"New Neural" ist ein Open-Source-Projekt für neuronale Netzwerke für die MetaTrader 5-Plattform. - Seite 97
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
Gut. Wir müssen eine praktische Analogie finden. Das Diagramm zeigt, dass die Schichten eine unterschiedliche Anzahl von Neuronen haben. Wenn wir das Diagramm auf den Kopf stellen, erhalten wir eine Pyramide. Die Ausgabe durchläuft also mehrere Verarbeitungsschritte. Je mehr Neuronen in einer Schicht vorhanden sind, desto mehr Daten erhält und verarbeitet diese Schicht. Wenn die nächste Schicht weniger Daten ausgibt als die vorherige, bedeutet dies, dass die Daten von Schicht zu Schicht verallgemeinert werden?
Ja, sie sind verallgemeinert. Bei einer Eingabe von z. B. 100 Barren sollten zwei Befehle ausgegeben werden: Kauf oder Verkauf.
Die Aufgabe besteht nicht darin, ein neuronales Netz dazu zu bringen, eine große Menge an Daten zu speichern, sondern die Menge der Daten, auf die es trainiert wurde, zu erfüllen. Wenn das Netz zu groß ist und nicht genügend Daten enthält, lernt es zwar leicht, kann aber nicht auf andere Daten verallgemeinert werden. Daher sollte die Anzahl der Neuronen so gering wie möglich sein. Mehr als drei Schichten sind irgendwie unnötig. In der ersten Schicht entspricht die Anzahl der Neuronen der Größe des Musters der Eingabedaten und in der letzten - der Anzahl der resultierenden Varianten. Und in der Zwischenstufe ist sie so klein wie möglich, aber nicht kleiner als in der Ausgabe.
Der Code ist einfach, aber unsere Eingabedaten passen nicht ganz:
Wiki-Entropie: ".... misst die Abweichung eines realen Prozesses von einem idealen Prozess. ... Mathematisch gesehen ist die Entropie definiert als eine Funktion des Zustands des Systems, die auf eine beliebige Konstante festgelegt ist".
и?
Was könnte ein idealer Markt für VR im Finanzbereich sein? - wer zum Teufel weiß das schon, OK, lassen Sie das die erste Annahme sein, perfekter Markt = Sinuswelle!
als Inputs haben wir mindestens 3 Preise: hoch, niedrig, clowes - und welchen sollten wir verwenden? - OK, lassen Sie es die zweite Annahme sein, der Medianpreis regiert!
was messen wir von und bis? - Anfang des Tages? Woche? Verfallstag? Börsensitzung? - OK, Beginn des Tages, lassen Sie es die dritte Annahme sein....
insgesamt 3 Fragen, 3 Mal gehen wir davon aus, dass wir richtig liegen? hier läuft das Problem auf die Kombinatorik hinaus: wie oft leiten wir die richtige Ausgangshypothese ab und wie oft führt unsere weitere Erkundung zur richtigen Marktbewertung... zur Geschichte ))))
Entropie klingt schön, aber ich grub dieses Thema vor einigen Jahren aus der Perspektive der Informationsentropie, die Schlussfolgerung ist eine - wenn ein Muster beginnt zu bilden oder die nächste Wiederholung von Candlestick-Kombinationen auf die Geschichte - es wird nicht funktionieren, weil das, was offensichtlich ist für jedermann nicht in den Markt zu arbeiten, die gleiche Sache mit den Mustern und Korrelationen, sobald sie offensichtlich geworden - sie aufhören zu erscheinen )))), ich in der Regel zu mir selbst sagen, in solchen Fällen - du bist nicht der klügste, wie kluge Leute leben die halbe Welt weg von den Monitoren)))
Nein, sehen Sie, diese Entropie schätzt die Menge an Informationen in BP. Je niedriger die Entropie ist, desto mehr Informationen (Zyklen sind stärker ausgeprägt). D.h. es handelt sich um eine relative Größe, die z.B. im Verhältnis zu anderen Staaten verwendet werden kann. Wo sie niedriger ist, wird gehandelt - ein grobes Beispiel
gut und die Analogie mit Hearst, messen in sk. FensterGibt es in der Schicht weniger Neuronen als in der vorhergehenden, wird die Information komprimiert, gibt es mehr Neuronen als in der vorhergehenden, wird sie "unkomprimiert".
