Redes Neurais - página 20

 

Depois de "mastigar" (superficialmente, porém - ainda precisa de tempo), parece que nunca vamos usar ANN de forma eficaz. Nós (as batatas pequenas) não temos dinheiro suficiente para o hardware necessário para usar o ANN como deve ser usado.

 

Por minha própria....por que toda essa negatividade?

Isto não é tão complicado. Primeiro você tem que descobrir o que é que está tentando prever. A próxima questão é o ruído. Você precisa ter certeza de que seu modelo não é enganado pela aleatoriedade e pelo viés da mineração de dados. Existem ferramentas gratuitas que lhe permitirão desenvolver uma prova de conceito antes de gastar muito dinheiro em hardware.

Se você estiver prevendo tendências, por exemplo, você precisa ver se seu modelo tem uma vantagem sobre uma média simples. Se você estiver prevendo pontos de virada, primeiro procure ver se você pode realizar uma transformação de fourier. Se a vantagem é pequena, então você tem que se perguntar se o tempo de treinamento vale o esforço. Não importa se você usa uma rede neural ou uma das várias máquinas vetoriais de suporte, você ainda enfrenta todos os problemas de adaptação da curva ao passado para prever o futuro. Fora da amostra, estes sistemas tendem a falhar porque qualquer sucesso que você possa ter tido em seus testes ainda pode ter sido devido à aleatoriedade. Nenhuma quantia de dinheiro investida em hardware irá resolver esse problema.

Agora estas ferramentas podem ser úteis, mas você precisará ter suas expectativas sob controle. Se um modelo pode melhorar uma estratégia em alguns pontos percentuais, então com o tempo e um grande número de negócios, você sairá na frente.

cumprimentos,

Alex

 
hughesfleming:
Por minha própria....por que toda essa negatividade?

Isto não é tão complicado. Primeiro você tem que descobrir o que é que está tentando prever. A próxima questão é o ruído. Você precisa ter certeza de que seu modelo não é enganado pela aleatoriedade e pelo viés da mineração de dados. Existem ferramentas gratuitas que lhe permitirão desenvolver uma prova de conceito antes de gastar muito dinheiro em hardware.

Se você estiver prevendo tendências, por exemplo, você precisa ver se seu modelo tem uma vantagem sobre uma média simples. Se você estiver prevendo pontos de virada, primeiro procure ver se você pode realizar uma transformação de fourier. Se a vantagem é pequena, então você tem que se perguntar se o tempo de treinamento vale o esforço. Não importa se você usa uma rede neural ou uma das várias máquinas vetoriais de suporte, você ainda enfrenta todos os problemas de adaptação da curva ao passado para prever o futuro. Fora da amostra, estes sistemas tendem a falhar porque qualquer sucesso que você possa ter tido em seus testes ainda pode ter sido devido à aleatoriedade. Nenhuma quantia de dinheiro investida em hardware irá resolver esse problema.

Agora estas ferramentas podem ser úteis, mas você precisará ter suas expectativas sob controle. Se um modelo pode melhorar uma estratégia em alguns pontos percentuais, então com o tempo e um grande número de negócios, você sairá na frente.

cumprimentos,

Alex

Alex

Obrigado pela resposta

A razão pela qual eu disse o que disse foi que, a menos que não estejamos bem equipados com hardware, o cálculo da ANN será sempre "incompleto". E então chega ao que já estamos fazendo: estimar usando nosso próprio NN

 

Ok...entendi. Se você tiver vontade de experimentar, eu fiz uma maneira de usar o Rapidminer com metatrader aqui, caso você não tenha visto a linha. https://www.mql5.com/en/forum/181252

 
hughesfleming:
Ok...entendi. Se você tiver vontade de experimentar, eu fiz uma maneira de usar o Rapidminer com metatrader aqui para o caso de você não ter visto o fio. https://www.mql5.com/en/forum/181252

Alex

Obrigado por toda a sua ajuda

 

Tenho vários testes de amostra promissores como o que anexei. Encontrar algos lucrativos com IA é tudo sobre suas entradas e isso é uma arte que não é ciência... Quando eu estava procurando algos diferentes para comercialização ao vivo, eu vim um cruzamento de Máquinas Boltzmann de Rede Neural Recorrente Restrita em python Modelagem e geração de sequências de música polifônica com o RNN-RBM - DeepLearning 0. 1 documentação e as Máquinas Boltzmann Restringidas Bernoulli apresentam características de extrator e classificador LogisticRegression em python - Documentação Scikit-learn 0.15.2. Eles soam silenciosamente interessantes alguém tem alguma experiência com qualquer um destes dois algoritmos para negociação ao vivo ?

 

Neuro tendência clonada (indicadores + modelo)

neurotrendnncloned.rar

Arquivos anexados:
 

Link útil : Tutorial Rede Neural

 

Redes Neurais Artificiais : artificial_neural_networks.pdf

Nesta nota fornecemos uma visão geral dos conceitos-chave que levaram ao surgimento das Redes Neurais Artificiais como um paradigma importante para aplicações de Data Mining. As redes neurais passaram por dois grandes períodos de desenvolvimento - o início da década de 60 e meados dos anos 80. Elas foram um desenvolvimento chave no campo da aprendizagem de máquinas. As Redes Neurais Artificiais foram inspiradas por descobertas biológicas relacionadas ao comportamento do cérebro como uma rede de unidades chamadas neurônios. Estima-se que o cérebro humano tenha cerca de 10 bilhões de neurônios conectados, em média, a outros 10.000 neurônios. Cada neurônio recebe sinais através de sinapses que controlam os efeitos do sinal sobre o neurônio. Acredita-se que essas conexões sinápticas desempenhem um papel fundamental no comportamento do cérebro. O elemento fundamental de uma Rede Neural Artificial é o modelo matemático de um neurônio
Arquivos anexados:
 

previsão_da_aptidão_mas_sem_lucro_de_avaliação_empírica_de_algoritmo_genético_optimizado_tr.pdf

Este documento avalia o desempenho de várias regras técnicas comerciais populares aplicadas ao mercado de ações australiano. Os valores ideais dos parâmetros das regras comerciais durante o período da amostra de 4/1/82 a 31/12/89 são encontrados usando um algoritmo genético. Essas regras ótimas são então avaliadas em termos de sua capacidade de previsão e rentabilidade econômica durante o período fora da amostra, de 2/1/90 a 31/12/97. Os resultados indicam que as regras ótimas superam o desempenho da referência dada por uma estratégia de compra e manutenção ajustada ao risco. As regras exibem algumas evidências de capacidade de previsão e lucratividade durante todo o período de teste. Mas um exame dos resultados para os sub-períodos indica que o excesso de retorno diminui com o tempo e é negativo durante os últimos dois anos. Além disso, uma vez feito um ajuste para o viés comercial não-síncrono, as regras exibem muito pouca, ou nenhuma, evidência de rentabilidade.