Redes neuronales - página 20

[name]

Después de "masticar" (superficialmente sin embargo - todavía necesita tiempo) parece que nunca vamos a utilizar la RNA con eficacia. Nosotros (los pequeños) no tenemos suficiente dinero para el hardware necesario para utilizar la RNA como se debe.

[hughesfleming]

Por mi cuenta....¿Por qué tanta negatividad?

No es tan complicado. Primero hay que averiguar qué es lo que se intenta predecir. La siguiente cuestión es el ruido. Tienes que asegurarte de que tu modelo no se deja engañar por la aleatoriedad y el sesgo de la minería de datos. Existen herramientas gratuitas que le permitirán desarrollar una prueba de concepto antes de gastar mucho dinero en hardware.

Si se trata de predecir una tendencia, por ejemplo, hay que ver si el modelo tiene una ventaja sobre una simple media. Si se trata de predecir puntos de inflexión, primero hay que ver si se puede superar una transformada de Fourier. Si la ventaja es pequeña, hay que preguntarse si el tiempo de entrenamiento merece la pena. No importa si se utiliza una red neuronal o una de las diversas máquinas de vectores de apoyo, se sigue enfrentando a todos los problemas de ajuste de curvas del pasado para predecir el futuro. Fuera de la muestra, estos sistemas tienden a fracasar porque cualquier éxito que se haya obtenido en las pruebas puede deberse al azar. Ninguna cantidad de dinero invertida en hardware resolverá este problema.

Estas herramientas pueden ser útiles, pero hay que controlar las expectativas. Si un modelo puede mejorar una estrategia en unos pocos puntos porcentuales, entonces, con el tiempo y un gran número de operaciones, saldrá ganando.

Saludos,

Alex

[name]

hughesfleming:
En mi propio ....¿por qué toda la negatividad?

Esto no es tan complicado. Primero hay que averiguar qué es lo que se intenta predecir. La siguiente cuestión es el ruido. Hay que asegurarse de que el modelo no se deje engañar por la aleatoriedad y el sesgo de la minería de datos. Existen herramientas gratuitas que le permitirán desarrollar una prueba de concepto antes de gastar mucho dinero en hardware.

Si se trata de predecir una tendencia, por ejemplo, hay que ver si el modelo tiene una ventaja sobre una simple media. Si se trata de predecir puntos de inflexión, primero hay que ver si se puede superar una transformada de Fourier. Si la ventaja es pequeña, hay que preguntarse si el tiempo de entrenamiento merece la pena. No importa si se utiliza una red neuronal o una de las diversas máquinas de vectores de apoyo, pues se sigue enfrentando a todos los problemas de ajuste de curvas del pasado para predecir el futuro. Fuera de la muestra, estos sistemas tienden a fracasar porque cualquier éxito que se haya obtenido en las pruebas puede deberse al azar. Ninguna cantidad de dinero invertida en hardware resolverá este problema.

Ahora bien, estas herramientas pueden ser útiles, pero hay que controlar las expectativas. Si un modelo puede mejorar una estrategia en unos pocos puntos porcentuales, entonces, con el tiempo y un gran número de operaciones, saldrá ganando.

Saludos,

Alex

Alex

Gracias por la respuesta

La razón por la que dije lo que dije es que, a menos que no estemos bien equipados con el hardware, el cálculo de la RNA siempre será "incompleto". Y luego viene lo que ya estamos haciendo: estimar con nuestra propia NN

[hughesfleming]

Ok... lo tengo. Si te apetece experimentar, hice un diseño de una forma de utilizar Rapidminer con metatrader aquí por si no viste el hilo. https://www.mql5.com/en/forum/181252

[name]

hughesfleming:
Ok... lo tengo. Si te apetece experimentar, he maquetado una forma de usar Rapidminer con metatrader aquí por si no has visto el hilo. https://www.mql5.com/en/forum/181252

Alex

Gracias por toda su ayuda

[nevar]

Tengo varias pruebas prometedoras fuera de la muestra como la que adjunté.Encontrar algos rentables con la IA es todo acerca de sus entradas y que es un arte no la ciencia.Cuando yo estaba buscando diferentes algos para el comercio en vivo me encontré con un cruce Red Neuronal Recurrente-Máquinas de Boltzmann restringido en python Modelado y generación de secuencias de música polifónica con el RNN-RBM - DeepLearning 0.1 documentación y Bernoulli Restricted Boltzmann Machines feature extractor and LogisticRegression classifier in python Restricted Boltzmann Machine features for digit classification - scikit-learn 0.15.2 documentation.Suenan bastante interesantes ¿alguien tiene experiencia con alguno de estos dos algoritmos para el trading en vivo?

[tampa]

Neuro trend clonada (indicadores + plantilla)

neurotrendnncloned.rar

[Joakin]

Enlace útil : Tutorial de redes neuronales

[seekers]

Redes neuronales artificiales : artificial_neural_networks.pdf

En esta nota ofrecemos una visión general de los conceptos clave que han conducido a la aparición de las redes neuronales artificiales como un paradigma importante para las aplicaciones de minería de datos. Las redes neuronales han pasado por dos grandes periodos de desarrollo: a principios de los 60 y a mediados de los 80. Fueron un desarrollo clave en el campo del aprendizaje automático. Las redes neuronales artificiales se inspiraron en los hallazgos biológicos relacionados con el comportamiento del cerebro como una red de unidades llamadas neuronas. Se calcula que el cerebro humano tiene unos 10.000 millones de neuronas, cada una de ellas conectada por término medio a otras 10.000 neuronas. Cada neurona recibe señales a través de sinapsis que controlan los efectos de la señal en la neurona. Se cree que estas conexiones sinápticas desempeñan un papel fundamental en el comportamiento del cerebro. El elemento fundamental de una red neuronal artificial es el modelo matemático de una neurona

[seekers]

previsión_de_la_capacidad_pero_no_de_la_rentabilidad_-una_evaluación_empírica_del_algoritmo_genético_optimizado_tr.pdf

Este artículo evalúa el rendimiento de varias reglas de negociación técnica populares aplicadas al mercado de acciones australiano. Los valores óptimos de los parámetros de las reglas de negociación durante el periodo de la muestra, del 4/1/82 al 31/12/89, se encuentran utilizando un algoritmo genético. A continuación, se evalúan estas reglas óptimas en función de su capacidad de previsión y su rentabilidad económica durante el periodo fuera de muestra comprendido entre el 2/1/90 y el 31/12/97. Los resultados indican que las reglas óptimas superan la referencia dada por una estrategia de compra y mantenimiento ajustada al riesgo. Las reglas muestran cierta capacidad de previsión y rentabilidad a lo largo de todo el periodo de prueba. Pero un examen de los resultados de los subperíodos indica que el exceso de rentabilidad disminuye con el tiempo y es negativo durante los dos últimos años. Además, una vez que se realiza un ajuste por el sesgo de la negociación no sincronizada, las reglas muestran muy pocas pruebas de rentabilidad, si es que las hay.