Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 3084
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Hallo zusammen. Ich versuche, Expert Advisors zu trainieren, die aus einer großen Serie von Artikeln über neuronale Netze auf dieser Website stammen. Ich habe den Eindruck, dass sie nicht trainierbar sind. Ich habe versucht, dem Autor unter den Artikeln Fragen zu stellen, aber leider beantwortet er sie nicht praktisch...(
Daher eine Frage an die Forumsmitglieder - bitte sagen Sie mir, wie viel man ein neuronales Netzwerk trainieren muss, damit es anfängt, ein (nicht zufälliges) Ergebnis zu liefern?
Ich habe alle EAs von Artikel 27 bis zum letzten ausprobiert - das Ergebnis ist das gleiche - zufällig. Ich ging von 300 bis 1000 Epochen des Trainings, wie vom Autor angegeben. Wenn der Expert Advisor ist nur mit Iterationen, habe ich von 100 000 bis 20 000 000 Iterationen und so weiter 2-3 Ansätze, noch zufällig.
Wie viel sollte trainiert werden? Was ist die Größe einer ausreichenden Trainingsstichprobe (wenn sie vorher erstellt wurde)?
PS: Einfache Informationen über neuronale Netze in google lesen, im Allgemeinen mit neuronalen Netzen vertraut sind. Alle schreiben über 100-200 Epochen und es sollte schon ein Ergebnis geben (auf Bilder, Zahlen, Klassifikationen).
Haben Sie kein Ergebnis auf der Probe für das Training?
Der Zyklus dieser Artikel ist keine fertige Lösung - niemand wird das Wertvollste beim maschinellen Lernen preisgeben - die Prädiktoren. Bevor Sie also die dort vorgeschlagenen Methoden ausprobieren, müssen Sie eine Reihe von Prädiktoren entwickeln, die potenziell das Preisverhalten beschreiben können.
Hallo zusammen. Ich versuche, Expert Advisors zu trainieren, die aus einer großen Serie von Artikeln über neuronale Netze auf dieser Website stammen. Ich habe den Eindruck, dass sie nicht trainierbar sind. Ich habe versucht, dem Autor unter den Artikeln Fragen zu stellen, aber leider beantwortet er sie nicht praktisch...(
Daher eine Frage an die Forumsmitglieder - bitte sagen Sie mir, wie viel man ein neuronales Netzwerk trainieren muss, damit es anfängt, ein (nicht zufälliges) Ergebnis zu liefern?
Ich habe alle EAs von Artikel 27 bis zum letzten ausprobiert - das Ergebnis ist das gleiche - zufällig. Ich ging von 300 bis 1000 Epochen des Trainings, wie vom Autor angegeben. Wenn der Expert Advisor ist nur mit Iterationen, habe ich von 100 000 bis 20 000 000 Iterationen und so weiter 2-3 Ansätze, noch zufällig.
Wie viel sollte trainiert werden? Wie groß ist eine ausreichende Trainingsstichprobe (wenn sie vorab erstellt wird)?
PS: Einfache Informationen über neuronale Netze in google lesen, im Allgemeinen mit neuronalen Netzen vertraut sind. Alle schreiben über 100-200 Epochen und es sollte schon ein Ergebnis geben (auf Bilder, Zahlen, Klassifikationen).
und wo steht geschrieben, dass sie kein Zufallsergebnis liefern sollen? :) die Fülle an identischen Artikeln deutet schon auf eine falsche Richtung hin.
Reinforcement Learning ist für solche Aufgaben nicht ausgelegt, der Anwendungsbereich ist ein ganz anderer. Man kann damit spielen.Ja,
aber die große Zahl gleicher Werte lässt mich an der Gesamtqualität der Daten zweifeln.
Beispiel: seq = ([5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5,5]) = [5,5,5,5,5,5,5,5][5]; [5,5,5,5,5,5,5,5][5]; [5,5,5,5,5,5,5][5] ....
Ich sehe keinen Sinn darin, das Modell mit solchen Trainingsdaten zu füttern;
Ich siebe also immer noch alle Daten aus, die nicht eindeutig sind.
Ich könnte mich irren, aber es scheint mir falsch zu sein, das Modell auch mit den folgenden Trainingsdaten zu füttern:
[1,2,3,4,5] [5];
[1,2,3,4,5] [6];
[1,2,3,4,5] [7];
[1,2,3,4,5] [8];
...
Das ist ein Haufen Mist
Sie haben auch kein Ergebnis für die Ausbildungsprobe?
Die Reihe dieser Artikel ist keine vorgefertigte Lösung - niemand wird das Wertvollste beim maschinellen Lernen preisgeben - die Prädiktoren. Bevor Sie also die dort vorgeschlagenen Methoden ausprobieren, müssen Sie eine Reihe von Prädiktoren entwickeln, die potenziell das Preisverhalten beschreiben können.
wo steht geschrieben, dass sie keine Zufallsergebnisse liefern sollen? :) die Fülle identischer Artikel deutet bereits auf eine falsche Richtung hin.
Reinforcement Learning ist für solche Aufgaben nicht konzipiert, der Anwendungsbereich ist ein ganz anderer. Man kann damit spielen.Es funktioniert auch nicht bei der Ausbildungsprobe. Einfach nirgendwo. Und was sind Prädiktoren in diesem Fall? Der Autor beschreibt die Übernahme von Parametern aus dem Chart in Form von Candlesticks, Zeit und 4 Indikatoren. Das Modell des neuronalen Netzes ist ebenfalls vorhanden.
Wenn es bei der Trainingsstichprobe nicht funktioniert, dann liegt das Problem wahrscheinlich auf Ihrer Seite. Neuronale Netze brauchen viel Zeit zum Trainieren - nicht wie Baummodelle.
