Utilização de redes neurais no comércio. - página 2
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
Em geral, não é recomendado interromper as séries cronológicas, particularmente as financeiras - a informação se perde.....
Uma função sigmoidal por si só não achata a distribuição. Na minha opinião, é mais importante resolver o problema da estacionaridade dos dados durante o pré-processamento.
A propósito, a fórmula que você me deu é W=420, d=14, então P>50400 - você não acha que a amostra é um pouco grande demais?
Não, nem a função singhmoid nem a função hiperbólica equalizam a distribuição. Você pode verificar isto facilmente traçando a distribuição antes e depois que a função é aplicada. Você precisa aplicar métodos especiais aqui.
Quanto ao "sinal" da amostra, é possível um compromisso. Por exemplo, é possível, com dados históricos menores disponíveis, recomendar uma parada antecipada do treinamento, isso permitirá evitar o efeito da reciclagem, mas classificar as habilidades de NS em tal forma de treinamento, será de qualquer forma inferior a NS treinada em um histórico suficientemente grande.
Em minha experiência (pequena) e artigos, o número de exemplos em amostra não depende da sua oferta ...
E em minha experiência - não há contradição - tudo está de acordo com a teoria.
Em geral, as séries cronológicas, em particular as financeiras, não são recomendadas para interromper - a informação é perdida.....
Devido à complexidade do treinamento NS, somos sempre forçados a encontrar um compromisso entre complexidade arquitetônica e poder computacional. Com a complexidade limitante da arquitetura que usamos, temos naturalmente um limite na dimensão limitante da entrada NS, como conseqüência, podemos alimentar a entrada com um vetor não mais que alguns (cem outros no máximo) e temos que escolher entre a perda de dados e a cobertura do histórico. s vezes, é importante cobrir o máximo possível e compreender o que é coberto em tempo razoável (em termos de IA).
Não faz sentido perseguir a complexidade de uma arquitetura de rede neural, pois 10-15 neurônios aprenderão fácil e suavemente a história de 1500-2000 barras, ou até mais. Mas quanto melhor eles aprenderem a história, pior trabalharão no futuro - o efeito do excesso de treinamento vem. É muito mais eficaz e produtivo encontrar entradas "corretas", o que dará a informação correta aos NS sobre o movimento do símbolo.
Leonid, não há problema com a reciclagem do NS - é por não entender a essência do que está acontecendo dentro desta caixa com um belo nome e três pregos dentro. Não tire uma amostra de treinamento menor que o mínimo e você não terá que decidir por intuição o que é melhor e o que é pior!
Sobre as entradas "corretas" concordo 100% com você que essa é a chave do sucesso - tudo que pode ser resolvido para NS-ku - deve ser resolvido independentemente. É preciso deixar com coisas que a solução não tem ou são injustificadamente difíceis. Por exemplo, não faz nenhum sentido alimentar a entrada Zig-Zag. O comportamento da NS neste caso é óbvio - ela aprenderá o que está na superfície - alternância de sinais dos ombros da ZZ, e não há uso de tais dados de entrada.
Leonid, não há problema com a reciclagem do NS - é por não entender a essência do que está acontecendo dentro desta caixa com um belo nome e três pregos dentro. Não tire uma amostra de treinamento menor que o mínimo e você não terá que decidir pelo instinto sentindo o que é melhor ou pior!
Há também problemas com a amostragem - é claro que no Forex existem certas leis de movimento, que mudam com o tempo. Portanto, se a amostra for muito grande - a rede não encontrará estas leis de movimento porque são muitas e são muito diferentes, muito pequenas - elas irão se retrair rapidamente. E é impossível encontrar a fórmula exata - é por isso que aqui muito depende do comerciante, não da complexidade da arquitetura NS.
É isso mesmo. Direto ao ponto!
Na verdade, se resolvermos o problema diretamente, verifica-se que o comprimento ideal de amostragem é P>(W^2)/d, e levando em conta a não-estacionariedade dos processos no mercado, o ideal é
P=(4-8)*(W^2)/d. É disto que você está falando.
Isto é mais ou menos o que acontece: antes da conversão, depois, fotos não da mesma amostra, mas, mesmo assim, já o fizeram muitas vezes o efeito é o mesmo...
Posso ver que está nivelado.
Mas não pode ser assim se você apenas influenciar o sinal de entrada com uma função como sigmóide e/ou algo parecido. Muito provavelmente, se estendermos o eixo esquerdo e direito no gráfico inferior pela distância da metade da última barra do histograma (para vê-lo), o milagre desaparecerá e veremos um sino.
Ou então, haverá um furo na análise.
Vejo que está até agora.
Mas não pode ser assim. Muito provavelmente, se estendermos o eixo esquerdo e direito no gráfico inferior uma vez e meia até a última barra do histograma (para vê-la), o milagre desaparecerá e veremos uma campainha.
Bem, ou então há um furo na análise.
Nas fotos não há dados normalizados e além dos diferentes dados, apenas dei um exemplo do que fiz (como parece no resultado)
E aqui está o roteiro, você pode usá-lo para ver como será a saída (mas não seja muito exigente com os dados de entrada - este roteiro foi feito apenas para ilustração ...)
//Tipo 0 - normalização linear, 1 - não linear