Wie lässt sich der Beitrag eines "spezifischen" Inputs zu den NS praktisch bewerten? - Seite 4
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
Wir können auch die folgende Variante vorschlagen: Der Einfachheit halber nehmen wir NS mit drei Eingängen.
Wenden Sie alle 20 Eingaben an und lassen Sie den Optimierer die beste Kombination von 3 Eingaben selbständig nach einem Kriterium finden, z. B. einem Vorwärtslauf für minimalen Drawdown.
Etwa so.
Wir können auch die folgende Variante vorschlagen: Der Einfachheit halber nehmen wir NS mit drei Eingängen.
Wenden Sie alle 20 Eingaben an und lassen Sie den Optimierer die beste Kombination von 3 Eingaben selbständig nach einem Kriterium finden, z. B. einem Vorwärtslauf für minimalen Drawdown.
Etwa so.
Nicht ganz Freitag, aber ...
Es gibt ein NS, irgendein NS, es gibt eine Eingabe A={A1, A2, .... A20}. Trainieren Sie die NS und erzielen Sie ein zufriedenstellendes Ergebnis. Wie lässt sich der Beitrag der einzelnen Elemente der Eingaben A1, A2, ... praktisch bewerten? A20 zu diesem Ergebnis?
Die Optionen, die mir in den Sinn kommen, sind:
1) Alle Gewichte, mit denen das Element das Netz durchläuft, irgendwie zusammenzählen und berechnen. Mir ist nicht ganz klar, wie ich das machen soll, ich müsste mich in den Netzbetrieb vertiefen und irgendwie einige Koeffizienten berechnen, usw.
2) Versuchen Sie, ein Element des Eingangsvektors auf Null zu setzen oder umzukehren und sehen Sie, wie sich dies auf das Endergebnis auswirkt. Bis jetzt habe ich mich damit abgefunden.
Doch bevor ich diese zweite Variante realisierte, beschloss ich, meinen Rat einzuholen. Wer hat vielleicht schon länger über dieses Thema nachgedacht als ich? Vielleicht kann mir jemand ein nützliches Buch oder einen Artikel empfehlen?
Ich schlage vor, einen Indikator zu schreiben und ihn in einem separaten Fenster auszuführen.
Indikatorlinien würden sehr interessante kognitive Beobachtungen ermöglichen.
Indikatorlinien können sein: Neuronen-Addierer-Ausgänge; Neuronen-Ausgänge nach nichtlinearen Wandlern; möglicherweise Ausschuss-Ausgänge usw. Alles hängt nur von Ihren Wünschen und Phantasien ab.
Eine solche Sichtbarkeit wird dazu beitragen, in diese Blackbox "einzudringen" und zu verstehen, wie das Ganze dort abläuft/funktioniert.
Das ist sicher. Jeder hat die Wahl: ein Buch zu lesen oder sich in eine unkontrollierte Fantasie zu stürzen.
Nur zur Erinnerung: Dies ist die in den Büchern beschriebene Methode.
Vielleicht nicht in der Form, die ich hier vorgelegt habe, aber im Wesentlichen richtig.
Der Grad des Einflusses jedes einzelnen Inputs lässt sich kaum realistisch einschätzen .
Ich weiß nicht. Im Verhältnis zu den anderen Eingaben ist es in Ordnung. Nur die Eingänge müssen normalisiert werden.
Wir nehmen also die vorhergesagten Ergebnisse als Maßstab und berechnen für jede Eingabe für alle Muster den RMS-Fehler für eine sehr kleine Verschiebung einer bestimmten Eingabe.
Die Anwendung eines soliden evidenzbasierten Ansatzes außerhalb seines ökonometrischen Kontextes wirft kindische Fragen auf.
Eine Regression durchführen:
Gewinn = s(1) * A0 + ... s(n) * A(n)
Wir schätzen die Koeffizienten dieser Regression.
Unmittelbar danach erhalten wir
Wahrscheinlichkeit, dass ein bestimmter Koeffizient gleich Null ist - eine solche Eingabe löschen
Wahrscheinlichkeit, dass alle Koeffizienten zusammengenommen gleich Null sind
Mit Hilfe von Ellipsen erhalten wir Korrelationskoeffizienten
den Test auf redundante Eingänge durchführen
einen Test auf fehlende Eingaben durchführen
Prüfung der Stabilität der Koeffizientenwerte (Bewertung der Zufälligkeit ihrer Änderung)
Ein intelligenter Mann kam und gab eine erwachsene Antwort auf meine kindische Frage. Nicht nur sind Regression und NS nicht ganz dasselbe, sondern die vorgeschlagene Option ist zumindest nicht einfacher. Wir schätzen, erhalten, leiten, leiten, leiten... Und es ist nicht klar, wie die in einem ganz anderen System erzielten Ergebnisse zu interpretieren sind. Ist der MACD gut oder schlecht? Kann der eine TS sie verwenden, der andere nicht?
Wir können auch die folgende Variante vorschlagen: Wir nehmen der Einfachheit halber ein NS mit drei Eingängen.
Wir geben alle 20 Eingaben ein und lassen den Optimierer die beste Kombination von 3 Eingaben selbständig finden, z. B. einen Vorwärtslauf für minimalen Drawdown.
Etwa so.
Ich habe genau das Gleiche gemacht, aber keine Eingaben genommen und Kombinationen daraus erstellt. Ich habe Eingaben und einige Kombinationen daraus ausgeschlossen und das Ergebnis beobachtet - was das Gleiche ist. Einschalten, ausschalten - was ist der Unterschied? Aufgrund der Besonderheiten der Implementierung fand ich es bequemer, sie auszuschließen.
Das ist richtig. Jeder hat die Wahl: ein Buch lesen oder einen ungebremsten Höhenflug entwickeln.
Andererseits habe ich auch schon nach den Artikeln in den Büchern gefragt. Niemand hat etwas zu diesem Thema vorgeschlagen, und Sie haben es auch nicht getan. Gehen Sie in die Bibliothek für Wissenschaft und Technik und beten Sie für die Ökonometrie, die einzige Nicht-Wissenschaft...) Obwohl ich wirklich nichts gegen Bücher habe, wenn ich sie auf der Toilette mit dem Ziel der Bildung oder Kultur durchblättere, sind sie von sehr geringem praktischem Nutzen und haben keine fertigen Lösungen, weil sie von fundamentalistischen Theoretikern oder von erfolglosen angewandten Wissenschaftlern geschrieben sind. Und ganz gleich, wie oft man sie liest, ohne "ungezügelte Phantasie" sind sie von keinem praktischen Nutzen.
Ich weiß nicht. Im Verhältnis zu den anderen Eingaben ist es in Ordnung. Nur die Eingänge sollten normalisiert werden.
Wir nehmen also die vorhergesagten Ergebnisse als Benchmark und berechnen für jede Eingabe für alle Muster den RMS-Fehler für eine sehr kleine Verschiebung einer bestimmten Eingabe.
Übrigens ist NS auch eine Regression. Die gleiche Abhängigkeit des aktuellen Countdowns von früheren Countdowns. Aber das ist nicht der Punkt.
Was die FAA vorschlägt, gilt für die lineare Regression, und das neuronale Netz ist eine nichtlineare Regression.
Übrigens ist NS auch eine Regression.