Berater für neuronale Netze, Erfahrungsaustausch. - Seite 3
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
Niemand hat mich dazu angestiftet, ich fand es nur interessant.)
Niemand bestreitet, dass es interessant ist!
Aber man kann nicht einfach ein paar Schritte beim Erlernen einer Spezialität überspringen - das würde nichts bringen...
Ein neuronales Netz allein wird nicht den "richtigen Output" liefern - es ist kein Zauberstab. Sie brauchen die richtige Idee einer Handelsstrategie, die auch ohne ein neuronales Netz ein anständiges Ergebnis liefern wird...
Niemand bestreitet, dass es interessant ist!
Aber man kann nicht einfach ein paar Stufen überspringen, um ein Fachgebiet zu unterrichten - das bringt nichts...
Ein neuronales Netzwerk allein wird Ihnen nicht den "richtigen Output" liefern - es ist kein Zauberstab. Sie brauchen die richtige Idee einer Handelsstrategie, die auch ohne ein neuronales Netzwerk ein anständiges Ergebnis liefern wird...
Ich streite nicht über die Idee, natürlich ist sie notwendig. Aber ein neuronales Netz hilft auch dabei, eine Idee schnell zu testen oder zumindest Wege zu finden, um weiterzukommen. Ich sehe zum Beispiel schon, dass 11 Eingänge von Standardoszillatoren, die alle +- das Gleiche anzeigen, nichts ergeben. Genauso kann er mit einem einzigen Eintrag handeln.
Sie haben Recht, was das Springen angeht, das ist überhaupt nicht mein Fachgebiet, ich bin nicht einmal Mathematiker oder Programmierer. Glücklicherweise reicht es aus, wenn man im übertragenen Sinne versteht, was ein neuronales Netz ist und was es tut, denn fertige Lösungen, wie diese Klasse, sind bereits verfügbar. Und dann experimentieren Sie einfach, indem Sie Ihr Wissen über den Markt nutzen, um einige Ideen zu testen.
Ich werde jetzt nach meinem Thema für neuronale Netze suchen.... Es war auf dem Quad, und es ist lange her.
http://forum.mql4.com/ru/38550
Die Eingabe war der Preisunterschied mit einer gewissen Verzögerung (in der Größenordnung von ein paar Stunden). Die Ausgabe ist eine Vorhersage für mehrere Stunden im Voraus binär plus oder minus.
Alle Netze wurden mit roher Gewalt aus der Architektur gewonnen.
Das Hauptproblem war das Verkleben mehrerer Vorwärtsversuche. Dies sollte auf eine gute Art und Weise automatisiert werden.
Aus all dem habe ich verstanden, dass das Wichtigste der richtige Input ist, ich sollte darüber nachdenken... Eine Art von versteckter Abhängigkeit ist mit einem neuronalen Netz recht schwierig zu finden, man muss zunächst eine Vorstellung von einer Art von Abhängigkeit haben und sie dann mit einem Gitter verarbeiten.
Was die Eingaben betrifft, ja. Aber die Sache ist die, dass man nicht wirklich eine Reihe von "guten" Eingaben auf einen Blick machen kann. Wie findet man sie heraus? Wir sollten eine Vielzahl von Eingaben machen und dann ein Verfahren zur Auswahl eines informativen Vektors von Eingaben durchführen. Und wir sollten das Netz darauf trainieren. Und wenn man informative Eingaben findet (was in 90 % der Fälle der Fall ist), dann wird das Netz überhaupt nicht benötigt, weil das Modell auf einer Art regelbildendem Algorithmus und nicht auf einer Blackbox beruhen kann.
Über die Abhängigkeit. Das Netz gibt keinen Aufschluss über die Form der Abhängigkeit. Sie ist für diesen Zweck gar nicht vorgesehen. Und noch einmal kommen wir auf den vorherigen Punkt zurück: Es ist notwendig, informative Merkmale zu finden und sie zu nutzen, um statistisch relevante Regeln aufzustellen.
