Etiqueta de mercado ou boas maneiras em um campo minado - página 89
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
Penso que o comprimento da amostra de treinamento não pode ser apenas uma função da configuração da rede (número de entradas e número de neurônios), talvez algumas características das linhas nas quais queremos treinar a rede devam ser consideradas.
Isto é possível se a BP for não-estacionária e a correção será determinada pela natureza da não-estacionariedade. Entretanto, ainda estamos longe da correção - não sabemos o tipo de dependência do comprimento da amostra em relação ao número de pesos e a dimensionalidade da entrada NS. Intuitivamente, penso que a visão geral será assim: P=4*w, e isto é verdade para qualquer arquitetura de NS.
Fedor, o que você diz sobre minha "epifania" sobre o problema da previsão da BP binária? Afinal, o fato de que para este caso especial da BP podemos usar a estatanálise tão eficazmente quanto a NS como um motor de previsão, desvia completamente nossas mãos em termos de intensidade de recursos do processo. Acredito que este é um avanço. Onde comerciantes "mal-entendidos" gastam tempo e esforço para treinar NS de cinco camadas com arquitetura adaptativa, tudo o que eles precisam é reunir estatísticas e não se contorcer (como Lenin disse).
Guerra com robôs ou palavra contra redes neurais
Materiais para o curso de áudio "Introdução à Análise de Estoque" ("Filosofia de Análise de Estoque")
Isto é possível se a BP for não-estacionária e a correção será determinada pela natureza da não-estacionariedade. Entretanto, ainda estamos longe das correções - o tipo de dependência do comprimento da amostra em relação ao número de pesos e a dimensionalidade da entrada NS não é conhecida. Intuitivamente, acho que a visão geral será assim: P=4*w, e isto é verdade para qualquer arquitetura de NS.
Fedor, o que você diz sobre minha "epifania" sobre o problema da previsão da BP binária? Afinal, o fato de que para este caso especial da BP podemos usar a estatanálise tão eficazmente quanto a NS como um motor de previsão, desvia completamente nossas mãos em termos de intensidade de recursos do processo. Acredito que este é um avanço. Onde comerciantes "mal-entendidos" gastam tempo e esforço para treinar NS de cinco camadas com arquitetura adaptativa, tudo o que eles precisam é reunir estatísticas e não se contorcer (como Lenin disse).
Eu lhe digo, Sergey, parece mais do que tentador. Agora me retirei das redes, porque estou ocupado com carrapatos e tenho evitado até agora consultores especializados em redes com entradas binárias. Mas agora tenho algum tempo livre, por isso pretendo voltar aos experimentos com grades, incluindo entradas binárias. Se você puder prescindir de grades... é realmente um grande avanço. Lembro-me de Prival, e não apenas Prival, ter sugerido a idéia de um banco de dados de padrões. Se um modelo estatístico permite criar tal banco de dados, o Expert Advisor seria infantilmente simples, mas maduro e eficaz. A propósito, talvez não devêssemos nos afastar das grades, a grade deveria apenas mudar sua tarefa - ao invés de prever o próximo relatório, ela pode lidar com o reconhecimento de padrões - imho a tarefa é muito mais perspectiva e se encaixa muito bem em sistemas de lógica difusa. O que você acha?
...utilizar a estatálise como uma máquina de previsão, o que nos libertaria consideravelmente em termos da intensidade de recursos do processo. Acho que é um avanço...
Por que não usar:
- Regras de Ass. ou
- Cohonnen?
Eles dão a mesma probabilidade e apoio.
Esse é o espírito! Já não vinha aqui há algum tempo. Já são 90 páginas). Quando vocês também conseguem fazer grelhas, é inacreditável).
Por que não usar:
- Regras de Ass. ou
- Cohonnen?
Eles dão a mesma probabilidade e apoio.
Por quê?!
Afinal, no caso de dados binários de entrada, este trabalho pode muito bem ser resolvido por padrões de análise estatística. Julgue por si mesmo - sem problemas com o treinamento e a busca da arquitetura ideal. Como o paralocus apontou corretamente, "O Conselheiro Especialista seria infantilmente simples, mas maduramente eficiente"!
Tendo embarcado em experiências com entradas binárias, há uma questão. Já o pedi uma vez, mas vou repeti-lo:
Se eu alimentar as entradas com sinais da primeira série de diferenças PT, então eu deveria prever exatamente o enak do próximo incremento...
Abaixo está meu código de camada única (iniciado com ele até agora) e este código toma amplitude, não sinal, como um erro na saída da grade, embora seja o sinal que é usado no próprio cálculo OUT. É correto? O erro não deveria ser também um sinal, ou no mínimo (claro, não há nada a ver com a extremidade fina...) uma amplitude suficiente para obter o sinal apropriado na saída?
