rede neural e entradas - página 4

 
Demi:
Sim, é claro! Comércio de pares para o aterro sanitário, etc., etc.

Você, é claro, sabe melhor. (sarcasmo)

Eu não estava falando de comércio em pares.
 
Demi: Mostrar o resultado.
Já lhe mostrei o resultado ))))
 
LeoV:
Eu não estava falando de comércio em pares.

negociação de pares e se baseia na "divergência".

Eu peguei, obrigado.

 
Demi: O comércio de pares é baseado na "divergência".
Eu não estava falando de divergência, estava falando de padrões entre diferentes instrumentos, que não incluíam a divergência de correlação ))))
 
Figar0:

Forma interessante de dizer... O que é a rede? E sobre a entrada de acordo com alguma disposição dos fractais anteriores? Assim como para mim, suas duas saídas são um problema para duas redes...

É a normalização usual no máximo? I.e. 10; 1; -5 normalizado para 1; 0.1; -0.5?

Não está muito claro sobre a normalização dos pesos. Você também os normaliza da mesma forma? Igualmente como resultados intermediários camada por camada? Ou será que eu entendi algo errado? Se estiver correto, então temo que você terá algumas pedras aqui.

As perguntas são estranhas fora do contexto. O que você pode aconselhar sobre a saída sem conhecer o tipo de rede e sua tarefa? O mesmo vale para a entrada...



Eu não trabalhei diretamente com o preço. Eu uso a diferença entre o preço e o parabólico. Por que um parabólico? Tem saltos e mergulhos característicos e utilizo deslocamentos Fibonacci de barras na saída para que o sinal não flutue significativamente. Assim, quando tenho 8 diferenças, as normalizo desta maneira, ou seja, encontro o módulo máximo e divido tudo por este coeficiente. Depois o peso. Eu não o normalizo, mas as somas resultantes em camadas devem naturalmente diminuir usando o mesmo princípio. E assim por diante, camada por camada, até que eu obtenha dois valores de saída. Se para normalizar também o peso, há suspeitas de que, no treinamento, os valores de pesos aspiram a valores extremos -100, 100 e 0, e não é aceito, então eu normalizo apenas resultados intermediários camada por camada.
 
A super-normalização pode introduzir distorções no sinal original em que reside a informação útil, o que pode levar ao desaparecimento ou redução da proporção dessa informação útil, o que por sua vez leva a que a rede não funcione como deveria - ganhando. Portanto, você tem que ter muito cuidado com a normalização nos mercados fintech.
 
LeoV:
A super-normalização pode introduzir distorções no sinal original em que reside a informação útil, o que pode levar ao desaparecimento ou redução da proporção dessa informação útil, o que por sua vez leva a que a rede não funcione como deveria - ganhando. É por isso que você tem que ter muito cuidado com a normalização nos mercados fintech.

Existe a possibilidade de não normalizar nem os sinais de entrada nem os intermediários, até que o sinal passe por todas as camadas, seu nível apenas crescerá até a faixa desejada, +/-, e a saída já será normalizada... É assim.
 
grell:

É possível não normalizar os sinais de entrada ou intermediários, até que o sinal tenha passado por todas as camadas, seu nível tenha acabado de subir até a faixa necessária, +/-, e a saída será normalizada... É assim.
O problema é que diferentes entradas podem ter diferentes escalas. A grade, como qualquer outro algoritmo, não gosta que a escala variável seja muito diferente (por exemplo, metade das entradas tem variação [-0,0001;0,0001], e a outra metade tem variação [-1000;1000]). A convergência do treinamento pode ser afetada por isso. Portanto, é desejável, se não para normalizar, pelo menos para estabelecer entradas em escalas comparáveis, idealmente da mesma ordem: grosso modo, NS simplesmente aprenderá mais rápido.
 

Qual mercado você está discutindo aqui: estacionário ou não estacionário?

 
faa1947:

Qual mercado você está discutindo aqui: estacionário ou não estacionário?


E por que você está a gasear? Você está procurando alguém a quem culpar por seu analfabetismo? DDD

A sério, qual é o senão?)