabaram por ser
Os resultados da análise dos últimos 5 meses revelaram-se bastante bons: lucro bruto = +16 números, payoff esperado = + 2 números /mais/, lucratividade = 30.
Nunca pensei que alguém questionasse o uso de malhas multicamadas para melhorar o desempenho da classificação. =)
Recomendo a leitura do que Jan LeCun escreve sobre isto - http://yann.lecun.com/exdb/mnist/index.html. No entanto, a área temática é um pouco diferente lá - o reconhecimento do caráter. De qualquer forma, de qualquer forma, as malhas de camada única apresentaram os piores resultados - 8,4%. No entanto! Uma das multicamadas (bilayer, com 300 neurônios na camada oculta) teve um resultado muito bom - 1,6% de erro. Ou seja, a adição de até mesmo uma camada torna a malha muito "mais poderosa".
Não acho que a redução do tamanho da amostra de treinamento seja uma boa opção. Muito melhor para conseguir maior separabilidade de classe - ou seja, transformar os dados de entrada para que não haja conflitos (por exemplo, para aumentar o intervalo de tempo de visibilidade das cotações). Lembro-me que o livro "Trading - your way to financial freedom" do fxclub recomenda o envio de mais de um par de cotações para a grade.
Sim, há mais uma desvantagem de usar grelhas de camada única: a pessoa que quer construir esta grelha e treiná-la não terá sequer que aprender o que é BackProp e muitas outras coisas. Isto é, usando malhas de arquiteturas antigas, a probabilidade de que malhas efetivas de novas arquiteturas sejam criadas num futuro próximo diminui, o que é muito, muito ruim, porque temos que ajudar as malhas de alguma forma. =)
Em geral, como alguém que vem usando redes neurais nos mercados financeiros há muito tempo, posso dizer uma coisa - as coisas principais não são descritas ali. Eu, naturalmente, não programo redes neurais - lido exclusivamente com sua APLICAÇÃO, que é um tópico separado e muito "delicado". Muita coisa depende disso. E esta mesma aplicação não é descrita neste artigo - mas é um dos tópicos principais e básicos da "aplicação de redes neurais nos mercados financeiros". Muito depende disso.... ..... ...
Mas esta é minha opinião pessoal.....
Em geral, como alguém que vem usando redes neurais nos mercados financeiros há muito tempo, posso dizer uma coisa - as coisas principais não são descritas ali. Eu, naturalmente, não programo redes neurais - lido exclusivamente com sua APLICAÇÃO, que é um tópico separado e muito "delicado". Muita coisa depende disso. E esta mesma aplicação não é descrita neste artigo - mas é um dos tópicos principais e básicos da "aplicação de redes neurais nos mercados financeiros". Muito depende disso.... ..... ...
Mas esta é minha opinião pessoal.....
Sim.
Como uma pessoa que está apenas ligeiramente envolvida em redes neurais (apenas 12 anos) posso dizer a uma pessoa que está envolvida em redes neurais há muito tempo que a aplicação de redes neurais em qualquer tarefa é inseparável de seu projeto (programação). O principal é dois postulados: os dados iniciais (que é uma canção separada), e o mais importante - o algoritmo de treinamento. As redes podem fazer qualquer coisa - o principal é treiná-las corretamente.
Nunca pensei que alguém questionasse o uso de malhas multicamadas para melhorar o desempenho da classificação. =)
Recomendo a leitura do que Jan LeCun escreve sobre isto - http://yann.lecun.com/exdb/mnist/index.html. No entanto, a área temática é um pouco diferente lá - o reconhecimento do caráter. De qualquer forma, de qualquer forma, as malhas de camada única apresentaram os piores resultados - 8,4%. No entanto! Uma das multicamadas (bilayer, com 300 neurônios na camada oculta) teve um resultado muito bom - 1,6% de erro. Isto é, com a adição de até mesmo uma camada, a malha se torna muito "mais poderosa".
Exatamente, porque se trata de uma área temática completamente diferente e, portanto, uma abordagem diferente. Os contornos dos caracteres em fontes padrão são imutáveis, portanto faz sentido treinar a rede uma vez em um exemplo, por exemplo, em algumas páginas, para que a rede neural reconheça os caracteres no resto do livro com alta precisão.
