Vorhersage von Wechselkursen mit Hilfe eines neuronalen Netzes - 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
Dann sollte Ihre Hausarbeit aus einem Satz bestehen: "Eine Ratenvorhersage mit einem neuronalen Netz ist nicht möglich". ))) Das ist die ganze Kursarbeit ))))
Warum ist das unmöglich? Durchaus möglich :). Nehmen wir unseren bevorzugten Expert Advisor, mit dem wir unseren Lebensunterhalt verdienen (jeder hat so ein "Arbeitspferd"). Wir finden dort irgendwo eine lineare Regression oder etwas Ähnliches. Ersetzen Sie die lineare Regression durch Neuronik... Voila :)
Dann sollte Ihre Kursarbeit aus einem Satz bestehen: "Eine Vorhersage des Kurses mit einem neuronalen Netz ist nicht möglich". ))) Das ist die ganze Kursarbeit ))))
Bedeutet das, dass Sie von neuronalen Netzen und Marktprognosen im Allgemeinen enttäuscht sind? Wenn man weiß, wie viele Jahre Sie sich mit dem Thema befasst haben, ist es schon seltsam, Sie das sagen zu hören.
Ich studiere diese Richtung nicht unter dem Gesichtspunkt der Vorhersage, sondern unter dem Gesichtspunkt, Muster zu finden, die mit einer Wahrscheinlichkeit von mehr als 70 % genutzt werden können, um zu einem bestimmten Zeitpunkt einen Gewinn zu erzielen, d. h. nicht bei jedem neuen Balken, der auftaucht.
Sie müssen zugeben, dass es sich dabei um grundlegend unterschiedliche Dinge handelt.
Sie brauchen nicht zu prognostizieren, d.h. die Linie des Instruments bei jedem neuen Balken in die Zukunft fortzusetzen, um zu profitieren.
Ich studiere diese Richtung nicht unter dem Gesichtspunkt der Vorhersage, sondern unter dem Gesichtspunkt, Muster zu finden, die mit einer Wahrscheinlichkeit von mehr als 70 % genutzt werden können, um zu einem bestimmten Zeitpunkt einen Gewinn zu erzielen, d. h. nicht bei jedem neuen Balken, der auftaucht.
Sie müssen zugeben, dass es sich dabei um grundlegend unterschiedliche Dinge handelt.
Sie müssen die Linie des Instruments nicht vorhersagen, d.h. bei jedem neuen Balken in der Zukunft fortsetzen, um zu profitieren.
Dennoch gehen wir zum Zeitpunkt des Markteintritts davon aus, dass sich der Preis in Zukunft in die Richtung unseres Einstiegs verändern wird, und das ist die Prognose.
Heißt das, dass Sie von neuronalen Netzen und Marktprognosen im Allgemeinen enttäuscht sind? Wenn man weiß, wie viele Jahre Sie sich mit diesem Thema befasst haben, ist es schon seltsam, Sie das sagen zu hören.
Dies bedeutet, dass mehrschichtige neuronale Netze nicht für die Extrapolation (Vorhersage) geeignet sind. Sie sind nur innerhalb der Interpolation in Ordnung.
Die Methode ist einfach ausgedrückt die folgende:
Wer es nicht glaubt, soll es mit einer einfachen Aufgabe versuchen, nämlich einem zweiseitigen Multilayer eine Multiplikationstabelle in ganzen Zahlen von 0 bis 9 beizubringen. Testen Sie dann, indem Sie den Eingängen Werte für die Interpolation, d. h. beliebige reelle Zahlen von 0 bis 9, zuführen. Dann für die Extrapolation, d.h. um sicherzustellen, dass mindestens eine Eingabe entweder Werte kleiner als 0 oder größer als 9 hat. Die Interpolation wird vom Raster übernommen, die Extrapolation wird vermasselt.
Der Grund dafür ist einfach: Die Ausgänge der sigmoiden Neuronen schneiden alle Werte ab, die über den Bereich hinausgehen, der geringfügig größer ist als der Bereich der Trainingsstichprobe. D.h. das Sigmoid hat einen Grenzwert am Ausgang, der nicht überschritten werden kann, egal welcher Wert am Eingang anliegt. Siehe das Diagramm unten: Der Sigmoid-Eingang kann ein beliebiger Wert sein, der Sigmoid-Ausgang kann nicht mehr als 1 und nicht weniger als 0 sein, d.h. außerhalb des begrenzten Ausgangsbereichs gibt es einen Knall.
Es stellt sich heraus, dass einerseits dank der Sigmoide die Geschwindigkeit der Ausbildung von mehrschichtigen Netzen zunimmt, da ohne sie die Algorithmen der Rückvermehrung von Fehlern ihre Konvergenz verlieren. Andererseits werden solche Netze zu Interpolatoren und können außerhalb der Bereiche der Trainingsstichprobe nicht adäquat arbeiten.
Zum Zeitpunkt des Markteintritts gehen wir jedoch davon aus, dass sich der Kurs in Zukunft in die Richtung unseres Einstiegs verändern wird, und das ist die Prognose.
Ist die Regression nicht auch für die Interpolation geeignet? Warum ein Netz aufbauen?
Ist die Regression nicht auch für die Interpolation geeignet? Warum sollte man sich die Mühe machen, ein Raster zu erstellen?
Versuchen Sie die multiple Regression und das mehrschichtige neuronale Netz und vergleichen Sie den RMS für die Interpolation. Sie werden auch lernen, dass alle Werkzeuge funktionale Grenzen haben, in denen sie am effektivsten sind.
Ist die Regression nicht auch für die Interpolation geeignet? Warum ein Netz aufbauen?
Ein mehrschichtiges neuronales Netz ist eine der nichtparametrischen Methoden der nichtlinearen Regression. In einigen Fällen können neuronale Netze zugunsten linearer/linearer/nichtlinearer parametrischer Methoden aufgegeben werden.