Нейро сети - страница 2
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
Спасибо большое жаль комментов мало но попробую разобратся....
тут www.nnea.net/downloads есть хорошая подборка pdf с исследованиями по предсказанию фин. рынков с помощью НС. нужна регистрация. посмотрите так же раздел research.
Трейдеру не особо и нужно разбираться во внутреннем устройстве НС. Для него она выступает черным ящиком со входами и выходами. Готовых сетей уже много есть в свободном доступе, в том числе и на этом сайте - достаточно ввести в поисковой строке "нейронные сети". Одна из последних публикаций, например - Предсказатель на основе самообучающейся нейронной сети. Главная проблема в использовании НС - это выбор того, какие именно данные подавать на вход и чему обучать, как эти данные готовить, какая структура и размер сети и т.д. Например, берем уже упомянутую сеть, пытаемся её обучать так, как это делал Ежов и Шумский (см. Нейрокомпьютинг и его применение в экономике и бизнесе, рекомендую)... И получаем слив. Причин может быть море. Вот тут уже начинается работа трейдера, чтобы проинтуитить, что могло измениться с тех пор (или чего недоговаривают авторы ;-) ) и что менять в настройках и входных данных.
Ну я как бы и трейдер но в большей части программист... и для себя хотелось написать нейро сетку и заодно доказать себе что могу....
тут www.nnea.net/downloads есть хорошая подборка pdf с исследованиями по предсказанию фин. рынков с помощью НС. нужна регистрация. посмотрите так же раздел research.
О спасибо мателиал лишним не бывает..
1. На сколько я понял каждый нейрон сети это одна и та же функция.. но мне не понятно как одна и та же функция при поступлении одних и тех же данных может выдавать разные значения...
Эти входные данные будут умножаться на разные веса. Поэтому значения функций будут разными. После тщательного изучения нейронных сетей и использования разных алгортимов обучения, начиная от градиентного спуска и кончая генетикой, я пришёл к выводу что математический аппарат нейронных сетей неидеален. Нейронная сеть предназначена для аппроксимации нелинейной функции. Согласно теореме Колмогорова, сеть способна реализовать любую непрерывную функцию. На практике, параллельность сети ведёт к множеству локальных минимумов и реализаций моделируемой функции. Возьмём для примера сеть изображённую внизу. Сеть имеет один вход, один выход и один скрытый слой, в котором два нейрона. Каждый скрытый нейрон умножает вход x на свой вес (w1 или w2), пропускает результат через функцию активации (допустим tanh), полученные значения суммируются на выходе сети. Для простоты, предположим что входы смещения равны нулю. Веса выходного нейрона одинаковы и равны 1.
Теперь давайте создадим задачу аппроксимации функции. Допустим что наша функция это t = cos(x) (t означает target). Сеть вычислит свое значение по формуле
y = tanh(w1*x) + tanh(w2*x)
Тренировка (или обучение) сети заключается в нахождении весов w1 и w2, при которых выход сети y наиболее близок к значению нашей функции t. Это достигается путём минимизации суммы квадратов ошибки
E(w1,w2) = sum((t[k]-y[k])^2,k=0..p-1)
где суммирование ведётся по разным тренировочным данным: x[k],t[k]. Давайте посмотрим как выглядет поверхность нашей минимизируемой целевой функции E(w1,w2) при отсутствии шума в измерениях t[k] = cos(x[k]):
Из этого графика видно что существует бесконечное множество решений (w1,w2) минимизирующих нашу целевуею функцию Е (обратите внимание на плоские долины). Понять это не сложно: сеть симметрична по отношению к w1 и w2. Результаты обучения сети будут разными при разном выборе начальных значений w1 и w2. Так как эти начальные значения всегда выбираются случайными, то последовательное обучение сети на одних и тех же тренировочных данных x[k],t[k] будет приводить к разным значениям оптимизированных весов w1 и w2. Глобального минимума по существу здесь нет. Или иначе говоря, бесконечное множество локальных минимумов являются также глобальными минимумами.
Теперь давайте усложним нашу задачу путём добавления шума к нашему ряду: t[k] = cos(x[k]) + rnd. Этот шумный ряд более близок по своим статистическим свойствам к ряду цен, чем идеальный косинус:
Теперь поверхность нашей минимизируемой функции E(w1,w2) выглядет так:
Заметьте множество пиков как на вершинах, так и в долинах. Давайте бриблизимся к одной из долин:
Здесь более чётко видно множество локальных минимумов. Теперь представьте себе оптимизацию E(w1,w2) путём градиентного спуска. В зависимости от начальных значений w1 и w2, этот спуск приведёт к разному минимуму. Причём этот локальный минимум может оказаться как на вершине так и в долине. Генетическая оптимизация здесь только поможет свалиться с вершины в одну из долин, а там застрянет на одном из локальных минимуов. Ситуация намного усложняется если кроме w1 и w2 также оптимизировать веса выходного нейрона, которые были приравнены единице в предыдущем рассмотрении. В этом случае у нас 4-х размерное пространство с огромным количеством локальных минимумов с координатами (w1,w2,w3,w4).
Всем этим упрощённым описанием поведения нейронной сети я хотел доказать что параллельность сети (или симметричность её выхода по отношению к весам нейронов одного и того же слоя) ведёт к сложностям её обучения (оптимизации этих весов) из-за присутствия бесконечного множества локальных минимумов особенно для хаотичных рядов типа ряда цен.
Прикрепляю MathCAD файл, в котором производились вышеуказанные вычисления.
Вопрос один - а как это влияет на профит?
Вопрос один - а как это влияет на профит?
У вас есть сеть приносящяя стабильный профит?
Вопрос один - а как это влияет на профит?
На профит это влияет абсолютно. Нет гарантии нахождения нужного, достаточно глубокого локального минимума, который был бы адекватным для реализации профитности ТС на основе нейросети.
Каким МатКадом вы пользуетесь, у меня чёт в Mathcad 13 ваши выкладки не открываются.
Смысл минимизации/максимизации целевой функции E(w1,w2) - поиск глобального экстремума. А если этих глобальных экстремумов - мульён, то какая нам разница, в какой из них свалится NN?!
Хуже, ели она застревает в одном из локальных минимумов/максимумов. Но это уже не проблема NN. Это проблема алгоритма оптимизации.
Вопрос один - а как это влияет на профит?
Описанное gpwr - никак.
Каким МатКадом вы пользуетесь, у меня чёт в Mathcad 13 ваши выкладки не открываются.
Mathcad 14. Прилагаю тот же файл в 11-й версии