Quanto aos mercados financeiros, trata-se de outra área onde tudo está em constante mudança e em constante movimento. E, por isso, as complexas multicamadas estão aqui estragadas. Uma analogia exagerada no campo do reconhecimento de caracteres é que se em uma página de um livro um símbolo "A" deve ser interpretado como "A" e na seguinte, o mesmo "A" já é interpretado como "B".
Por esta razão, o mesmo padrão reconhecido em diferentes seções dos dados históricos do instrumento financeiro pode ser interpretado de forma diferente nos sinais comerciais, ou seja, em algumas seções sua identificação é mais apropriada para abrir posições longas e fechar posições curtas, enquanto em outras seções é vice-versa: abrir posições curtas e fechar posições longas.
faz sentido: ...
Eu nunca teria pensado que alguém questionaria
sobre o uso de malhas multicamadas para melhorar
características de classificação. =)
Recomendo a leitura do que Jan LeCun escreve sobre o assunto - http://yann.lecun.com/exdb/mnist/index.html. Mas a área temática lá é um pouco diferente - o reconhecimento de símbolos.
reconhecimento de caracteres. De qualquer forma, de qualquer forma, as malhas de camada única eram
os piores resultados, 8,4%. No entanto! Uma das multicamadas (bilayer,
com 300 neurônios na camada oculta) mostrou um resultado muito bom
- 1,6% de erro. Ou seja, a adição de até uma camada faz com que a grade
muito mais "poderoso".
Exatamente, que esta é uma área temática diferente e, portanto, uma
uma abordagem diferente. A forma dos caracteres em fontes padrão é a mesma,
portanto, faz sentido treinar a rede uma vez em um exemplo,
como um par de páginas, para que a rede neural possa
os personagens do resto do livro.
Ou o papel é igualmente branco e de alta qualidade.
Não, é também uma tarefa variável, se tudo é como você escreve então não precisa de redes neurais, uma simples comparação é suficiente.
faz sentido: ...
Eu nunca teria pensado que alguém questionaria
sobre o uso de malhas multicamadas para melhorar
características de classificação. =)
Recomendo a leitura do que Jan LeCun escreve sobre o assunto - http://yann.lecun.com/exdb/mnist/index.html. Mas a área temática lá é um pouco diferente - o reconhecimento de símbolos.
reconhecimento de caracteres. De qualquer forma, de qualquer forma, as malhas de camada única eram
os piores resultados, 8,4%. No entanto! Uma das multicamadas (bilayer,
com 300 neurônios na camada oculta) mostrou um resultado muito bom
- 1,6% de erro. Ou seja, a adição de até uma camada faz com que a grade
muito mais "poderoso".
Exatamente, é uma área temática diferente e, portanto, uma
uma abordagem diferente. A forma dos caracteres em fontes padrão é a mesma,
portanto, faz sentido treinar a rede uma vez em um exemplo,
como um par de páginas, para que a rede neural possa
os personagens do resto do livro.
Ou o papel é igualmente branco e de alta qualidade.
Não é também uma tarefa variável, se tudo é como você escreve então você não precisa de redes neurais, uma simples comparação é suficiente.
2. Um livro da mesma edição é impresso da mesma maneira por todas as máquinas. Se for diferente, então é um defeito.
3. Para a mesma edição, o papel tem o mesmo formato: por exemplo, "formato 70x100 1/16". Impressão em offset. Tamanho de impressão 37,4". O papel também deve estar em conformidade com a norma. Bem e conjuntos de fontes não diferem em grande variedade, de modo a não estragar a visão dos leitores.
De qualquer forma, as tarefas do reconhecimento de padrões para campos, onde existem padrões, por exemplo, poligrafia e campos sem padrões, por exemplo, mercados financeiros, são completamente diferentes e as probabilidades de erro nas soluções também são diferentes.
Uma explicação ainda mais simples pode ser feita: se os algoritmos de reconhecimento de padrões para os mercados financeiros estiverem errados com a mesma freqüência que os algoritmos de reconhecimento de padrões para textos impressos, então ... (não há necessidade de continuar, pois isso seria claro como é).