Über Entropie:
https://habr.com/ru/post/305794/
Ja, sie sind verallgemeinert. Bei einer Eingabe von z. B. 100 Barren sollten zwei Befehle ausgegeben werden: Kauf oder Verkauf.
Die Aufgabe besteht nicht darin, ein neuronales Netz dazu zu bringen, eine große Menge an Daten zu speichern, sondern die Menge der Daten, auf die es trainiert wurde, zu erfüllen. Wenn das Netz zu groß und die Datenmenge zu gering ist, lernt es zwar leicht, kann aber nicht auf andere Daten verallgemeinert werden. Daher sollte die Anzahl der Neuronen so gering wie möglich sein. Mehr als drei Schichten sind irgendwie unnötig. In der ersten Schicht entspricht die Anzahl der Neuronen der Größe des Musters der Eingabedaten und in der letzten - der Anzahl der resultierenden Varianten. Und in der Zwischenstufe gibt es so wenig wie möglich, aber nicht weniger als in der Ausgangsstufe.
.... Mehr als drei Schichten sind eigentlich unnötig. In der ersten Schicht entspricht die Anzahl der Neuronen der Größe des Eingabedatenmusters, in der letzten Schicht - der Anzahl der resultierenden Varianten. Und in der Zwischenschicht ist sie so klein wie möglich, aber nicht kleiner als in der Ausgabeschicht.
Es ist mathematisch bewiesen (ich habe den Beweis in einigen Büchern gefunden), dass ein Netz mit einer inneren Schicht jede kontinuierliche Funktion approximieren kann, und ein Netz mit zwei Schichten kann auch Funktionen mit Lücken approximieren. Aus diesem Beweis folgt, dass die Anzahl der Schichten größer als 2 keinen praktischen Sinn macht und nur zu Umlernen führt.
d.h. es sind maximal 2 Innenschichten erforderlich (und in vielen Fällen reicht eine).Nein, sehen Sie, diese Entropie bewertet die Menge an Informationen in BP. Je niedriger die Entropie, desto mehr Informationen (mehr Zyklen werden manifestiert). D.h. es handelt sich um eine relative Größe, die z.B. im Verhältnis zu anderen Staaten verwendet werden kann. Wo er niedriger ist, ist er zum Handeln da - ein grobes Beispiel.
und die Analogie zu Hurst, Maßnahme im Fenster sk.Maximal haben Sie recht, aber theoretisch
Hier ist das Schaubild, was sollen wir als die Menge der Informationen annehmen? 1 bar? - D.h., nehmen wir eine Gruppe von Balken - wir haben einen bestimmten Zeitraum, wie ist dann unser Ansatz besser als die Bewertung der aktuellen Marktsituation mit RSI, Stochastik oder Flohdiagramm? - in keiner Weise gleich, imho
die Anwendung von TS sollte auf dem Marktkontext basieren - ja, aber der Kontext kann kaum formalisiert werden, manche Leute versuchen, den aktuellen Flat als Kontext zu nehmen und einen Flat zu handeln, andere zeichnen eine Trendlinie und warten auf einen Durchbruch .... und wer hat Recht?
Maxim, du hast recht, aber nur theoretisch.
Hier ist ein Diagramm, was können wir als Informationsmenge annehmen? 1 bar? - nicht ernst, nehmen Sie eine Gruppe von Bars - wir haben einen bestimmten Zeitraum, dann, wie ist unser Ansatz besser als die Bewertung der aktuellen Zustand des Marktes mit RSI, Stochastik, Floh geritten? - in keiner Weise gleich, imho
die Anwendung von TS sollte auf dem Marktkontext basieren - ja, aber der Kontext kann kaum formalisiert werden, manche Leute versuchen, den aktuellen Flat als Kontext zu nehmen und einen Flat zu handeln, andere zeichnen eine Trendlinie und warten auf einen Durchbruch .... Wer hat Recht?
Verstehe... das Fenster optimieren, die Veränderungen in der Entropie betrachten, das Modell mit verschiedenen Fenstern trainieren und Schlussfolgerungen ziehen. Es ist klar, dass es sich um die Vergangenheit handelt, aber wenn wir den Prognosehorizont eingrenzen und das MOS verwenden, um diese Intervalle zu füllen, erhalten wir die Informationen
Das ist in etwa das, was ich meine.
