Encontrar um conjunto de indicadores para alimentar as entradas da rede neural. Discussão. Uma ferramenta para avaliar os resultados. - página 7
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
para iliarr
Tente, por interesse, usar o número de negócios, ou o saque relativo como uma função de aptidão. Você não pode negociar de forma alguma se usar o drawdown como uma função de aptidão.
Pode ser que a rede não negocie de forma alguma se você usar o drawdown como uma função de adequação. :))
para iliarr
Tente, por interesse, usar o número de negócios, ou o saque relativo como uma função de aptidão. Você não pode negociar de forma alguma se usar o drawdown como uma função de aptidão.
Pode ser que a rede não negocie de forma alguma se você usar o drawdown como uma função de adequação. :))
Pensei nisso, mas decidi adiar por um tempo...
Se a função alvo for apenas o número de negócios ou apenas o drawdown, ela será de pouca utilidade, pois a rede aprenderá a entrar/sair do mercado com freqüência e sem objetivo ou aprenderá a evitar drawdowns....
Tenho que otimizar tanto o lucro quanto o número de negócios e saques. Como eu me lembro, o JGAP permite ter função de alvo com várias saídas... minhas prioridades atuais são: resolver dados de entrada e refinar neuronetas de recorrência.
como vejo, no momento ninguém está interessado em pesquisar e testar os dados de entrada com o método que sugeri...
Chegar a um denominador comum nos testes? ;-). Aqui está uma sugestão sobre isto. Se uma rede é treinada sem um professor para obter um lucro hipoteticamente ilimitado, deve-se ter em mente que os dados de entrada ainda impõem um limite de cima para o tamanho do lucro. É possível estimar a quantidade que não pode ser excedida pelo período de aprendizagem selecionado (com um lote constante, pela estratégia selecionada). Assim, podemos calcular a relação de aprendizagem da grade para este período como uma relação entre o máximo lucro teórico possível e o lucro que a grade dá. Em seguida, estimativas semelhantes são feitas para o período de validação e os índices são comparados.
Como já foi apontado aqui, sem tal verificação, não vale nada, imho.
Se uma rede é treinada sem um professor para obter lucros hipoteticamente ilimitados
Isto se chama supertreinamento. já levantamos esta questão.
Pergunta para amadores à procura de entradas para redes neurais :)
Alguém já fez a análise de componentes principais (também conhecida como "análise de componentes principial" ou "pca")?
Pergunta para amadores à procura de entradas para redes neurais :)
Ninguém se envolveu com o método dos componentes principais (também conhecido como "análise de componentes principial" ou "pca")?
Como você vai aplicá-lo?!
Pergunta para amadores à procura de entradas para redes neurais :)
Ninguém se envolveu com o método dos componentes principais (também conhecido como "análise de componentes principial" ou "pca")?
Eu desenvolvi um sistema baseado no algoritmo GHA. Funciona muito bem se houver ruído. Você pode fazê-lo via DFT ou pode fazê-lo via análise de componentes principais. Favor abster-se de usar a palavra "amadores" sem o prefixo "querido" :)lea писал(а) >>
Alguém já fez a análise de componentes principais (também conhecida como "análise de componentes principial" ou "pca")?
Eu tenho, mas em um campo de aplicação completamente diferente. A propósito, eu nunca fui capaz de fazer funcionar PCA não linear. E a linear, penso eu, é fraca.
Eu desenvolvi um sistema baseado no algoritmo GHA. Funciona bem se houver ruído. Você pode fazê-lo via DFT, ou pode fazê-lo via análise de componentes principais.
Em que tudo isso foi calculado? MathCad/MathLab?
Favor abster-se de usar a palavra "amadores" sem o prefixo "respeitados" :)
OK :)
Eu me dedico, mas em um campo de aplicação muito diferente. A propósito, não consegui fazer funcionar o PCA não linear. O linear, imho, é um pouco fraco.
Até agora, espero me contentar com o linear.
Como você vai utilizá-lo?
Por sua finalidade - selecionar um conjunto de variáveis, que serão correlacionadas de forma mais solta do que as originais.