Diskussion zum Artikel "Praktische Anwendung von Neuronalen Netzen im Handel (Teil 2). Computerbilder"
Sehr schöner Artikel!
Ich habe es genossen, ihn Wort für Wort zu lesen (durch Übersetzung), da ich auch ein ähnliches Experiment mit CNN-basierten Marktprognosen mit Pytorch-Implementierungen durchgeführt habe.
Danke, dass Sie Ihre harte Arbeit mit uns teilen! :)
Es wäre interessant, einen reinen ZigZag zu analysieren (natürlich zu Zeiten, in denen sich das letzte Extremum gebildet hat).
Es könnten viele Muster auftauchen. Wahrscheinlich.
Es wäre interessant, den reinen ZigZag zu analysieren (natürlich zu Zeiten, in denen sich das letzte Extremum gebildet hat).
Es könnten viele Muster auftauchen. Wahrscheinlich.
Es stellt sich nur die Frage, warum Computer Vision benötigt wird. Ein Zickzack kann leicht in einen "Meißel" umgewandelt werden).
Es stellt sich nur die Frage, warum hier ein Computerbild benötigt wird. Ein Zickzack kann leicht in "Meißel" formalisiert werden)
Genau dasselbe wie bei Balken mit Indikatoren, die der Autor in Betracht gezogen hat. Nur der ZZ ist "sauberer".
Genau dasselbe wie die Balken mit Indikatoren, die der Autor in Betracht gezogen hat. Nur die ZZ ist "sauberer".
Ich stimme zu. Ein Dilemma von nichts zu tun.
Es geht nicht darum, etwas in "Meißel" zu formalisieren. Zickzack ist ein problematischer Indikator im Allgemeinen... Er hinkt insbesondere in der Dynamik hinterher und sagt nichts aus....
https://youtu.be/mcQH-OqC0Bs, https://youtu.be/XL5n4X0Jdd8
- 2021.01.27
- www.youtube.com
Es geht nicht darum, etwas in "Meißel" zu formalisieren. Zickzack ist ein problematischer Indikator im Allgemeinen... Insbesondere in der Dynamik nachhinkend und nichts aussagend....
https://youtu.be/mcQH-OqC0Bs, https://youtu.be/XL5n4X0Jdd8
Andrey, ich möchte Ihre Arbeit nicht kritisieren oder "herabsetzen", die Arbeit an sich ist schon allein durch die Tatsache und die Möglichkeit zu lernen sehr wirkungsvoll und nützlich.
Aber dennoch scheint mir der praktische Nutzen einer solchen Problemstellung sehr zweifelhaft zu sein. Schließlich besteht das Wesen von Faltungsnetzwerken darin, beliebige Entitäten in unformalisierten Eingabedaten zu erkennen und auszuwählen, sie zu formalisieren und sie an eine vollständig verbundene Schicht zur Klassifizierung oder an eine andere Stelle weiterzuleiten. Nun, die Ausgabe eines Faltungsnetzes wird hauptsächlich aus formalisierten Entitäten bestehen, die in diesen Indikatoren formalisiert sind, die spezifische Repräsentation ist eine sekundäre Frage. Ich verstehe nicht, was ein Faltungsnetz außer dem finden kann. Ihr Experiment kann sich nur vergewissern, wenn Sie diesen Ansatz mit denselben Daten mit einem klassischen Netz vergleichen, das mit Indikatordaten als Input gefüttert wird. Ich bin mir sicher, dass die Faltung nur länger braucht, um zu lernen, und dass die Metriken nicht besser sein werden. Vielleicht liege ich falsch und es gibt etwas, das ich nicht verstehe, dann wäre es interessant, eine Widerlegung zu erhalten.
Andrew, ich möchte in keiner Weise Ihre Arbeit kritisieren oder "herabsetzen", die Arbeit selbst ist kraftvoll und nützlich durch die bloße Tatsache und die Möglichkeit zu lernen.