Es wird Ihnen nicht sagen, ob es periodische Zyklen hat oder nicht, sondern ob es Entropie hat. Ich sage nicht, dass es funktionieren wird, ich sage nur, dass man die Daten überprüfen muss.
Verstehe... das Fenster optimieren, die Entropieänderungen betrachten, das Modell mit verschiedenen Fenstern trainieren und Schlussfolgerungen ziehen. Es ist klar, dass es sich um die Vergangenheit handelt, aber wenn wir den Prognosehorizont verringern und das MOS verwenden, um diese Intervalle zu füllen, erhalten wir die Informationen
Das ist in etwa das, was ich meine.
Es wird Ihnen nicht sagen, ob es periodische Zyklen hat oder nicht, sondern ob es Entropie hat. Ich sage nicht, dass es funktionieren wird, ich sage nur, dass es auf Datenbasis untersucht werden muss.
Ich werde nicht alles fragen, aber ich bin es leid, zu lesen... Wie genau ist es, NS in einem gleitenden Fenster zu unterrichten?
- Wenn wir nach periodischen Informationen suchen - ja, das ist richtig -, wird der NS versteckte Schleifen finden und seine eigenen Gewichtungskoeffizienten anpassen
- wenn wir den NS lehren zu erkennen, ja es ist der NS zu lernen
- Es gibt keine periodischen Zyklen auf dem Markt, irgendwo habe ich eine RE, die die Zeit der Bildung der Spitze der RE, bei jeder Einstellung der RE, gibt es nie periodische Wiederholungen, gibt es nicht so etwas, dass der nächste Bruch der RE wird in Bars wie 5,11,7,3....5,11,7,3.... - Es wird alle möglichen Kombinationen geben, aber keine Wiederholungen.
Wenn wir NS in einem gleitenden Fenster mit nicht-periodischen Informationen trainieren, was passiert dann mit den Gewichten? - soweit ich mich erinnere, kann man in der eu nicht einmal ein einschichtiges netz trainieren, sondern nur ein mehrschichtiges - kann ein gleitendes fenster für solche dinge verwendet werden? ich habe meine zweifel
ZS: Datamining - ja, wenn Sie es schaffen, die Daten zu filtern, die Informationen tragen - dann ist der Gral Ihr ;)
Ich kann nicht alles fragen, und ich bin es leid, zu lesen... Wie richtig ist es, NS in einem gleitenden Fenster zu trainieren?
- Wenn wir nach periodischen Informationen suchen - ja, das ist richtig, der NS wird versteckte Zyklen finden und seine eigenen Gewichtungskoeffizienten anpassen.
- wenn wir den NS lehren zu erkennen, ja es ist der NS zu lernen
- Es gibt keine periodischen Zyklen auf dem Markt, irgendwo habe ich eine RE, die die Zeit der Bildung der Spitze der RE, bei jeder Einstellung der RE, gibt es nie periodische Wiederholungen, gibt es nicht so etwas, dass der nächste Bruch der RE wird in Bars wie 5,11,7,3....5,11,7,3.... - Es wird alle möglichen Kombinationen geben, aber keine Wiederholungen.
Wenn wir NS in einem gleitenden Fenster mit nicht-periodischen Informationen trainieren, was passiert dann mit den Gewichten? - soweit ich mich erinnere, kann man in der eu nicht einmal ein einschichtiges netzwerk trainieren, sondern nur mehrschichtige netzwerke - kann ein gleitendes fenster für solche dinge verwendet werden? ich habe da meine zweifel
ZS: Datamining - ja, wenn man es schafft, Daten zu filtern, die Informationen tragen - dann hat man den Gral ;)
Sie müssen nicht unbedingt periodisch sein, aber sie müssen auch kein Lärm sein. Das Bild ist probabilistisch, nicht streng. Das gleitende Fenster ist für den Entropie-Indikator sowie die Anzahl der Merkmale für das Training gedacht, Sie können sich für diese entscheiden.
Wenn die Proben uneinheitlich sind, kann man nichts herausfinden, deshalb gibt es so viele 50\50 Fehler. Und eine Schleife kann nicht widersprüchlich sein, entweder sie existiert oder sie existiert nicht, in welcher Form auch immer. Wenn Sie viele verschiedene Schleifen hinzufügen, widersprechen sie sich nicht.
Zyklus/Nicht-Zyklus ist ein relatives Konzept innerhalb der entropischen Metrik