SOM: métodos de cozimento - página 8

 
Sych:

Posso ver o relatório completo (cabeçalho)? A parte inferior foi cortada.

Eu o atualizei.

alexeymosc:

É legal. Qual é a estratégia? O negócio está fechado pelo número de barras (por tempo) ou não?

Agora cada sinal é processado separadamente. Isto é, aberto quando um neurônio inclinado cai, fechado após um certo tempo.
 

Entendi. Inclinado provavelmente significa com um desvio de probabilidade de 50%? E a condição de fechamento está ligada a cada neurônio? O que é enviesado? 55%? 60%?

 
alexeymosc:

Entendido. O distorcido deve significar com um desvio de probabilidade de 50%? E a condição de fechamento está ligada a cada neurônio? O que é enviesado? 55%? 60%?

Sim. Sobre um fator de 1,5, que é cerca de 60\40 -- aqui está um pedaço de código:

{
   if (positive/(negative + 1.0) > 1.5 && count > 3)
   {
      OpenBuy(Magic, TP, SL, TradeLot);
   }
   
   if (negative/(positive + 1.0) > 1.5 && count > 3)
   {
      OpenSell(Magic, TP, SL, TradeLot);
   }
}

Encontrei um pequeno bug... Voltará ao normal em breve.

 
Ótimo!
 
TheXpert:

Atualizado.

Há otimismo, mas não muito.

Você pode melhorar estes números:

Médiatransação lucrativa121.33perdendo comércio-130.51
Número máximoganhos contínuos (lucro)17 (1227.10)Perdas contínuas (perda)11 (-2390.10)

?

Isto é - ou reduzir a média das perdas comerciais em relação à lucrativa, ou reduzir o número de perdas contínuas.

Entendo que este é o OOS, mas o que você ensina é como ele se comportará.

Talvez a correção do erro descoberto melhore o resultado, será interessante de ver.

 

Pessoal, é necessário um aconselhamento especializado sobre a SOM.

Especificamente interessado em como controlar a distribuição do número de padrões entre os grupos.

 

Boa tarde!

Há uma semana não tenho acesso adequado à Internet. Estou escrevendo tarde.

Eu li aqui: http://www.eicstes.org/EICSTES_PDF/PAPERS/The%20Self-Organizing%20Map%20(Kohonen).pdf

O problema da distribuição ótima dos vetores de entrada sobre as células de uma CAC depende, antes de tudo, do treinamento adequado da CAC. Kohonen escreve que o número de iterações de treinamento deve ser pelo menos 500 vezes o número de neurônios na rede! Ou seja, se treinarmos uma rede de 100 neurônios (10 por 10), o número de iterações deve ser de pelo menos 50 000. Francamente falando, o treinamento dessa rede em um PC comum, desde que o vetor de entrada seja muito grande (digamos, 40), levará vários dias. A heurística sugerida por Kohonen é que deveria haver pelo menos 10.000 iterações de treinamento. Isso é demais, IMHO, mas como opção podemos reduzir o tamanho do vetor de entrada e ver o que acontece.

O segundo ponto, relacionado ao aprendizado da SCS, a partir do mesmo artigo, é que o tamanho do vetor de entrada não afeta o número de iterações de aprendizado, ou seja, tudo depende da potência do PC.

Em terceiro lugar, o raio de treinamento do neurônio, como sugerido no artigo, deve ser inicialmente muito grande (você pode fazê-lo mais da metade do diâmetro do ACS) para definir a "ordem topológica" básica no ACS; então o raio é reduzido inversamente proporcional ao número de iterações até 0, isto é, quando ocorre a correção dos pesos de apenas um neurônio. Ao mesmo tempo, a ordem topológica original estabelecida no início do treinamento não é quebrada, mas em áreas locais do mapa ela é refinada. Veja ali.

Mais uma coisa relacionada ao aprendizado é uma etapa de aprendizado que também deve ser grande no início (cerca de 1) e depois diminuir inversamente proporcional ao número de iterações, e a função da etapa dependente do número de iterações passadas pode ser tanto linear quanto não linear. No final do treinamento a etapa permanece muito pequena por muito tempo, menos de 0,01, para afinar o LCS.

O artigo também fala sobre o pré-processamento de dados para treinamento, mas na aplicação ao reconhecimento da fala e da imagem. Em nosso caso, é uma série cronológica, portanto, temos que cavar em outro lugar. Eu sei que tem havido muita discussão sobre a aplicação da SOM às séries cronológicas.

 

Em que base você acredita que a SOM é mesmo possível no autotrading?

Para focar sua visão em algo, você precisa saber o que é.

Nos dados históricos (que é o que você quer que a rede aprenda) há um número quase infinito de movimentos de preços possíveis. Como a rede deve descobrir por si mesma o que fazer e a que prestar atenção?

Imagine uma criança com inúmeros brinquedos ao seu redor. Apesar dos inúmeros brinquedos, (ou melhor, é por isso que) a criança nunca saberá que este brinquedo é um carro e que é um ursinho de pelúcia. Você, como pai ou mãe, deve primeiro dizer/dizer a seu filho que este brinquedo é chamado de carro e várias vezes deixar seu filho tentar encontrar este brinquedo em particular entre os outros. A criança será então capaz de identificar o carro e nunca confundi-lo com o ursinho de pelúcia.

A SOM só pode ser acionada se a rede souber o que está alvejando, só então ela pode focalizar sua visão. Isto poderia ser através da identificação do número da placa do veículo ou pelo tradutor automático que procura a palavra/frase correta. No entanto, primeiro você terá que ensinar a rede a reconhecer números ou palavras, e só depois deixar que ela fique livre para nadar.

O que vocês querem/podem oferecer à rede no fluxo de dados históricos? E com o que você está contando?