Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Да уж.
Как человек только немного занимающийся неросетями ( всего 12 лет) могу сказать человеку который давно занимается неросетями, что применение нейро сетей в любой задаче неотделимо от их проектирования (программирования). Основное это два постулата : исходные данные (это отдельная песня), а самое важное - алгоритм обучения. Сети могут все - главное правильно их обучить.
Никогда бы не подумал, что какой-либо человек будет сомневаться в том, что нужно использовать многослойные сетки для улучшения характеристик классификации. =)
Рекомендую почитать что пишет об этом Ян ЛеКун - http://yann.lecun.com/exdb/mnist/index.html. Правда, там предметная область немного другая - распознавание символов. В общем, так или иначе, однослойные сетки показали наихудшие результаты - 8.4%. Однако! Одна из многослойных (двуслойная, с 300 нейронами скрытого слоя) показала очень даже неплохой результат - 1.6% ошибки. Т.е. при добавлении даже одного слоя сетка становится намного "мощнее".
Именно, что это совсем другая предметная область, а потому и другой подход. Очертания символов в стандартных шрифтах неизменны, а посему есть смысл единожды обучить сеть на одном примере, например на парочке страниц, чтобы нейронка с высокой точностью распознала символы в остальных страницах книги.
Что касаемо финансовых рынков, то это другая область, где все постоянно меняется и находится в непрерывной динамике. А посему сложные многослойки здесь обламывают зубы. Утрированная аналогия в области распознавания символов, что если бы на одной странице книги символ "А" следовало бы интерпретировать как "А", а на другой, тот же самый "А" интерпретируется уже как "Б".
По этой причине один и тот же паттерн распознанный на разных участках исторических данных финансовых инструментов может интерпретироваться в торговые сигналы совершенно по разному, т.е. на одних участках его идентификация более адекватна для открытия длинных позиций и закрытия коротких, в тоже самое время, как на других участках все наоборот: открытие коротких и закрытие длинных.
В работе, ссылку на которую я приводил выше, использовалась база MNIST. В этой базе находятся рукописные, а не рукопечатные или печатные изображения символов.
Я, конечно, понимаю, что в финансовых рынках всё находится в постоянной динамике, но конфликтные паттерны (на входе одно и то же, а на выходе - два разных класса) можно ликвидировать, увеличив кол-во информации, подаваемое на вход сетки или (как уже было предложено кем-то выше) можно вообще исключить такие паттерны из обучающей выборки. Безусловно, в варианте, который был предложен вами, в статье про использованием однослойного перцептрона, было много конфликтных паттернов. Ибо, было всего 4 входа.
Я хочу сказать, что однослойные перцептроны не способны решать задачу XOR (см. книжку Минского) и это делает их ущербными.
Добиться результата по обучению проще, чем обеспечить правильное
решение задачи. Если учесть то колебание цен, это псевдостохастический
временной ряд, то как раз остро встает вопрос применения и интерпретации
...
С интерпретации выхода (выходов) сети начинается работа. То есть идет постановка задачи. Так что полностью с Вами согласен.
Хотелось бы поднять вопрос о том что именно используется вами для создания обучающей выборки. Это ведь самое главное.
Обучающая выботка создается обычными индикаторами
А вот какими, это самое интимное, как и подготовка данных
Почему? Ведь алгоритм никто не просит. Просто поделиться мыслями.
Тогда интересно очём здесь вообще речь идёт, если о самом важном никто говорить не хочет.
В данном случае - это как гонка вооружения, ни кто ни кому не верит :)
Первоначальным набором обучающих данных может служить и {H,L,O,C} ... Важно другие, какая модель, идея, положена в основу сети и системы в целом.
Если идея правильная, правильно сформулирована цель, правильно выбрана ф-ция оценки ошибки, то результат - это определенное попадание сети в локальный
минимум после N эпох обучения. Дальнейшее искуство заключается в том, чтобы с минимальными потерями вывести сеть из тупика и продолжить обучение.
А тут все средства хороши, предобработка данных, замена архитекторы, алгоритмов обучения - главное, это в целом достижение модели которую вы разрабатываете.
А в том, что куда подавать, рекомендую самому повторить реализацию идею одной из сетей Решетова, здесь на форуме их представлено несколько, после чего оценить
модель, результат - ну все в ваших руках.