Wenn Sie eine Entschlüsselung wünschen, kann ich Ihnen mehr sagen). Eigentlich bin ich jetzt im Dienst und kann nicht viel Zeit für Erklärungen aufwenden, aber es ist gut, dass heute Freitag ist. ))
Was die Eingaben betrifft, ja. Aber die Sache ist die, dass man nicht wirklich eine Reihe von "guten" Eingaben auf einen Blick machen kann. Wie findet man sie heraus? Wir sollten eine Vielzahl von Eingaben machen und dann ein Verfahren zur Auswahl eines informativen Vektors von Eingaben durchführen. Und wir sollten das Netz darauf trainieren. Und wenn man informative Eingaben findet (was in 90 % der Fälle der Fall ist), dann wird das Netz überhaupt nicht benötigt, weil das Modell auf einer Art regelbildendem Algorithmus und nicht auf einer Blackbox beruhen kann.
Über die Abhängigkeit. Das Netz gibt keinen Aufschluss über die Form der Abhängigkeit. Sie ist für diesen Zweck gar nicht vorgesehen. Und noch einmal kommen wir auf den vorherigen Punkt zurück: Es ist notwendig, informative Merkmale zu finden und sie zu nutzen, um statistisch relevante Regeln aufzustellen.
Wenn Sie eine Entschlüsselung wünschen, kann ich Ihnen mehr sagen). Eigentlich bin ich jetzt im Dienst und kann nicht viel Zeit für Erklärungen aufwenden, aber es ist gut, dass heute Freitag ist. ))
Eigentlich war meine Idee ursprünglich: Netze auf verschiedenen Zeitrahmen zu trainieren, dann Signale von kleinen durch große zu filtern, d.h. einen statistischen Vorteil zu erlangen, wobei zu berücksichtigen ist, dass die Netze einen gewissen Prozentsatz an falschen Einträgen produzieren werden, sagen wir 50 bis 50. Neuronale Netze selbst implizieren die Verarbeitung einer großen Menge von Daten, das ist ihr Vorteil, so können Sie nicht von einem bestimmten qualitativen Mustern gehen, sondern eine große Anzahl von Signalen über die Platte zu schmieren. Und es spielt keine Rolle, was in ihm vor sich geht, wichtig ist, dass das neuronale Netz versucht, das alles zu ordnen. Aber ohne OpenCl ist das nicht möglich, es würde zu lange dauern. Wahrscheinlich brauchen wir Netze der dritten Generation, wie in dem Artikel beschrieben.
Aber natürlich sind Ihre Bemerkungen interessant. Ich werde versuchen, mit dem zuvor vorgeschlagenen Indikator zu arbeiten. Gepaart mit Zickzack (2 Ausgänge) ergibt das etwas Unverständliches. Ich werde die Anzahl der Eingänge reduzieren und sie nur auf dem Ausgang belassen.
Ich habe noch nie von jemandem gehört, der mit muwings regelmäßig Geld verdient).
Sie wissen, dass alle Muster im Vergleich zu linearen Indikatoren zurückbleiben und das neuronale Netz in diesem Fall nutzlos ist.
Im Allgemeinen hatte ich von Anfang an die Idee, Netze auf verschiedene TFs zu trainieren und dann Signale von kleinen TFs durch große zu filtern, d. h. einen statistischen Vorteil zu erzielen, wobei zu berücksichtigen ist, dass Netze einen gewissen Prozentsatz an falschen Eingaben produzieren, sagen wir 50 bis 50. Neuronale Netze selbst implizieren die Verarbeitung einer großen Menge von Daten, das ist ihr Vorteil, so dass man nicht von irgendwelchen bestimmten qualitativen Mustern ausgehen kann, sondern eine große Anzahl von Signalen über die Platte schmieren kann. Und es spielt keine Rolle, was in ihm vor sich geht, wichtig ist, dass das neuronale Netz versucht, das alles zu ordnen. Aber ohne OpenCl ist das nicht möglich, es würde zu lange dauern. Wahrscheinlich brauchen wir Netze der dritten Generation, wie in dem Artikel beschrieben.
