Artikel: Preisprognosen mit neuronalen Netzen - Seite 9
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
Vinin, du hast einmal geschrieben, dass du dich mit NS beschäftigt hast und sogar, dass dein EA in der Meisterschaft eine Implementierung von NS ist. Mit anderen Worten: Im Vergleich zu mir sind Sie ein Experte. Was sollte ich lesen, um dieses riesige Thema zu verstehen? Der Zweck - nicht nur zu verstehen, die Grundsätze der Vernetzung, sondern zu verstehen, es tief genug, um MQL5 verwenden, um das Netzwerk selbst zu schreiben (die ich hoffe, zu planen, wenn ich das Thema verstehen) und die gesamte Infrastruktur, im Zusammenhang mit seiner Ausbildung.
Ich halte mich nicht für einen Spezialisten, aber ich kann jederzeit ein Netzwerk aufbauen, wenn es nötig ist.
PraVedNiK. Oder vielleicht ist es an der Zeit, von einem einzelnen Neuron zu einem normalen Neuron überzugehen. Es ist ein bisschen anders, und überhaupt ist alles anders.
Perceptron ist eine Linie, die 2 Klassen trennt: grüne Kugeln sind"Preis wird wahrscheinlich steigen",
Die roten sind "Preis ...unten". Aber das Problem ist, dass es einen unübersichtlichen Bereich gibt, in dem die Bälle durcheinander sind.
verwechselt werden. Einige kluge Leute / einschließlich - und dieses Forum /, nach der Lektüre von Büchern
Shumsky und andere werden vorschlagen, dass wir zu einem Multilayer wechseln sollten, um mehr von diesen Trennlinien zu schaffen.
Sie können es auf diese Weise tun oder auch nicht, Sie können einen Filter in Ihrem DiRoLnoDoLgo EA setzen:
Hoch[1]<Hoch[2] && Tief[1]<Tief[2] && iOsMA... und High[1]>High[2] && Low[1]>Low[2]&& iOsMA... ,
und es wird etwa 2/3 dieser Hämorrhoidenbeulen entfernen, und - LINKS ! siehe Abbildung..:
Danach ist es einfacher, die Trennungslinie zu ziehen - das heißt, bis zum Ende.
Genau darum geht es beiDiRoLnoDoLgo : dieses Problem zumindest teilweise zu beseitigen
die Hämorrhoiden teilweise zu entfernen - die Ergebnisse der Vorwärts - Analyse / in den letzten 5 Monaten / sind wie folgt ausgefallen
Die Ergebnisse der Forward - Analyse für die letzten 5 Monate sind recht gut: Bruttogewinn = +16 Zahlen, erwarteter Payoff = + 2 Zahlen /fast/, Rentabilität = 30.
Ich hätte nie gedacht, dass jemand die Verwendung von mehrschichtigen Netzen zur Verbesserung der Klassifizierungsleistung in Frage stellen würde. =)
Ich empfehle zu lesen, was Jan LeCun darüber schreibt - http://yann.lecun.com/exdb/mnist/index.html. Allerdings ist das Thema dort etwas anders gelagert - Zeichenerkennung. Wie auch immer, die einlagigen Maschen zeigten die schlechtesten Ergebnisse - 8,4 %. Aber! Eine der mehrschichtigen (zweischichtig, mit 300 Neuronen in der versteckten Schicht) hatte ein sehr gutes Ergebnis - 1,6 % Fehler. Das heißt, wenn man auch nur eine Schicht hinzufügt, wird das Netz viel "leistungsfähiger".
Ich glaube nicht, dass die Verringerung des Umfangs der Ausbildungsstichprobe eine gute Option ist. Viel besser wäre es, eine größere Klassentrennbarkeit zu erreichen - d.h. die Eingabedaten so umzuwandeln, dass es keine Konflikte gibt (z.B. um das Zeitintervall für die Sichtbarkeit der Kurse zu erhöhen). Ich erinnere mich, dass das fxclub-Buch "Trading - Ihr Weg zur finanziellen Freiheit" empfiehlt, mehr als ein Kurspaar an das Grid zu senden.
