Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 398
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
Посмотрел файл, там 8 коэффициентов вводятся это 23 т.е. там нейрон для работы с 3-мя входами. Полагаю, что сутками ваша прога считает, какие 3 входа из 100 подать на этот нейрон. Я то думал там нейрон расширен хотя бы до 10 входов...
да, там жесткий отбор, остается только несколько :)
А я же ссыль скидывал на его сайт, там описание модели. Я не знаю как охарактеризовать даже, написано ядерная машина + Векторная машина. Там все сложнее чем в мт5 версии + обучение с оппонентом а не подбор весов в оптимизаторе, но на выходе все те же веса для каждого из предикторов.
Насколько мне известно используется метод опорных векторов, когда в многомерном пространстве строится такая гиперплоскость, которая максимально удоленна от всех точек обучающего множества, тем самым деля пространство на две категории "да" и "нет". Плюя ядерные преобразования. Так что то что оптимизатор считает ОЧЕНЬ долго, это вам не нейрон обучить, это система ИИ, которая помимо обучения делает ещё кучу всякого рода преобразований и переборов с данными. Поэтому так долго. Что немного разочаровывает. Но опять же, как можно получить модель адекватную рынку за 5 секунд???? Я не знаю :-(
Насколько мне известно используется метод опорных векторов, когда в многомерном пространстве строится такая гиперплоскость, которая максимально удоленна от всех точек обучающего множества, тем самым деля пространство на две категории "да" и "нет". Плюя ядерные преобразования. Так что то что оптимизатор считает ОЧЕНЬ долго, это вам не нейрон обучить, это система ИИ, которая помимо обучения делает ещё кучу всякого рода преобразований и переборов с данными. Поэтому так долго. Что немного разочаровывает. Но опять же, как можно получить модель адекватную рынку за 5 секунд???? Я не знаю :-(
Ну как минимум, как написали уже выше - не стоит пихать в него куеву хучу предикторов, он все равно все их отсеет :)
Посмотрел файл, там 8 коэффициентов вводятся это 23 т.е. там нейрон для работы с 3-мя входами. Полагаю, что сутками ваша прога считает, какие 3 входа из 100 подать на этот нейрон. Я то думал там нейрон расширен хотя бы до 10 входов...
getBinaryClassificator1(x0, x1, x2, x3, x4, x5, x6, x7);
Не что то вы не правильно поняли, там 2 сетки на каждую подаётся по 8 входов, потом результат работы обоих сеток интерпретируется как описывал уже ранее. Если обе говоря да, то да, если нет, то нет, если в разнобой, то не знаю... Как то так.....
Жесть... Разве можно что-то спрогнозировать из 3-х входов?
По моему не туда время тратите, вот если бы RNN расширить до 10 или до 100 входов, тогда можно на его обучение потратить сутки. А сейчас вы тратите время на отсев входов. А не на обучение.
Не что то вы не правильно поняли, там 2 сетки на каждую подаётся по 8 входов, потом результат работы обоих сеток интерпретируется как описывал уже ранее. Если обе говоря да, то да, если нет, то нет, если в разнобой, то не знаю... Как то так.....
8 - это коэффициенты связей между входами и выходами, а входов там 3 (8 = 23)
Точнее коэффициенты для правил:
r0 = (1 – A) * (1 – B) * (1 – C) * p0
А входа всего 3 - A,B и Сr1 = (1 – A) * (1 – B) * C * p1
r2 = (1 – A) * B * (1 – C) * p2
r3 = (1 – A) * B * C * p3
r4 = A * (1 – B) * (1 – C) * p4
r5 = A * (1 – B) * C * p5
r6 = A * B * (1 – C) * p6
r7 = A * B * C * p7
Жесть... Разве можно что-то спрогнозировать из 3-х входов?
По моему не туда время тратите, вот если бы RNN расширить до 10 или до 100 входов, тогда можно на его обучение потратить сутки. А сейчас вы тратите время на отсев входов. А не на обучение.
потому в последней версии там используется комитет из 2-х нс, потом результаты сравниваются
потому в последней версии там используется комитет из 2-х нс, потом результаты сравниваются
я бы расширил нейрон до 10 входов...
Но надо дописать правила до 1024:
r0 = (1 – A) * (1 – B) * (1 – C) * p0
r1 = (1 – A) * (1 – B) * C * p1
r2 = (1 – A) * B * (1 – C) * p2
r3 = (1 – A) * B * C * p3
r4 = A * (1 – B) * (1 – C) * p4
r5 = A * (1 – B) * C * p5
r6 = A * B * (1 – C) * p6
r7 = A * B * C * p7
.....
r1023 =
Ну как минимум, как написали уже выше - не стоит пихать в него куеву хучу предикторов, он все равно все их отсеет :)
Вот тут готов поспорить. Это из практики. То что я наблюдаю на протяжении использования оптимизатора.
Если столбцов меньше чем строк, то количество входов становится меньше чем условный размер полинома сети.
Если количестов столбцов и строк равно, то количество входов и размер полинома примерно одинаков.
Если столбцов больше чем строк то размер полинома меньше количества входов.
Другими словами необходимо чтобы количество столбцов и строк было примерно одинаковым. Тогда полином получается с достаточным количеством входов, а также размер его примерно одинаком количеству входов.
Другими и другими словами. Чем больше файл, тем многопараметрической становится модель. Увеличивается количество входов и размер полинома, что говорит о том что модель становится умнее. Как то так.
И ещё при неоднократном прогоне одного и тогоже файла, набор входных параметров всегда разный. Это связанно со случайным разбиением выборке при делении. Но если мы запустим один и тот же файл и получим абсалютно разные модели, то работать они всё равно будут примерно одинаково, во всяком случае должны. Это и есть ответ на вопрос, какая рыба забита в данном фале. Если данные разняться прогон от прогона, это говрит о том что данные не имеют никакого отношения к выходу. Как то так....
8 - это коэффициенты связей между входами и выходами, а входов там 3 (8 = 23)
Точнее коэффициенты для правил:
r0 = (1 – A) * (1 – B) * (1 – C) * p0
А входа всего 3 - A,B и Сr1 = (1 – A) * (1 – B) * C * p1
r2 = (1 – A) * B * (1 – C) * p2
r3 = (1 – A) * B * C * p3
r4 = A * (1 – B) * (1 – C) * p4
r5 = A * (1 – B) * C * p5
r6 = A * B * (1 – C) * p6
r7 = A * B * C * p7
Да какие коэфицента связи, что вы говорите. Вот перечень используемых входов, а то что вы видети там перед каждым полиномом идёт нормализация, а входов там 8 вот они описаны, посмотрите ниже в самом низу фала.
//Variable x0: Del
//Variable x1: Del1
//Variable x2: VDel
//Variable x3: VDel1
//Variable x4: VDel6
//Variable x5: ST5
//Variable x6: VAD11
//Variable x7: VVolum4
Где тут три входа????? Когда их восемь.
Тот пример что вы привели он из другой работы Решетова и к оптимизатору никакого отношения не имеет.