Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 482
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Ve evet, burada bütün mesele normalleşmede. Verileri farklı zaman aralıklarında farklı şekillerde atlayacak ve normalleştirecektir.
Evet, anlamaya çalışacağım
Hayır, ekranı zaten verdim, artımlar sıfırın her iki tarafında durağan ve simetrik, yani olasılıklar + - aynı olacak
Samimi olarak.
belki öyle olur ama fiyatın davranışındaki simetriyi belirlemeye çalıştığımda bulamadım. sonuç olarak, farklı artışların farklı yönlerde farklı olasılıkları olacaktır.
Samimi olarak.
burada olasılık esasen 50\50'dir (sıfırın üstünde/altında) - sınıfa aittir veya ait değildir ve diğer tüm değerler sinyalin gücüdür. Dolayısıyla alım satım için artımlar simetrik olmasa bile, NN bunu kendi kendine öğrenmeli :)
burada olasılık esasen 0 ve 1'dir - sınıfa aittir veya ait değildir ve diğer tüm değerler sinyal gücüdür. Dolayısıyla alım satım için artımlar simetrik olmasa bile, NN bunu kendi kendine öğrenmeli :)
bu durumda, bence, yukarıda da belirtildiği gibi, 3. bir duruma, sinyalin alım veya satıma ait olmadığı belirli bir sınıra sahip olmak gerekir. insanların gürültü, düz ve benzeri adlarla adlandırdıkları.
Samimi olarak.
bu durumda, bence, yukarıda da belirtildiği gibi, 3. bir duruma, sinyalin alım veya satıma ait olmadığı belirli bir sınıra sahip olmak gerekir. insanların gürültü, düz ve benzeri adlarla adlandırdıkları.
Samimi olarak.
sonra aynı olasılıkla her iki sınıfa da atarız
sonra aynı olasılıkla her iki sınıfa da atarız
Samimi olarak.
Doğrusal bir sınıflandırıcı örneğinde. Bir sınıflandırıcıya bir şey öğrettiğimizi varsayalım, 2 çıkış için 0'dan 1'e fiyat artışları uyguluyoruz, burada 0,5 sinyal yok (çıktıların toplamı her zaman bire eşittir)
Bu cümlede bir yanlışlık var. Bir sınıflandırıcıyı eğitirseniz, öğretmen 0'dan 1'e artışlar değil, örneğin -1 ve 1 (fiyat düşüşü / fiyat artışı) gibi belirli değerler olacaktır. Model için bir eğitim tablosu ve öğretmen oluştururken, artışlar -1 ve 1'e yuvarlanmalıdır ve artışın büyüklüğü ile ilgili tüm bilgiler kaybolacaktır.
Daha sonra model öğrenecek ve bazı sınıflandırma modelleri tahmin ederken gerçekten de -1 ve 1'in katı değerleri yerine bir sınıfın olasılığını verebilir. büyüme, "% X olasılığı olan fiyat muhtemelen bilinmeyen bir büyüme miktarı kadar artacaktır" şeklinde yorumlanabilir.
Ve doğrusal olmayan bir sınıflandırmaya sahip bir sinir ağı alırsak, çıktı okumaları sinyalin gücünü mü gösterecek yoksa sadece 2 sınıftan birine ait olma derecesini mi gösterecekler, daha fazlasını değil mi?
Sınıflandırma yerine regresyon kullanabilirsiniz. Ve bir regresyon modeline ihtiyacımız var. Daha sonra, eğitim sırasında, değişiklik ve yuvarlama olmadan fiyat artışlarını göndermek mümkündür ve eğer model yüksek doğruluk sağlayabilirse, bazı olasılıkları ve sınıfları değil, tam olarak artışın değerini tahmin edecektir. Çok rahat.
Spesifik olarak Forex'te olmasına rağmen, sadece sınıflandırmadan daha fazlasını regresyonla elde etmedim. Model, tahmin ederken çok küçük değerler üretti, vakaların %50'sinden fazlasında yönü tahmin etmesine rağmen, tahminden beklenen artışın boyutunu tahmin etmek imkansızdı. Sonuç olarak, sonuç iki sınıf olarak yorumlandı - "fiyat muhtemelen bilinmeyen bir miktarda artacak."
Süreci anlamama yardım et :)
Doğrusal bir sınıflandırıcı örneğinde. Bir sınıflandırıcıya bir şey öğrettiğimizi varsayalım, 2 çıkış için 0'dan 1'e fiyat artışları uyguluyoruz, burada 0,5 sinyal yok (çıktıların toplamı her zaman bire eşittir)
Örneğin fiyatlara göre basit bir regresyon doğrusu oluşturursak, büyük fiyat artışları satırdan daha uzak, daha küçük olanlar daha yakın olacak, yani sınıflandırıcının çıktıları 0.9 olacaksa; 0.1 o zaman pozitif artış çizgiden uzaktadır, yani. 0,9 sinyali 0,6 satın alma sinyalinden daha güçlü olacaktır
Ve doğrusal olmayan bir sınıflandırmaya sahip bir sinir ağı alırsak, çıktı okumaları sinyalin gücünü mü gösterecek yoksa sadece 2 sınıftan birine ait olma derecesini mi gösterecekler, daha fazlasını değil mi?