Ja, es gibt noch einen weiteren Nachteil bei der Verwendung von einschichtigen Gittern: Die Person, die dieses Gitter bauen und trainieren will, muss nicht einmal lernen, was BackProp und viele andere Dinge sind. D.h. durch die Verwendung von Maschen alter Architekturen sinkt die Wahrscheinlichkeit, dass in naher Zukunft effektive Maschen neuer Architekturen geschaffen werden, was sehr, sehr schlecht ist, denn wir müssen den Maschen irgendwie helfen. =)
Als jemand, der sich seit langem mit neuronalen Netzen auf den Finanzmärkten beschäftigt, kann ich eines sagen: Die wichtigsten Dinge sind dort nicht beschrieben. Natürlich programmiere ich keine neuronalen Netze - ich beschäftige mich ausschließlich mit ihrer ANWENDUNG, was ein separates und sehr "heikles" Thema ist. Davon hängt eine Menge ab. Und genau diese Anwendung wird in diesem Artikel nicht beschrieben - sie ist jedoch eines der wichtigsten und grundlegenden Themen der "Anwendung neuronaler Netze auf den Finanzmärkten". Davon hängt eine Menge ab.... ..... ...
Aber das ist meine persönliche Meinung.....
Als jemand, der sich seit langem mit neuronalen Netzen auf den Finanzmärkten beschäftigt, kann ich eines sagen: Die wichtigsten Dinge sind dort nicht beschrieben. Ich programmiere natürlich keine neuronalen Netze - ich beschäftige mich ausschließlich mit ihrer ANWENDUNG, was ein separates und sehr "heikles" Thema ist. Davon hängt eine Menge ab. Und genau diese Anwendung wird in diesem Artikel nicht beschrieben - sie ist jedoch eines der wichtigsten und grundlegenden Themen der "Anwendung neuronaler Netze auf den Finanzmärkten". Davon hängt eine Menge ab.... ..... ...
Aber das ist meine persönliche Meinung.....
Ja.
Als jemand, der sich nur wenig mit neuronalen Netzen befasst (nur 12 Jahre), kann ich einer Person, die sich seit langem mit neuronalen Netzen befasst, sagen, dass die Anwendung neuronaler Netze bei jeder Aufgabe untrennbar mit ihrem Design (Programmierung) verbunden ist. Die Hauptsache sind zwei Postulate: Ausgangsdaten (das ist ein separater Song) und das Wichtigste - der Trainingsalgorithmus. Netze können alles - die Hauptsache ist, dass man sie richtig trainiert.
Ich hätte nie gedacht, dass jemand die Verwendung von mehrschichtigen Netzen zur Verbesserung der Klassifizierungsleistung in Frage stellen würde. =)
Ich empfehle zu lesen, was Jan LeCun darüber schreibt - http://yann.lecun.com/exdb/mnist/index.html. Allerdings ist das Themengebiet dort etwas anders - Zeichenerkennung. Wie auch immer, die einlagigen Maschen zeigten die schlechtesten Ergebnisse - 8,4 %. Aber! Eine der mehrschichtigen (zweischichtig, mit 300 Neuronen in der versteckten Schicht) hatte ein sehr gutes Ergebnis - 1,6 % Fehler. D.h. mit der Hinzufügung auch nur einer Schicht wird das Netz viel "leistungsfähiger".
Genau, denn es handelt sich um einen völlig anderen Themenbereich und damit auch um einen anderen Ansatz. Die Umrisse von Zeichen in Standardschriftarten sind unveränderlich, so dass es sinnvoll ist, das Netz einmal an einem Beispiel zu trainieren, z. B. an ein paar Seiten, damit das neuronale Netz die Zeichen im Rest des Buches mit hoher Genauigkeit erkennt.
Die Finanzmärkte sind ein weiterer Bereich, in dem sich alles ständig verändert und in ständiger Bewegung ist. Daher werden komplexe Multilayer hier vermasselt. Eine überspitzte Analogie im Bereich der Zeichenerkennung ist, dass ein Symbol "A" auf einer Seite eines Buches als "A" interpretiert werden sollte und auf der nächsten Seite das gleiche "A" bereits als "B" interpretiert wird.
Aus diesem Grund kann dasselbe Muster, das in verschiedenen Abschnitten der Historie der Finanzinstrumente erkannt wird, in Handelssignalen unterschiedlich interpretiert werden, d.h. in einigen Abschnitten ist seine Identifizierung eher für die Eröffnung von Long-Positionen und die Schließung von Short-Positionen geeignet, während es in anderen Abschnitten umgekehrt ist: Eröffnung von Short- und Schließung von Long-Positionen.
macht Sinn: ...
