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
На входе A,B,C,D,E,F,g,h,I, целевая - M
Функция активации скрытого слоя tanh
По три точки из каждого ряда данных, Вы дали три ряда, итого 3*3=9 входных нейронов.
Обучал на всех данных, которые были Вами даны. А дано было 6502 обучающих примера.
Хорошо, чуть позже (часа через 2-3), попробую обоснованно показать, каким образом профит (или что то другое, не важно, что мы хотим получить от сети) зависит от фитнес функции. А гарантию того, что мы получим профит в будующем, конечно, никто дать никогда не сможет. А вот к чему стремится должна сетка, пожалуй, мы должны определять для неё однозначно.
Задача:
Скажем, у нас есть три сетки/ТС. Каждая проходит испытания на 10-обучающих наборах данных. В таблице показаны абстрактные целевые значения (оптимизируемые). Нас,будет интересовать сеть/ТС, которая как можно чаще выдает наименьшие значения целевой функции. Какой именно алгоритм оптимизации (АО) мы будем использовать значения не имеет.
Пример1
У всех ТС сумма ошибок одинакова. Видим, что что если использовать среднеквадратичную ошибку, то АО выберет ТС №3, так как у неё наименьший этот показатель.
Если использовать среднекореную ошибку, то АО выберет уже ТС №2, так же и если использовать медиану.
Пример2
Сдесь ситуация интересней.
С одной стороны, у ТС№1 показатели не плохие, но картину портит ошибка 200. У ТС№3 стабильные результаты, хотя и не самые хорошие.
И снова видим, что что если использовать среднеквадратичную ошибку, то АО выберет ТС №3, так как у неё наименьший этот показатель.
А если использовать среднекореную ошибку, то АО выберет уже ТС №2, но по медиане выбор остановится на ТС №1.
Выводы.
Если целью обучения сети является получение кривой, по форме наиболее похожей на целевую, то нужно использовать среднеквадратичную ошибку (Задачи аппроксимации)
Если целью обучения сети является как можно чаще выдавать наименьшие/наибольшие значения целевой функции, то нужно использовать среднекореную ошибку (Задачи классификации/кластеризации)
Посмотрел, теперь понял почему у Вас 6-ой знак. Вы брали данные из будущего) целых 2 точки, которых в реале не существует) Фактически ваша сеть делала прогноз столбца М1 зная столбы А2 и А3))) Отсюда и рост точности. Хотя заметьте, дали данные из будушего (такая некислая подсказка прямо скажем), а точность выросла с 2-005 до 7-006)))) Забавно.
В каком порядке Вы дали мне данные, в таком и проводилось обучение. Можете подставить данные в обратном порядке - получится должно тоже самое. Это задача аппроксимации, и в каком направлении обучатся нет разницы.
В догонку. Не рекомендую вообще использовать тангенсы в статистике. Эти ребята творят чудеса. Они мне как то раз спрогнозировали цену на 25 баров вперед с апупительной точностью. Я сначала долго искал ошибку, а потом понял, что эти умельцы, тупо подогнали результат, но было чень красиво)))) Я использую только identity он наиболее точно описывают те кзадачи, которые я ставлю и не страдают подгонкой на истории.
Сохраните код в C++, посмотрите, там нет никаких чудес.
PS Я не использую Statistica в торговле.
Посмотрел вложенный файл.
Значения из него непосредственно подаются на вход НС, или всетаки нормируются?
На форуме fxexpert.ru в теме" Нейросетевые принципы создания МТС" я так понял,в конечном итоге пришли к выводу,
что необходимо обязательно значения нормировать, и брать не непосредственные значения индикаторов или котировок, а их изменение.
Посмотрел вложенный файл.
Значения из него непосредственно подаются на вход НС, или всетаки нормируются?
На форуме fxexpert.ru в теме" Нейросетевые принципы создания МТС" я так понял,в конечном итоге пришли к выводу,
что необходимо обязательно значения нормировать, и брать не непосредственные значения индикаторов или котировок, а их изменение.
Об этом уже говорилось раньше в этой ветке. Топикстартер хотел именно так работать, как... как он работает.
Если целью обучения сети является получение кривой, по форме наиболее похожей на целевую, то нужно использовать среднеквадратичную ошибку (Задачи аппроксимации)
Если целью обучения сети является как можно чаще выдавать наименьшие/наибольшие значения целевой функции, то нужно использовать среднекореную ошибку (Задачи классификации/кластеризации)