Onlar. Aşağıdaki koşul karşılanacak mı:
Bana öyle geliyor ki, bu durumda, malzemeyi iyi bilmeyen yeni başlayanların yarısı zaten başarısız olacak .. Çünkü belirli bir sınıfa ait olma derecesi, sezgisel olarak, daha büyük / daha az sinyal gücü gösterecektir. Ama bu gerçekten böyle mi ve artışları dağıtmak için daha fazla sınıf oluşturmak daha iyi değil mi, örneğin % olarak, sonra değeri bir veya başka bir sınıfa (10'dan biri, diyelim) almak size zaten tam olarak söyleyecektir. artış.Çıkışta sinyal gücü gibi bir özelliğe sahip olmak istiyorsanız, neden sınıf sayısındaki herhangi bir artışla sonlu (ayrık) kalacak olan sınıflandırma problemini çözmeniz gerekiyor. Regresyon problemini alın ve çıktıyı -1(100% SAT) ile 1(100% AL) arasında öğrenirken veya genel olarak puan olarak uygulayın - SAT için negatif ve AL için pozitif, sıfır ise beklendiği gibi düz olacaktır.
not
önceki mesajda zaten yazmıştı - yaklaşık olarak aynı anlama geliyor ...
Bu cümlede bir yanlışlık var. Bir sınıflandırıcıyı eğitirseniz, öğretmen 0'dan 1'e artışlar değil, örneğin -1 ve 1 (fiyat düşüşü / fiyat artışı) gibi belirli değerler olacaktır. Model için bir eğitim tablosu ve öğretmen oluştururken, artışlar -1 ve 1'e yuvarlanmalıdır ve artışın büyüklüğü ile ilgili tüm bilgiler kaybolacaktır.
Daha sonra model öğrenecek ve bazı sınıflandırma modelleri tahmin ederken gerçekten de -1 ve 1'in katı değerleri yerine bir sınıfın olasılığını verebilir. büyüme, "% X olasılığı olan fiyat muhtemelen bilinmeyen bir büyüme miktarı kadar artacaktır" şeklinde yorumlanabilir.
Burada yine sadece 2 sınıftan birine ait olma derecesi olacak, daha fazlası olmayacak. Resimdeki gibi gereksinim karşılanmayacaktır. Büyüme miktarını bilmek istiyorsanız, birkaç büyüme adımı için bir grup sınıf oluşturmanız gerekir.Sınıflandırma yerine regresyon kullanabilirsiniz. Ve bir regresyon modeline ihtiyacımız var. Daha sonra, eğitim sırasında, değişiklik ve yuvarlama olmadan fiyat artışlarını göndermek mümkündür ve eğer model yüksek doğruluk sağlayabilirse, bazı olasılıkları ve sınıfları değil, tam olarak artışın değerini tahmin edecektir. Çok rahat.
Spesifik olarak Forex'te olmasına rağmen, sadece sınıflandırmadan daha fazlasını regresyonla elde etmedim. Model, tahmin ederken çok küçük değerler üretti, vakaların %50'sinden fazlasında yönü tahmin etmesine rağmen, tahminden beklenen artışın boyutunu tahmin etmek imkansızdı. Sonuç olarak, sonuç iki sınıf olarak yorumlandı - "fiyat muhtemelen bilinmeyen bir miktarda artacak."
Açıktır :) sonuçta, çıktıda bir sınıfa atanma olasılığının, artışların olası büyüklüğü ile hiçbir ilgisi olmadığı anlamına gelir .. görüyorsunuz, burada bazıları da karıştı, yeni başlayanlar için bu belirsiz bir nokta .. Öte yandan, eğer sinir ağı olasılıklar üretiyorsa (örneğin, softmax katmanı), o zaman neden bir sınıfa ait olmaları 0,5'ten büyük bir olasılıkla erken belirlenecekse neden gerekli? O zaman gerçekten bir regresyon modeli kullanmayı deneyebilir ve kendinizi çıktı değerlerinin herhangi bir normalleşmesinden kurtarabilirsiniz .. bu arada, orada rastgele ormanlar kullanıyorum ve girdilerin normalleştirilmesine gerek yok
Çıkışta sinyal gücü gibi bir özelliğe sahip olmak istiyorsanız, neden sınıf sayısındaki herhangi bir artışla sonlu (ayrık) kalacak olan sınıflandırma problemini çözmeniz gerekiyor. Regresyon problemini alın ve çıktıyı -1(100% SAT) ile 1(100% AL) arasında öğrenirken veya genel olarak puan olarak uygulayın - SAT için negatif ve AL için pozitif, sıfır ise beklendiği gibi düz olacaktır.
not
önceki mesajda zaten yazmıştı - yaklaşık olarak aynı anlama geliyor ...
evet, gerilemenin daha hünerli olacağı ortaya çıktı (bu arada, sinir ağı değil RF kullanıyorum)