使用神经网络预测货币汇率 - 页 3

新评论
 
说实话，我也不相信预测，但分类，这更有趣...
 
LeoV:
那么，你的课件应该包括一句话："用神经网络预测汇率是不可能的"。)))这就是整个课程作业))))。

为什么不可能呢？很有可能 :)。就拿我们最喜欢的专家顾问来说吧，我们就是靠它吃饭的（每个人都有这样的 "主力"）。我们在那里找到一个线性回归，或类似的东西。用神经元学取代线性回归...Voila :)
 
LeoV:
那么，你的学期论文应该包括一句话："使用神经网络进行利率预测是不可能的"。)))这就是整个课程作业))))。


这是否意味着你对神经网络和一般的市场预测感到失望？仅仅知道 你在这个领域研究了多少年，听到你这么说就很奇怪。
 
C-4: 这是否意味着你对神经网络和一般的市场预测感到失望？仅仅知道 你在这个领域研究了多少年，听到你这么说就很奇怪。

我不是从预测的角度来研究这个方向，而是从寻找模式的角度来研究，这些模式最好能有70%以上的概率在某个时间点上获利，也就是说，不是在每一个新出现的柱子上获利。

你必须同意，这些是根本不同的事情。

你不需要预测，即在未来的每一个新条形上延续工具线，以便获利。

 
LeoV:

我不是从预测的角度来研究这个方向，而是从寻找模式的角度来研究，这些模式最好能有70%以上的概率在某个时间点上获利，也就是说，不是在每一个新出现的柱子上获利。

你必须同意，这些是根本不同的事情。

你不需要预测，即在未来的每一个新的条形图上继续仪器线，以便获利。


但是，在进入市场 的那一刻，我们仍然期望在未来，价格会朝着我们进入的方向变化，这就是预测。
 
C-4:

这是否意味着你对神经网络和一般的市场预测感到失望？仅仅知道 你在这个领域研究了多少年，听到你这么说就很奇怪。

这意味着多层神经网络不适合用于外推法（预测）。它们只有在插值范围内才是好的。

简单地说，这个方法是这样的。

  1. 训练网格
  2. 训练结束后，我们在归一化之前检查输入的数值。如果非正态化的输入值超出了训练样本的范围，我们将处理外推法，网络将在这里断裂，也就是说，最好是等待这样的输入信号。如果它在范围内，那么就进行内插，网格更有可能给出一个适当的结果。

谁不相信，让他试试一个简单的任务，即教一个双向多层的0到9的整数的乘法表。然后通过输入插值，即从0到9的任何实数来测试它。然后进行外推，即确保至少有一个输入的数值小于0或大于9。内插是由网格处理的，外推则被搞乱了。

原因很简单：sigmoid神经元的输出切断了所有超出训练样本范围的数值，这些数值略大于训练样本的范围。也就是说，sigmoids在输出端有一个极限值，无论其输入端是什么值，都不能超过这个极限。见下图：sigmoid输入可以是任何数值，sigmoid输出不能大于1，也不能小于0，也就是说，在有限的输出范围之外将是一个噩耗。

乙字型

事实证明，一方面，由于sigmoids的存在，多层网络的训练速度提高了，因为没有它们，误差反向传播的算法就会失去收敛性。但另一方面，这种网格成为内插器，不能在训练样本的范围之外充分工作。

C-4:

不过，在进入市场的时候，我们预计未来价格会向我们进入的方向变化，这就是预测。
每条鲱鱼都是一条鱼，但不是每条鱼都是鲱鱼。预测内插法和预测外推法是不同的事情，不应混淆。你可以尝试用电视机来敲打钉子，但锤子更适合它。这就是为什么聪明人用回归法进行外推，用多层神经网进行内插。同样，不要忘记，回归分析也有其局限性，不是万能的，在某些情况下会失败。
 

回归不是也适用于插值吗？为什么要建立一个网格？

 
IronBird:

回归不是也适用于插值吗？为什么要建立一个网格？

尝试多元回归 和多层神经网络，并比较插值的RMS。你还将了解到，所有工具都有其最有效的功能限制。

 
IronBird:

回归不是也适用于插值吗？为什么要建立一个网格？

多层神经网络 是非参数化的非线性回归方法之一。在某些情况下，可以放弃神经网络而采用线性/线性/非线性参数化方法。

 
预测不一定是延续到未来的线。这里的任何分析手段都是在预测价格是否会上涨或下跌。
1234567
新评论