神经网络和输入 - 页 8

新评论
 
solar:
至于识别字母表中的字母（以此类推），我们应该假设市场是一个封闭的系统。这将使它成为固定的（用你的语言），即我们应该输入关于市场的所有知识。)))))

这里出现了TS构建者的永恒问题：网络用给定的输入和输出建立的非线性函数是一种拟合还是一种真正发现的规律性？

在NS的情况下，这个问题是非常严重的，因为，例如，2层10个神经元是100个权重（未来EA的100个参数），应该被优化。试着把一个有一百个参数的专家顾问，在一年内全部运行优化：很可能这应该被认为是一种适应。

 
alsu: 同样，如果我们事先知道非平稳性的性质，我们可以将其纳入算法中，并在检测到这种非常非平稳性时，迅速调整控制器的参数。

更具体地说，我们不知道金融市场的非平稳性的性质，而且不幸的是，我们不知道。

NS的唯一优势是，它是非常非线性的，非常灵活。用少量的神经元，NS可以很容易地记住（学习）10-15年的任何工具的分钟图。

这样看来--还需要什么呢？

在这里，只有交易员的技能变得相关--输入那些具有规律性的符号信息，避免网络的重新训练。如果这两个条件得到满足--网络将完美工作。

但这两种情况属于最困难的情况。你所需要的是交易员的 "直觉"))))。

 
LeoV:

更具体地说，金融市场的非平稳性的性质是我们不知道的，而且不幸的是不能知道。

我们只能猜测。甚至检查假设)
 
 alsu: 我们可以猜测。甚至测试假设)
当然我们可以猜测，但这就像预测一样--没有用。"像一个手指在天空中" ))))
 
LeoV:
我们当然可以猜测，但这就像预测一样--没有用。"像一个手指在天空中" ))))

并非一无是处：如果对输入（商）进行充分的描述，它就会带来相当明显的统计优势。用正式术语来说，问题是要找到一种变换，它在输入端有一个kotir，在输出端有一个静止的GPB作为残差。如果发现了这种转变，就意味着该模型考虑到了科蒂尔行为的所有特殊性。那么，这就是一个技术问题--分析当前的模型参数，并确定它们目前是否能使我们利用这种情况。任务是创造性的，但情况就是这样，"科学测量法 "过去是、现在是、将来也是科学综合的主要方法））））。

 
alsu:

并非一无是处：如果对输入（商）进行充分的描述，它就会带来相当明显的统计优势。从形式上看，问题是要找到一种变换，这种变换在输入端有一个kotir，在输出端有一个固定的GER作为残差。如果发现转变，这意味着该模型考虑到了科蒂尔行为的所有特殊性。那么，这就是一个技术问题--分析当前的模型参数，并确定它们是否给我们提供了在特定时刻利用局势的机会。任务是创造性的，但情况就是这样，"科学测量法 "过去是、现在是、将来也是科学综合的主要方法））））。


我不同意这种复杂化，但不管怎样。

事实上，在我看来（不仅仅是在我看来），一切都要简单得多--如果输入到NS输入和输出的商数有模式，那么网络将成功地找到它们，你会很高兴。而且实际上是任何NS。如果没有规律性--转化、综合、建立某种全方位的NS以及做其他科学和数学的探索是没有用的--你不会在没有规律性的地方找到规律性))))。

这就像在一个黑色的房间里寻找一只黑猫，特别是如果它不在那里的话))))。

 
LeoV:


我不同意这种复杂的情况，但不要紧。

事实上，在我看来，这要简单得多--如果送入NS输入和输出的商数有规律，网络会找到它们，你会很高兴。而且实际上是任何NS。如果没有规律性--转化、合成、建立某种全方位的NS和做所有其他科学和数学的戳，都是无用的))))。


我不知道!规律性可能不是到处都有，而是只出现在某些时刻，短期的，由于其惯性，NS不会定义这些。就我个人而言，我对kotier完全持这种观点--存在着局部效率低下的短板，为了与之合作，你需要在一开始就发现它们。为了使网络能够做到这一点，它必须不是普通的网络，而是在各层之间有反馈的网络，而且不是随意采取的，而是根据一些模型采取的，也就是说，必须把一些先验知识放在NS中。
 
alsu:

不，它没有!这种模式可能不是到处都有，而可能只出现在某些时刻，短期的，由于NS的惯性而无法检测到。就我个人而言，这正是我对kotier的看法--存在着局部效率低下的短板，为了与它们合作，你需要在一开始就发现它们。为了使网络能够做到这一点，它必须不是普通的网络，而是在各层之间有反馈的网络，而且不是随意采取的，而是根据一些模型采取的，也就是说，必须把一些先验知识放在NS中。

顺便说一下，在上面提到的最优控制理论中，证明了在某些条件下搜索最优控制法的问题（np相当简单的结构 "Witsenhausen反例 "的二次控制器）是NP-完全的（即计算上非常复杂），所以难怪他们试图只用这个特殊的NS来解决它...
 
alsu:
不，不是这样的!规律性可能不是到处都有，而是只出现在某些时刻，短期的，由于其惯性，NS无法确定。就我个人而言，我对kotier完全持这种观点--存在着短小的局部低效率区域，要与之合作，你需要在一开始就发现它们。为了使网络能够做到这一点，它必须不是普通的网络，而是在各层之间有反馈的网络，而且不是随意采取的，而是根据一些模型采取的，也就是说，必须把一些先验知识放在NS中。


也许吧，但既然有可能通过更简单的方法赚钱，为什么还要做这样的调查呢？

你的方法有一些深刻的意义，但出现了很多答案很少的问题--你如何检测这些无效的区域？什么是低效率？你如何结合这些模型来确定这些反馈的性质？如何确定这些模型和反馈之间的关联性？什么是先验知识，如何结合反馈将其与模型联系起来？简而言之--脑癌))))

 
alsu:

顺便说一下，在我提到的最佳控制理论中，已经证明了在某些条件下寻找最佳控制法的问题（nn一个结构相当简单的 "维森豪森反例 "的二次控制器）是NP-完全的（即计算上非常复杂），所以难怪他们试图用这样一个NS来解决它...

好吧，我放弃了))))我出来了 ))))
123456789101112131415...41
新评论