O que alimentar a entrada da rede neural? Suas ideias... - página 48
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
Um backtest normal geralmente coincide com a realidade. Caso contrário, que se danem esses backtests).
Tenho a seguinte classificação (em ordem decrescente de importância):
1. aumento da série original
2. série original
3. normalização da série inicial em uma janela sc.
4. indicadores (incluindo retornos)
O valor do erro significa alguma coisa para você? Isso é uma pena. Ele já é suficiente para uma avaliação.
Tenho esta categorização (em ordem decrescente de importância):
1. aumento da série original
2. série original
3. normalização da série inicial na janela sc.
4. indicadores (incluindo retornos)
Ok, haverá um backtest para você, não necessariamente desse NS específico, talvez de outro.
x - número de negócios, Y - lucro acumulado em pontos do instrumento.
Não tenho a menor ideia. Nem sequer me lembro qual é o instrumento :)
)))
Não há nada para falar).
Inicialmente, o mais desejável é alimentar a série original. Mas isso nem sempre funciona devido ao fato de os preços saírem da faixa de treinamento em novos dados.
Discutir técnicas de aumento/diferenciação com a menor perda de informações para o segundo caso seria uma discussão útil.
Está faltando alguma coisa, algum tipo de conhecimento intermediário. Aqui estou escolhendo essas normalizações.
Adiciono coeficientes para fazer com que a função de ativação tenha alguma forma sofisticada (criar novas regras), embora os pesos façam isso, mas ainda assim - as regras de saída (que número sai) assumem as formas mais sofisticadas, com certeza, mas uma coisa se torna invariável - lembrar o histórico. É logicamente bom, mas para novos dados é ruim. Eles são diferentes, por que precisamos de memória?
É como ir para a universidade: "Esqueça tudo o que lhe foi ensinado na escola". O que quero dizer é o seguinte: com ou sem normalizações (dados simples), em todos os lugares NS se depara com o fato de que todos os padrões são 50/50. A única coisa é: em dados simples, o NS é mais estável no forward.... SOMENTE NO PLANO! E quem promete isso para amanhã ou depois de amanhã? Também não, porque, nesse caso, o NS calcula a média dos pesos para se ajustar ao flat mais longo da história do treinamento.
E, se os novos dados ultrapassarem esse flat, o NS abre a operação oposta e fica parado até a morte. Nenhum filtro no tipo de bandeira buy/-a_now_sell/-a_now_buy não funciona. O NS simplesmente desliga após receber o SL definido. E isso é metade do problema: a flutuação não garante estabilidade total, o NS também pode flutuar.
A totalidade dessas consequências torna difícil chamar tudo isso de um método funcional de obtenção de lucro. A própria ideia do NS é.... bem, ele não cria novas informações. Ela... as rotula novamente. Há números 0,2, 0,3, 0,4 - ele os rotula como 0,3456. Em outro conjunto de números de entrada, ele os rotula como 0,5367.
E assim por diante. Mas esse conjunto, cada conjunto de números, são padrões. O NS basicamente pega o padrão "a" e o chama de padrão "b".
Renomeia-o. E, voltando ao início da postagem, o que está faltando é o conhecimento do aprendizado. O que é aprendizado. O que é isso em geral? Quando você abre a definição, há um espirro de abstração.
Ou seja, algo ligado a uma tarefa aplicada, o ChatGPT também está memorizando livros didáticos e não entende o que eu quero dele. Você pega dois números, multiplica-os por dois outros números cada - isso é aprendizado? Não. É um ajuste, uma adaptação, uma otimização.
Seu resultado é a "marcação" do conjunto de entrada. Treinamento é quando o padrão A nos dá um sinal de COMPRA agora e um sinal de VENDA amanhã. Como exatamente? Qual é o truque? É disso que se trata o aprendizado. Contexto de aprendizado.
Adaptação. Mas já houve adaptações. E elas não funcionaram. Podemos supor que algo estava faltando.
E mudar o período da média móvel é uma adaptação estranha, mesmo que faça sentido. Como traduzir o aprendizado em números?
Essa é a questão: sem nenhum pré-processamento dos dados. Como o sistema sabe o que pré-processar? A própria ideia de pré-processamento de dados, "limpeza do ruído", já parece a criação de PADRÕES DE TRABALHO! - É isso aí. Pegue-o e negocie-o. Mas isso não existe.
Mas isso não existe. O ruído do mercado é chamado de ruído do mercado porque é ruído do mercado. De onde vem isso? De um livro didático de física? Da matemática? Porque os gráficos inteligentes de amplitudes e descontinuidades mostraram algo?
Todos vocês são bons, seus artigos são profissionais e acadêmicos, mas eles são aplicados ao Forex de forma vaga, se não completamente vaga. Chamamos livremente a tendência de tendência, plano - plano, ruído - ruído, treinamento - treinamento, mas nada vem do nada.
Nós nos comunicamos em idiomas diferentes, como se precisássemos de um trabalho radicalmente diferente, de uma abordagem radicalmente diferente (trabalhar com números). Bem, e de acordo com isso - a interpretação mais rigorosa, sem nenhum "sistema pensa", "caixa preta", "NS decidiu", "o treinamento está incorreto", "nenhuma informação, algo não caiu lá, então não vale a pena".
Está faltando algo, algum tipo de conhecimento intermediário.
A palavra "estacionariedade" já foi ouvida aqui antes, mas não no contexto que eu gostaria.
Estou pensando de forma simples, depois de também ter passado por toda essa ingrata confusão:
Existem estados de mercado, eles podem ser obtidos, por exemplo, por meio de agrupamento.
Se combinarmos as cotações (retornos) de cada cluster individual em uma linha e removermos as cotações de outros clusters, então, em alguns casos, obteremos quase uma série estacionária. Você já pode trabalhar com isso.
Além disso, não importa o que inserir no modelo (de preferência, preços brutos, para que não haja perda de informações).
Os algoritmos de MO funcionam bem, você não precisa se aprofundar neles. Você precisa procurar por séries/leis estacionárias. Somente com base nelas, o MOShka prevê o futuro de forma estável.
Se houver outras ideias sobre como obter uma série estacionária ou uma regularidade estacionária, essa é sempre a maneira correta de pensar.