Eu lhe digo, Sergey, parece mais do que tentador. Agora eu me distanciei um pouco das grades propriamente ditas, porque eu peguei carrapatos e, até agora, evitei Consultores Especialistas fundamentais em grades com entradas binárias. Mas agora tenho algum tempo livre, por isso pretendo voltar aos experimentos com grades, incluindo entradas binárias. Se você puder prescindir de grades... é realmente um grande avanço. Lembro-me de Prival, e não apenas Prival, ter sugerido a idéia de um banco de dados de padrões. Se um modelo estatístico permite criar tal banco de dados, o Expert Advisor seria infantilmente simples, mas maduro e eficaz. A propósito, talvez não devêssemos nos afastar das grades, a grade deveria apenas mudar sua tarefa - ao invés de prever o próximo relatório, ela pode lidar com o reconhecimento de padrões - imho a tarefa é muito mais perspectiva e se encaixa muito bem em sistemas de lógica difusa. O que você acha?
Estou surpreso :) Vocês são meio espertos, mas olhem para a metade do caminho. Na entrada de especialistas neste esquema deve estar o mesmo banco de dados com estatísticas padrão. Bem, quantos padrões você planeja colocar lá?
Todos eles? Boa sorte ... :) E se não todos - quantos exatamente? E como essa tarefa é mais fácil do que a NS?
O especialista certamente será rápido no final. Só é preciso alimentá-lo com "verdades" do banco de dados, que, a propósito, não são verdadeiras quando testadas. Nenhum Fuzzy ajudará a extrair do caixote do lixo do passado (DB) a compota do futuro.
// Wapcheta, para ser honesto - eu verifiquei. Há cerca de um ano e meio.
// Somente o esquema era mais elegante. Depois de um pensamento cuidadoso e criativo, trabalhei da seguinte maneira: se em um determinado momento eu tiver que tomar uma decisão sobre uma patente, eu não posso tomá-la.
// Preciso tomar uma decisão sobre um padrão que tenho no tempo presente, não preciso de uma gigabase com
// uma gigabase com um monte de padrões irrelevantes???? Eu pego agora mesmo o padrão atual do fogão e o remonto através da história,
// recolhendo estatísticas à medida que vou avançando. Depois de recolhê-la, eu a utilizo imediatamente. A dimensionalidade do problema decresce em x^n
// vezes, onde n=número de padrões no banco de dados. Huh.
// Fê-lo. Consegui os resultados. Em geral
// Negativo, embora eu tenha descoberto alguma meta-lei ao longo do caminho. Não vou lhe dizer o que é, lamento dizer. Porque...
// não é de modo algum um padrão óbvio, tem que ser visto. Então, você mesmo o faz. Boa sorte. (sem ironia)
// Vou resumir mais uma vez: você não obterá o resultado esperado neste esquema. Mas você pode obter uma espécie de "satori".
// Pode lhe dar algumas pistas para entender a natureza do mercado como um Meta-Sistema de Aprendizagem. O que é BOM.
>> isso é hilariante).
Mogit estava com pressa? Aquele que ri por último, dizem os cowboys...
Acho que não vai haver aqui um grande banco de dados. No máximo cem padrões e meio, e muito provavelmente até menos. Você deve ter executado seu sistema à luz de velas...
Tendo embarcado em experiências com entradas binárias, há uma questão. Já o pedi uma vez, mas vou repeti-lo:
Se eu alimentar as entradas com sinais da primeira série de diferenças PT, então eu deveria prever exatamente o enak do próximo incremento...
Abaixo está meu código de camada única (iniciado com ele até agora) e este código toma amplitude, não sinal, como um erro na saída da grade, embora seja o sinal que é usado no próprio cálculo OUT. É correto? Não deveríamos usar como erro também um sinal, ou no pior dos casos (claro, não há nada a ver com o pior final...) a amplitude é suficiente para obter o sinal apropriado na saída?
Aqui é o caso: O principal motivo da transição para o BP binário é a possível recusa de procedimentos de racionamento e branqueamento de insumos para NS e o mais importante - transição de valor analisado continuamente (número infinito de valores) para binário, tomando apenas dois valores +/-1. Isto economiza significativamente os recursos computacionais. A rede em si é treinada pelo método ORO e para isso gera erro definido na área de números reais (não discretos), portanto, paralocus, dando entrada +/-1 você obterá no valor de saída no intervalo de -1 a 1 com o passo 10^-8. E somente quando a rede tiver terminado o treinamento, você deve usar o sinal de movimento previsto para previsão, e sua amplitude será proporcional à probabilidade de previsão correta (a amplitude é sempre positiva). Esta probabilidade pode ser usada para análise adicional no bloco MM.
Toda a vantagem da NS em comparação com outros métodos de análise da BP é a possibilidade de construção não analítica (não explícita) de superfície multidimensional no espaço de dados de entrada "muito escassos", para os quais "atraem" valores da BP inicial (a primeira diferença do kotir). No caso da representação binária, lidamos com uma hiper-superfície, que é degenerada em um hiper-cubo multidimensional. Isto é como um cristal, que não tem superfície, mas existem nós de sua malha de cristal (figurativamente falando), conhecemos as coordenadas desses nós até o minuto e não precisamos gastar nossos recursos na detecção de superfície... A rede é desnecessária.