Поиск произвольного паттерна с помощью нейросети - страница 4
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
Только классификация. Сеть научается различать ситуации (образы), но что в каком случае делать она не может знать или как назвать какой образ.
Что то Вы совсем запутались да и народ в водите в заблуждение. Классификация может быть как с учителем так и без учителя. Если мы обучаем сеть с учителем, то как правило выходная переменная состоит из 0 и 1 и в данном случае именно выходная переменная и является призывом к действию. (0 продать 1 купить) при этом сеть будет стараться разбить входные вектора на эти два класса. Вернее причислить каждый предъявляемый вектор к тому или иному классу. Такс.... этот вектор к единичке, а вот этот пожалуй уже к нулю.
Обучение без учителя подразумевает начальную установку параметра "Количество классов". Скажем есть выборка из 1000 записей, а разбейка мне их на два класса один класс будет 0 другой естественно 1-ца. Просто раскидай их на две кучки в зависимости от расстояния данных. Ведь если представить входной вектор как координаты точки в многомерном пространстве, то по сути расстояние между точками и будет определяющим при группировке двух облаков по 500 точек. Не пытайтесь представить многомерное пространство. Представьте трёх мерное. Обыкновенное. В итоге имеем облако точек которое нам нужно разбить.
В первом случае мы принудительно разбиваем их таким образом что бы отклик сети был как можно ближе к целевой функции, стараясь максимально приблизится к ней при этом максимально мешая проводить оптимизацию. То есть любое облако точек можно разбить как угодно просто изменением их цвета. Те что привели к прибыли при продаже 0 те что при покупке 1, другое дело если провести между ними гиперплоскость при этом нули оставить справа от этой плоскости, а единички слева.И это оказалось не проблемой на самом деле.В процессе оптимизации происходит построения миллиона плоскостей с сохранением лучшего варианта. Как пример.
Во втором случае, когда обучение происходит без учителя мы как раз таки тупо красим эти точки на красные и синие исключительно по близости их друг от друга в многомерном пространстве. Так же в этом методе доступна опция когда мы не указываем на какое количество классов нужно разбить выборку, сеть сама определяет сколько классов в выборке есть и важным результатом оптимизации будет как раз таки количество классов. Прикиньте только сейчас допетрил какую штуку. Выкладываю с ходу. Предположим что оптимизатор разбил наши 1000 векторов на 5 классов. Что с ними делать? Ху из ХУ??? А теперь Та даааааааа.... ну тут типа звучат фанфары просто их не слышно :-)
Получив 5 классов нам нужно их до классифицировать в ручную какое облако к чему относится. Как это сделать. Нужно каждое облако прогнать сначала по одному классу, потом по другому и там где меньше ошибок к тому и принадлежит проверяемое облако. А если учесть что в бинарной классификации четыре класса, то я очень преспокойненько результат оптимизации интерпретирую в инструкцию к действию и буду таким.
Разница между двумя подходами лишь в одном в одном методе инструкция к действию подготавливается до оптимизации в другом после. Ну а уж кто в каком постарайтесь разобраться сами. Так.... навеяло что то....
Что то Вы совсем запутались да и народ в водите в заблуждение. Классификация может быть как с учителем так и без учителя...
Дааа... Во-первых слово "вводите" пишется слитно. 2 - если все коровы рогатые, и у лося тоже есть рога, он от этого коровой не становится.
Слово "вручную" - тоже пишется слитно. И вот как раз это "вручную" аналогично тому, что с "учителем". Тоже самое, только вид с другого бока. А без учителя только классификация.
Представление классификации в виде скопления точек в пространстве и их близости - это вообще здесь не в тему, здесь фактические значения цены не интересуют. Здесь совсем другим способом классификация делается.
*
Вообще разговор был о том, что нейросети не умеют думать самостоятельно, они вообще думать не умеют. Чтобы нейросети приносили пользу, их учить надо. А что бы учить, нужны пары вход-выход (условия-результат).
И вообще, термины "с учителем" и "без учителя" - устаревшие. Можно обучение с учителем автоматизировать. А обучение "без учителя" - это только интригующая фразочка, для легковерных впечатлительных натур.
...
Разница между двумя подходами лишь в одном в одном методе инструкция к действию подготавливается до оптимизации в другом после. Ну а уж кто в каком постарайтесь разобраться сами. Так.... навеяло что то....
Ну и вот.
Вот именно. Сначала надо подготовить для нее 100500 примеров различных "голова-плечи" и на этих примерах ее учить.
А вообще, ценовые паттерны вполне себе математикой описываются, НС для этого не нужна. А вот попытка найти признаки ложного паттерна как раз и есть задача для НС.
Спорно, однако. Если в паттерне 3-4 бара, то вполне, но если их десятки? Какая тут математика поможет?
Непонятно, как нейросеть перемещает "фокус взгляда" на паттерн. Например, паттерн "волны Эллиота" состоит из пяти волн, где каждая волна - самостоятельный паттерн. В одной большой фигуре можно увидеть многообразие малых форм.
Возможно, если натаскать нейросеть на все разнообразие паттернов, она сможет раскладывать один паттерн на множество форм, а множество форм собирать в общий паттерн? Или это за гранью тех.возможностей?
Спорно, однако. Если в паттерне 3-4 бара, то вполне, но если их десятки? Какая тут математика поможет?
Значит, алгоритм распознавания паттерна должен быть инвариантным к количеству баров. Легко решается.
Вопрос для знатоков: можно ли научить нейросеть масштабировать "взгляд", переходя между формами, обобщая их в большие и разделяя на малые, последовательно идентифицировать, как это делает человек?
Вам лично понятно, как это делает человек?
Значит, алгоритм распознавания паттерна должен быть инвариантным к количеству баров. Легко решается.
Речь о математическом способе, а не алгоритме, которым якобы можно определить сложные паттерны из любого кол-ва баров. Я сам пробывал, но паттерны более чем из 4 баров определять математически не получалось.
Что значит "математически"? Сравнивать значения параметров OCHL баров внутри комплекса условий и перечислять варианты их соотношений: if(Оpen[1] > Close[2] && ...)pattern = HEAD_N_SHOWLDERS;
Вам лично понятно, как это делает человек?
Речь о математическом способе, а не алгоритме, которым якобы можно определить сложные паттерны из любого кол-ва баров. Я сам пробывал, но паттерны более чем из 4 баров определять математически не получалось.
Что значит "математически"? Сравнивать значения параметров OCHL баров внутри комплекса условий и перечислять варианты их соотношений: if(Оpen[1] > Close[2] && ...)pattern = HEAD_N_SHOWLDERS;