Prädiktoren können alles sein, jeder Faktor, der den Preis mit einem stabilen probabilistischen Ergebnis beeinflusst, ja, als Option - Indikatoren.
Nun, der Autor hatte einige Fehler in den Code (kritisch für Nicht-Intel-Karten) - ein paar Versionen der Regeln auf die Anfragen der Menschen.Wenn es auch bei der Trainingsstichprobe nicht funktioniert, gibt es wahrscheinlich ein Problem auf Ihrer Seite. Neuronale Netze brauchen viel Zeit zum Trainieren - nicht so wie Baummodelle.
Prädiktoren können alles sein, jeder Faktor, der den Preis mit einem stabilen probabilistischen Ergebnis beeinflusst, ja, als Option - Indikatoren.
Nun, der Autor hatte einige Fehler im Code (kritisch für Nicht-Intel-Karten) - ein paar Versionen der Regeln auf die Anfragen der Menschen.Nun, ich habe die neuesten Artikel (von GoExplore und weiter) und von 27 bis 35 scheinen zu kompilieren und laufen normal. Hat nicht funktioniert 36-38 ist, dass in der Tester ausgebildet. Ich habe eine Karte von Nvidia GTX 660 ti.
Was könnte das Problem auf meiner Seite sein? Meine sovtnik kompiliert, läuft, der Lernprozess (Fehler und Fortschritt auf dem Graphen) geht weiter. Und wie viel Schuld ist das? Der Autor der Artikel schreibt auch eine Menge, ist es notwendig, Iterationen der Sammlung von Beispielen und Training zu wiederholen, aber nirgends schreibt er keine zumindest ungefähre Zahlen. Zum Beispiel trainierte ich 500 Epochen, die ersten Geschäfte begannen, minus zu sein. Nun, zumindest einige Spezifität in Zahlen. Ansonsten ist es überhaupt nicht klar, entweder ich lehre eine Menge und etwas falsch ist, oder ich habe nicht genug gelehrt und es ist zu früh, etwas zu erwarten.
Der Autor stellt am Ende jedes Artikels eine Grafik und Statistiken des Strategietesters zur Verfügung. Nun, wenn die Statistik fiktiv ist, dann ja....
Es gibt sehr bescheidene Tests für einen kurzen Zeitraum, aus denen man keine eindeutigen Schlüsse ziehen kann. Wenn es nicht einmal bei einem Trainingsprogramm funktioniert, bedeutet das, dass sie eine Menge Fehler gemacht haben :) Der Ansatz selbst ist ungeeignet, weil der Prozess eines solchen Trainings schwer zu kontrollieren ist. Und wenn man die richtige Kontrollfunktion (Belohnungen) gefunden hat, braucht man sie nicht mehr.
.
Ich habe versucht, EAs aus diesem Zyklus mit genetischen und evolutionären Methoden zu trainieren (Artikel 30 und 31). Der Autor hat 1000 Epochen in den Parametern. Die Population ist 50 Individuen pro Epoche, wie ich verstehe. Das beste Ergebnis wird beim Training im Protokoll angezeigt. Bei 200 Epochen hat sich dieses beste Ergebnis im Vergleich zum ursprünglichen Ergebnis nicht verändert. Ich habe auch eine Population von 100 Individuen verwendet und 150 Epochen trainiert. Der Effekt ist derselbe. Also habe ich diese Methode aufgegeben und bin zu neueren Methoden übergegangen.
Es ist reine Zeitverschwendung, Zeit mit irgendwelchen neumodischen Modellen zu vergeuden, insbesondere mit komplexen.
Das RF-Ideal ist ein einfaches und sehr klares Modell. Man kann ein paar von drei weiteren Modellen aus alten und gut getesteten Modellen nehmen, wenn man plant, das Endergebnis durch ein Ensemble von Modellen zu erhalten (gibt etwa 5% Fehlerreduzierung).
Meine Skepsis ist ganz einfach erklärt: Unser Hauptfeind ist NICHT die Stationarität der Finanzmärkte, d.h. der Grenzwertsatz und alle darauf basierenden Statistiken - verschiedene Korrelationen, Streuungen usw. - funktionieren nicht. Übrigens, und Schätzungen wie der RMSE.
Deshalb muss man mit der Vorverarbeitung (Datamining) beginnen. Ohne einen Satz von Prädiktoren mit einer ausreichend stabilen Verbindung zum Ziel (Lehrer) ist es sinnlos, über irgendetwas zu reden. Es ist die Qualität dieser Verbindung, die den Vorhersagefehler und seine Stabilität bei verschiedenen Teilen der Zitate bestimmt. Das Modell hat damit überhaupt nichts zu tun. Wenn man mit RF annähernd den gleichen Vorhersagefehler in "in-sample" und "out-of-sample" unter 20 % erhält, dann kann man mit dem gleichen Satz von Prädiktoren versuchen, den Vorhersagefehler durch fortgeschrittenere Modelle, ein Ensemble von Modellen ... zu verringern, aber es handelt sich um ein paar Prozent, für die es keinen Sinn hat, Zeit auf etwas anderes als RF zu verwenden.
Es gibt noch eine weitere Bedingung: der mathematische Nachweis der Stabilität des Zusammenhangs der Prädiktoren mit dem Ziel, d.h. die Stationarität des Zusammenhangs der Prädiktoren mit dem Ziel, wobei die Varianz des Zusammenhangs der Prädiktoren mit dem Ziel ermittelt und zumindest seine annähernde Stabilität im Sinne von GARCH bewiesen werden muss.
Und verschiedene "Epochen" und Jahrhunderte von Tests - nichts, Sie machen so viel Aufhebens, Sie scheinen im Thema zu sein, aber Sie laufen auf der Stelle.