在交易中使用神经网络 - 页 33

[EconModel]

Roman.:

帅气--美丽。

在军队里，我的一个战友在他的肩膀上纹了这个题词......:-)

我认为这个主题没有被涵盖，至少在组织和准备网络输入数据方面...

我同意。我的帖子是离题的。如果你能原谅我。

[Yury Reshetov]

EconModel:

我们需要定义我们正在处理的对象。神经网络学家哪里有这个定义？ 他们用什么来工作？分层，感知器？

为什么神经网络器需要任何层或感知器？让神经网络的开发者来处理这些问题。

对于一个神经网络工作者来说，神经网络是一个黑盒子。

一个神经网络工程师在设定任务时应该具备的所有条件：输入端的数值和输出端的数值--样本分为两部分--训练和测试（正向测试）。因此，任务是确保在对训练样本进行训练后，输入的最大概率值与测试样本中神经网络的输出值相一致。

[[删除]]

EconModel:

你必须从这里 开始。从一个简单的开始。

固定序列=Mo，方差是一个常数。 对于ARCH，方差不仅不是一个常数，而且还取决于之前的数值。

在建立模型时，检查模型的ARCH残差是必须的，因为MOC不能在ARCH存在的情况下应用。

从这里 开始--这再简单不过了。

不要问我--所有这些在这个论坛上已经解释过很久了。

[Aleksei Morozov]

EconModel:

模式的教学时间为18个小时，并接受学分，主要问题是：你是否理解模式不应该被用于交易中？

既然如此，我想说，你的老师至少是有点偏离基础。
我不是在讽刺你，我也是个学生。我很好奇，是在哪个答案之后得到的奖励？

[EconModel]

Alexey_74:

既然如此，我想说的是，你的老师至少是有点偏离主题。
我不是在讽刺你，我也是个学生。我很好奇，是在哪个答案之后得到的奖励？

对不起，学生们有各种各样的专业。TA在两星期内就可以教给华盛顿的任何人，而计量经济学 则需要5年时间，而且不是每个人都想学。

我可以再说一遍：在TA中，根本不存在预测被实现的概率问题。我们只是相信和泄漏，不明白为什么。在计量经济学中，对建模结果的信心问题是主要问题。就像在生活中一样。

[Aleksei Morozov]

Reshetov:

为什么神经网络器需要任何层或感知器？让神经网络开发人员来处理这些问题。

对于神经网络设计师来说，神经网络是一个黑盒子。

一个神经网络工程师在设定任务时应该具备的所有条件：输入端的数值和输出端的数值--样本分为两部分--训练和测试（正向测试）。因此，任务是确保在对训练样本进行训练后，输入的最大概率值与测试样本中神经网络的输出值相一致。

亲爱的尤里，我想请你不要在一般意义上使用这种说法（我是指所有的神经网络工作者）。你看，神经网络学家（在一般意义上）经常担心隐藏层的数量，也会定期担心这些隐藏层的神经元数量。而且有时在激活函数的选择上也有困难。而有时你也要选择一种梯度下降法。我一点都不觉得被冒犯，一点都不。但是，你还是把情况过度简化了。

[Роман]

EconModel:
同意。我的帖子是离题的。如果你能原谅我。

没关系的。说话...

[solar]

Alexey_74:

而有时网络架构也会有所不同。

[Aleksei Morozov]

EconModel:

对不起，学生们有各种不同的专业。TA是在两星期内教给华盛顿的任何人的，而计量经济学则要教5年，而且不是对每个人。

我可以重申：在TA中根本没有提出预测执行的概率问题。我们只是相信和泄漏，不明白为什么。在计量经济学中，对建模结果的信心问题是主要问题。正如生活中一样。

我不是在争论，计量经济学是你，不是我。我在非数学系只学了三年的数学。而TA从来没有被要求有一个"置信区间"。TA表示（向交易者展示）一种情况的发生，在这之后，一个事件将以高度的概率发生。通常情况下，向一边或另一边。换句话说，是对事件的预测，而且只是对事件的预测。而TA的目标究竟在哪里，除了极少数的例外，从来没有。更多的时候，是 "风吹到哪里，我们就在哪里交易"。

EconMod，我已经抛出了白旗。我已经厌倦了在这种模式下运作。真理报》在大约7页之前就不再试图得到一个字了。为撒尿而撒尿，这不是我的事。我从小就很安静。

[[删除]]

Alexey_74:

不，我当然不是在做文字识别。学习所有五个字母是没有意义的...

谢谢你，我也在努力做一个有建设性的人。我还以为我们在谈论不同的事情。在我关于分类困难的感叹中，我指的是以下内容。

让我们来看看经典的案例--飞机。该理论指出，数据（在平面的情况下）应该是线性可分离的，以产生一个成功的分类。

(对不起，我找不到漂亮的图片，我不得不在Excel中快速制作图片）。

假设我们取了有2个参数X和Y的数据（平面......）。我们把它们附在单位向量上，得到如下图片。我们看到5个截然不同的区域。任何SOM都可以一次性管理分类，而且分类将只是一个分类。任何新的数据都会落入其中一个类别。每个类的属性我们都知道，所以只要找出新数据属于哪个类，我们就能立即知道关于它的一切。这一切都意味着...

不幸的是，经典案例和实际案例，正如他们在敖德萨所说的，是两个大的区别。

在实际案例中，我们卸载了数据，得到了这样的图片。在这种情况下，分类当然也是可能的，但它没有实际价值。我们可以指定同样的5个类，SOM会老老实实地 "画 "出来，只是均匀地分配聚类中心。新到的数据将被送往某处。但这个 "某个地方 "已经没有任何意义了。所有的数据以及它们的属性都均匀地散布在整个平面上（杂乱无章）。如果我们相信这样的分类，并将一个新的数据归于其中一个类别，我们只是在愚弄自己。

这就是问题的关键，也是我在那 篇文章中的意思。因此，无论我如何看待这个问题，我从未设法获得具有明确可分离性的数据。所以，要么根本就没有可分离性，所以根本就不要尝试。或者我没有足够的牵引力。大自然赐予我一些自我批评，所以我倾向于第二个选择。因此，我与不同的同志协商。一旦你有了明确的分类，那么你就可以用概率网格和模糊逻辑来工作。

让我们来看看经典的案例--飞机。该理论指出，为了产生一个成功的分类，数据（在平面的情况下）必须是线性可分离的。

飞机是一个经典的例子，而不是一个经典的案例。而这种简单的可分离性在这种例子中纯粹是为了说明这个观点。

有必要逐步增加特征向量的维度，以构建一个实际可接受的分类。在这种情况下，分班就必须是非线性的。