Aber natürlich sind Ihre Bemerkungen interessant. Ich werde versuchen, mit dem zuvor vorgeschlagenen Indikator zu arbeiten. Gepaart mit Zickzack (2 Ausgänge) ergibt das etwas Unverständliches. Ich werde die Anzahl der Eingänge reduzieren und sie nur auf dem Ausgang belassen.
Bei meiner Arbeit habe ich ein binäres Klassifizierungsmodell für 10 diskrete Variablen pro Eingabe entwickelt. Ich habe sie auf clevere Weise aus 76 Merkmalen ausgewählt. Die Vorhersage ist eine so genannte Mehrheitsvorhersage - wenn der Anteil der Einsen stark überwiegt, dann Eins. Es stellte sich heraus, dass die Qualität des Klassifizierers nicht schlechter war als ein Zufallsbaum mit 150 Bäumen, der meinen gesamten Merkmalsvektor mit 76 Variablen verwendete! Außerdem konstruiert das einfache Modell für den Menschen lesbare Regeln, während der Wald ein dunkler Kasten ist.
Übrigens kann ein normales mehrschichtiges Perzeptron zur Auswahl von Merkmalen verwendet werden, indem die Gewichte eines trainierten Netzes analysiert werden. Sie wissen wahrscheinlich, dass das Netz bei korrelierten Eingaben, bei Eingabe-Ausgabe-Paaren, die sich gegenseitig widersprechen, schlechter lernt. Um schlechte Inputs herauszufiltern, muss man sie also durchsieben.
Lesen Sie mehr über die Auswahl an informativen Schildern oder Features. Es ist kein guter Ansatz, das Netz mit einer Vielzahl von Unbekannten zu füttern.
Ich habe bei meiner Arbeit ein binäres Klassifizierungsmodell mit 10 diskreten Variablen als Eingabe entwickelt. Ich habe sie auf clevere Weise aus 76 Merkmalen ausgewählt. Die Vorhersage ist eine so genannte Mehrheitsvorhersage - wenn der Anteil der Einsen stark überwiegt, dann Eins. Es stellte sich heraus, dass die Qualität des Klassifizierers nicht schlechter war als ein Zufallsbaum mit 150 Bäumen, der meinen gesamten Merkmalsvektor mit 76 Variablen verwendete! Außerdem konstruiert das einfache Modell für den Menschen lesbare Regeln, während der Wald ein dunkler Kasten ist.
Übrigens kann ein normales mehrschichtiges Perzeptron zur Auswahl von Merkmalen verwendet werden, indem die Gewichte eines trainierten Netzes analysiert werden. Sie wissen wahrscheinlich, dass das Netz bei korrelierten Eingaben, bei Eingabe-Ausgabe-Paaren, die sich gegenseitig widersprechen, schlechter lernt. Um also die schlechten Eingaben herauszufiltern, muss man sie sichten.
Ja, das nennt man wohl den Fluch der Dimensionalität :) In der Tat, in meinem Fall, eine Reihe von identischen Oszillatoren am Eingang, all dies muss entfernt werden und ein links.
Eine weitere Frage: Ist es besser, bei der Normalisierung der Daten für die Eingänge alle Vektoren gleichzeitig in einem Zyklus zu normalisieren, wobei die Maximal- und Minimalwerte des gesamten Satzes berücksichtigt werden, oder für jeden Eingang separat zu normalisieren, wobei Maximal- und Minimalwerte jedes einzelnen Vektors berücksichtigt werden?
Niemand bestreitet, dass es interessant ist!
Aber man kann nicht einfach ein paar Schritte beim Erlernen einer Spezialität überspringen - das würde nichts bringen...
Ein neuronales Netz allein wird nicht die "richtige Ausgabe" liefern - es ist kein Zauberstab.
Sie brauchen die richtige Idee einer Handelsstrategie, die auch ohne das neuronale Netz ein anständiges Ergebnis liefert...
Dann brauchen Sie kein neuronales Netz.