Ich hätte nie gedacht, dass irgendjemand diese Frage stellen würde.
über die Verwendung mehrschichtiger Netze zur Verbesserung
Klassifizierungsmerkmale. =)
Ich empfehle zu lesen, was Jan LeCun darüber schreibt - http://yann.lecun.com/exdb/mnist/index.html. Aber der Themenbereich ist dort etwas anders - Symbolerkennung.
Zeichenerkennung. Wie auch immer, die einschichtigen Maschen waren
die schlechtesten Ergebnisse (8,4 %). Aber! Eine der mehrschichtigen (bilayer,
mit 300 Neuronen in der versteckten Schicht) zeigte ein sehr gutes Ergebnis
- 1,6 % Fehler. Das heißt, die Hinzufügung auch nur einer Schicht macht das Gitter
viel "leistungsfähiger".
Genau, es handelt sich um einen anderen Themenbereich und damit um eine
einen anderen Ansatz. Die Form der Zeichen in Standardschriftarten ist gleich,
Es ist also sinnvoll, das Netz einmal an einem Beispiel zu trainieren,
ein paar Seiten, damit das neuronale Netz die Daten genau erfassen kann.
die Figuren im Rest des Buches.
Oder ist das Papier ebenso weiß und hochwertig.
Nein, es ist auch eine variable Aufgabe, wenn alles so ist, wie Sie schreiben, dann brauchen Sie keine neuronalen Netze, ein einfacher Vergleich genügt.
macht Sinn: ...
Ich hätte nie gedacht, dass irgendjemand diese Frage stellen würde.
über die Verwendung mehrschichtiger Netze zur Verbesserung
Klassifizierungsmerkmale. =)
Ich empfehle zu lesen, was Jan LeCun darüber schreibt - http://yann.lecun.com/exdb/mnist/index.html. Aber der Themenbereich ist dort etwas anders - Symbolerkennung.
Zeichenerkennung. Wie auch immer, die einschichtigen Maschen waren
die schlechtesten Ergebnisse (8,4 %). Aber! Eine der mehrschichtigen (bilayer,
mit 300 Neuronen in der versteckten Schicht) zeigte ein sehr gutes Ergebnis
- 1,6 % Fehler. Das heißt, die Hinzufügung auch nur einer Schicht macht das Gitter
viel "leistungsfähiger".
Genau, es ist ein anderer Themenbereich und daher ein
einen anderen Ansatz. Die Form der Zeichen in Standardschriftarten ist gleich,
Es ist also sinnvoll, das Netz einmal an einem Beispiel zu trainieren,
ein paar Seiten, damit das neuronale Netz die Daten genau erfassen kann.
die Figuren im Rest des Buches.
Oder ist das Papier ebenso weiß und hochwertig.
Nein, es ist auch eine variable Aufgabe, wenn alles so ist, wie Sie schreiben, dann brauchen Sie keine neuronalen Netze, ein einfacher Vergleich reicht aus.
2. Ein Buch der gleichen Auflage wird von allen Maschinen auf die gleiche Weise gedruckt. Wenn es anders ist, dann ist es ein Fehler.
3. Bei gleicher Auflage hat das Papier das gleiche Format: z.B. "Format 70x100 1/16". Offsetdruck. Druckgröße 37,4." Das Papier sollte ebenfalls der Norm entsprechen. Gut und Sätze von Schriftarten unterscheiden sich nicht große Vielfalt, um nicht die Vision der Leser zu verderben.
Jedenfalls sind die Aufgaben der Mustererkennung für Bereiche, in denen es Normen gibt, z.B. Polygraphie und Bereiche ohne Normen, z.B. Finanzmärkte, völlig unterschiedlich und die Fehlerwahrscheinlichkeiten in den Lösungen sind auch unterschiedlich.
Es gibt eine noch einfachere Erklärung: Wenn Mustererkennungsalgorithmen für Finanzmärkte genauso häufig falsch wären wie Mustererkennungsalgorithmen für gedruckte Texte, dann ... (ich brauche nicht weiter darauf einzugehen, denn das wäre ohnehin klar).