Diskussion zum Artikel "Neuronale Netzwerke - kostengünstig und gut gelaunt: NeuroPro mit MetaTrader 5 verknüpfen"
Ich möchte diese Gelegenheit nutzen, um auf meinen Artikel aufmerksam zu machen, in dem Random Forests beschrieben werden. Der Punkt ist, dass der Artikel das Rattle-Paket verwendet, das nicht nur Random Forests, sondern auch eine Reihe von Modellen, einschließlich neuronaler Netze, enthält. Und das Paket bietet die Möglichkeit, verschiedene Modelle miteinander zu vergleichen, was im Hinblick auf diesen Artikel sein unbestrittener Vorteil ist.
Da ich mich mit neuronalen Netzen nicht auskenne, kann ich die Netze in Rattle und in dem Artikel nicht vergleichen. Aber mit Hilfe von Ratte wird es möglich sein, die Wahl eines bestimmten Modells zu begründen und, falls es sich um ein neuronales Netz handelt, zu einem spezialisierten Paket zu wechseln.
der Artikel ist großartig, danke .
aber die Umwandlung von Formeln durch Notepad ist jenseits von Gut und Böse ))))
Beschäftigt sich noch jemand mit neuronalen Netzen auf diesem Niveau?
Mit einer solchen Vielfalt an fortschrittlichen Tools.
Ich bin verblüfft. Erinnert mich an die 90er Jahre.
Beschäftigt sich noch jemand mit neuronalen Netzen auf diesem Niveau?
Mit einer solchen Vielfalt an fortschrittlichen Tools.
Ich bin verblüfft. Ich fühle mich an die 90er Jahre erinnert.
Beschäftigt sich noch jemand mit neuronalen Netzen auf diesem Niveau?
Mit einer solchen Vielfalt an fortschrittlichen Tools.
Ich bin verblüfft. Da werden Erinnerungen an die 90er Jahre wach.
Haben sich das Neuron und das Axon als solches durch die Entwicklung "fortschrittlicher Werkzeuge" verändert?
G ist gleich geblieben. Oder nehmen Ihre Nervenzellen die Reizsignale anders wahr?
Ich habe eine Frage: Was wäre, wenn wir diesen Ansatz nicht auf ein Symbol, sondern auf drei korrelierte Symbole(EURUSD, USDJPY, EURJPY) anwenden?
Die Daten für alle drei Symbole sollten gleichzeitig hochgeladen und verarbeitet werden... Ich frage mich, was die Ergebnisse sein werden... Ich werde es auf jeden Fall testen.
Was bedeutet das? Was meinen Sie mit "fortgeschrittene fortgeschrittene" bedeutet? Wie wäre es mit einem Google-Katzenklassifikator?
"Fortgeschrittene Entwicklung" kann aus zwei Perspektiven betrachtet werden:
1. Entwicklung des NS selbst (ich kann dazu nichts sagen).
2. Entwicklung anderer maschineller Lernalgorithmen.
Zur zweiten Frage.
Nehmen wir meinen Artikel. Rattle, der 6 qualitativ unterschiedliche Algorithmen enthält. Ich nehme die dem Artikel beigefügte Datei. Ich entferne die Variablen zz35 und zz75. Ich passe 4 Modelle an: ada (Gain-Modell), random forest, support vector machine SVM und neural network aus dem nnet-Paket. Hier ist das Ergebnis des aus ZZ ermittelten Trendvorhersagefehlers.
ada = 18,69 %.
Random Forest = 16,77 %.
SVM = 16,92 %.
Neuronales Netz = 24,37%.
PS.
Der Caret-Rahmen für Algorithmen des maschinellen Lernens umfasst mehr als 140(!) verschiedene Modelle.
Die "fortgeschrittene Entwicklung" kann von zwei Seiten betrachtet werden:
1. Entwicklung von NS selbst (ich kann dazu nichts sagen)
2. Entwicklung anderer Algorithmen des maschinellen Lernens.
Zur zweiten Frage.
Nehmen Sie meinen Artikel. Rattle, der 6 qualitativ unterschiedliche Algorithmen enthält. Ich nehme die dem Artikel beigefügte Datei. Ich entferne die Variablen zz35 und zz75. Ich passe 4 Modelle an: ada (Gain-Modell), random forest, support vector machine SVM und neural network aus dem nnet-Paket. Hier ist das Ergebnis des aus ZZ ermittelten Trendvorhersagefehlers.
ada = 18,69 %.
Random Forest = 16,77 %.
SVM = 16,92 %.
Neuronales Netz = 24,37%.
PS.
Die Caret Shell für Algorithmen des maschinellen Lernens enthält über 140(!) verschiedene Modelle.