Dennoch scheint mir die praktische Nützlichkeit dieser Problemstellung sehr zweifelhaft zu sein. Schließlich besteht das Wesen von Faltungsnetzwerken darin, beliebige Entitäten in unformalisierten Eingabedaten zu erkennen und auszuwählen, sie zu formalisieren und sie an eine vollständig verbundene Schicht zur Klassifizierung oder an eine andere Stelle weiterzuleiten. Nun, die Ausgabe eines Faltungsnetzes wird hauptsächlich aus formalisierten Entitäten bestehen, die in diesen Indikatoren formalisiert sind, die spezifische Repräsentation ist eine sekundäre Frage. Ich verstehe nicht, was ein Faltungsnetz außer dem finden kann. Ihr Experiment kann sich nur vergewissern, wenn Sie diesen Ansatz mit denselben Daten mit einem klassischen Netz vergleichen, das mit Indikatordaten als Input gefüttert wird. Ich bin mir sicher, dass die Faltung nur länger braucht, um zu lernen, und dass die Metriken nicht besser sein werden. Vielleicht liege ich falsch und es gibt etwas, das ich nicht verstehe, dann wäre es interessant, eine Widerlegung zu erhalten.
Ich stimme dem voll und ganz zu und habe es verglichen. Aber die Aufgabe in diesem Experiment war eine ganz andere - auf die numerische Darstellung der verwendeten Indikatoren zu verzichten. Ich habe das in der Einleitung des Artikels erwähnt. Übrigens kann man auch ganz ohne Indikatoren auskommen.... Und die Ergebnisse werden auch positiv sein. Jetzt bereite ich es für die Einführung in die Praxis vor. Mal sehen, was es in der Praxis zeigen wird.....
Ich stimme dem voll und ganz zu und habe es verglichen. Aber die Aufgabe in diesem Experiment war eine ganz andere - auf die numerische Darstellung der verwendeten Indikatoren zu verzichten. Ich habe dies in der Einleitung des Artikels erwähnt. Übrigens kann man auch ganz ohne Indikatoren auskommen.... Und die Ergebnisse werden auch positiv sein. Jetzt bereite ich es für die Einführung in die Praxis vor. Mal sehen, was es in der Praxis zeigen wird.....
Verstehe. Ich möchte gleichzeitig als ein solches Plus anmerken, dass dieser Ansatz in die sogenannte "Universalisierung von KI-Systemen" passt, d.h. wenn die gleichen Lösungen=Architekturen verwendet werden, um verschiedene Probleme zu lösen.
Ich glaube, dass es auch teilweise erlaubt, den Prozess der Datenvorverarbeitung loszuwerden. Ich füttere das "Netzwerk" mit der Primärquelle in Rohform, und es wird sie verdauen, wie es sollte, sie normalisieren usw.
Vielen Dank für die Antwort. Viel Erfolg bei Ihrer Arbeit :)
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Neuer Artikel Praktische Anwendung von Neuronalen Netzen im Handel (Teil 2). Computerbilder :
Die Verwendung von Computerbilder ermöglicht das Training von Neuronalen Netzen auf der visuellen Darstellung des Kurscharts und der Indikatoren. Diese Methode ermöglicht breitere Operationen mit dem ganzen Komplex der technischen Indikatoren, da es nicht nötig ist, sie digital in das Neuronale Netz einzuspeisen.
Bevor Sie ein Array von Bildern vorbereiten, definieren Sie den Zweck Ihres Neuronalen Netzwerks. Ideal wäre es, das Netzwerk auf Pivots zu trainieren. Diesem Zweck entsprechend müssten wir Screenshots mit dem letzten extremen Balken erstellen. Dieses Experiment hat jedoch keinen praktischen Wert. Deshalb werden wir einen anderen Satz von Bildern verwenden. Weiterhin können Sie mit verschiedenen Arrays experimentieren, auch mit dem oben genannten. Dies kann auch zusätzliche Beweise für die Effizienz von Neuronalen Netzwerken bei der Lösung von bildbasierten Klassifizierungsaufgaben liefern. Die Antworten des Neuronalen Netzes, die auf eine kontinuierliche Zeitreihe erhalten werden, erfordern eine zusätzliche Optimierung.
Lassen Sie uns das Experiment nicht verkomplizieren und uns auf zwei Kategorien von Bildern konzentrieren:
Zu Trainingszwecken des Neuronalen Netzes wird die Bewegung in eine beliebige Richtung als das Erreichen neuer Extremwerte in Trendrichtung durch den Preis bestimmt. Zu diesen Momenten werden Chart-Screenshots erstellt. Der Moment der Trendumkehr ist ebenfalls wichtig für das Training des Netzwerks. Ein Chart-Screenshot wird auch erstellt, wenn der Preis das Tageshoch oder -tief erreicht.
Autor: Andrey Dibrov