=========================================================================
Punkt für Punkt Antwort
Die neuronalen Netze der zweiten Generation, die vor etwa zehn Jahren ihre Leistungsgrenze erreicht haben, sind nach und nach von der Bildfläche verschwunden. Die dritte Generation neuronaler Netze, die so genannten "tiefen neuronalen Netze", die in vielen praktischen Anwendungen aufgetaucht und weit verbreitet sind, zeigen sehr gute Ergebnisse und haben nicht den Hauptnachteil der "flachen" neuronalen Netze. Sie können in diese Richtung gehen.
2. jede Variante von Bäumen oder Wäldern liefert bessere Ergebnisse als jedes neuronale Netz (oder deren Ensemble).
3. gute Ergebnisse werden mit hybriden Ensembles (Bagging) erzielt. Dies ist der Fall, wenn verschiedene Modelle gleichzeitig in einem Gurtzeug arbeiten.
4. Was den Artikel in Ihrem Blog betrifft, in dem 140 Klassifizierungsmodelle verglichen werden. Ich habe einen Bericht des Entwicklers des Caret-Pakets über diesen Artikel gelesen. Wenn es interessant ist, werde ich den Link finden. Seiner Erfahrung nach werden die besten Ergebnisse mit Bousting und Bagging erzielt. Nach meiner Erfahrung sind die besten Modelle "ada" aus dem gleichnamigen Paket und RFnear aus dem Paket "CORELearn". Letzteres ist übrigens sehr schnell. Und absolut nicht zeigen sich SVM, na ja, außer, dass eine sehr lange Ausbildung.
Alles hängt von der Wahl, der Aufbereitung der Eingabedaten und den entsprechenden Ausgabedaten ab. Hier ist das Hauptforschungsgebiet.
Ich habe vergleichende Ergebnisse von neuronalen Netzwerken und RF vor ein paar Jahren, auf dem Forum veröffentlicht. RF liegt eindeutig auf dem ersten Platz. Außerdem hat sich die RF-Richtung jetzt selbst erweitert und verzweigt, es gibt eine Menge zur Auswahl. Ich sehe nicht die Notwendigkeit, dies jetzt zu tun. Es sollte gesagt werden, dass es Anwendungen gibt, bei denen neuronale Netze anständige Ergebnisse zeigen, zum Beispiel bei der Regression. Aber ich beschäftige mich nur mit Klassifizierung, und in diesem Bereich sind neuronale Netze nicht stark.
Vielleicht wird mein Artikel zu diesem Thema endlich veröffentlicht, und wir werden ihn dort diskutieren.
Viel Erfolg!
SanSanych
Hier ist ein Link zu dem Artikel, über den ich gesprochen habe. http://appliedpredictivemodeling.com/blog/2014/11/11/some-thoughts-on-do-we-need-hundreds-of-classifiers-to-solve-real-world-classification-problems
In dem Artikel gibt es auch einen Link zu einem früheren Artikel von David Hand über ein Thema, das wir beide schon einmal diskutiert haben - schlechte Ergebnisse nach dem Training mit echten Daten. Sehr interessante Gedanken. Vielleicht könnten Sie eine gekürzte Übersetzung anfertigen?
Bei der Durchsicht der Archive habe ich einen weiteren Artikel zum Thema Vergleich verschiedener Algorithmen für maschinelles Lernen gefunden.
http://www.cs.cornell.edu/~caruana/ctp/ct.papers/caruana.icml06.pdf
Viel Erfolg!
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Neuer Artikel Neuronale Netzwerke - kostengünstig und gut gelaunt: NeuroPro mit MetaTrader 5 verknüpfen :
Sollten bestimmte neuronale Netzwerkprogramme für Handel teuer und komplex oder, im gegenteiligen Fall, zu einfach sein, versuchen Sie doch mal NeuroPro. Dieses Programm ist kostenlos und umfasst eine Reihe von Funktionalitäten für Amateure.
Neuronale Netzwerke können auf einem Datenarray trainiert und dann auf einem anderen getestet werden. Für Händler ist das ein wesentliches Merkmal, da es zu einem raschen Verständnis verhilft, ob die ausgewählte Netzwerkstruktur anfällig für Daten-Overfitting ist und ob sie konsequent Handel außerhalb historischer Daten ausführen kann - also auf einem echten Konto.
Vom Standpunkt eines Händlers aus gesehen, hat NeuroPro nur einen Nachteil: es kann nicht in MetaTrader 5 integriert werden. Und dieser Beitrag beschäftigt sich nun am meisten mit dem Laden von Markt- und Indikatordaten von MetaTrader 5 in NeuroPro und danach mit der Umwandlung des empfangenen neuronalen Netzwerks in einen Expert in MQL5.
Eigenkapital-Chart nach Testen des Expert Advisors im MetaTester
Autor: Andrew