Discusión sobre el artículo "Redes neuronales: así de sencillo (Parte 3): Redes convolucionales"
Se ha trabajado mucho. Mucho tiempo, seguro. ¿Cuál es el propósito de esta serie de artículos?
Si se trata de un ejercicio de programación en MKL5 - está claro, lo necesita. Todo el mundo puede probar lo que es esta bestia. Por desgracia, muchas personas pueden estar decepcionados por los bajos resultados de sus implementaciones y renunciar a seguir buscando en este campo.
En términos prácticos, el tiempo de formación de más de 2 horas(!) es inaceptable. Un montón de programas se han desarrollado para este fin en varios idiomas por varias grandes organizaciones. Basta con aplicarlo correctamente.
Suerte
Se ha trabajado mucho. Mucho tiempo, seguro. ¿Cuál es el objetivo de esta serie de artículos?
Si se trata de un ejercicio de programación en MKL5 - está claro, lo necesita. Todo el mundo puede probar lo que es esta bestia. Por desgracia, muchas personas pueden estar decepcionados por los bajos resultados de sus implementaciones y renunciar a seguir buscando en este campo.
En términos prácticos, el tiempo de formación de más de 2 horas(!) es inaceptable. Un montón de programas se han desarrollado para este fin en varios idiomas por varias grandes organizaciones. Basta con aplicarlos correctamente.
Suerte
Buenos días, Vladimir.
El propósito de los artículos es demostrar las posibilidades y dar una herramienta para que cada uno construya sus propios programas.
Entrenar una epoch durante más de 2 horas sin utilizar multithreading de las tarjetas de vídeo es un resultado bastante aceptable. En la práctica, una red neuronal se entrena con los datos preparados, y nosotros trabajamos con datos reales con el procesamiento de un estado actual durante una fracción de segundo.
Estoy de acuerdo, los ejemplos muestran un resultado bajo, pero el artículo no estaba destinado a dar a todos un Asesor Experto listo con una cierta rentabilidad. Para ello, además de la herramienta en sí, se requiere un largo trabajo sobre la arquitectura de redes neuronales, acompañado de una serie de experimentos con diferentes arquitecturas de redes neuronales.
no son 2 horas, son 2 días).
¿cuál es el tamaño de la muestra? ¿cuántas características y número de muestras?
no son 2 horas, son 2 días).
¿cuál es el tamaño de la muestra? ¿cuántas características y número de muestras?
La muestra es de 12453 candeleros (H1 durante 2 años). La entrada de la red se alimenta con información de 20 velas con 12 señales por vela. El tiempo de entrenamiento para una época es de 2-2,5 horas.
¡Hola Dimitriy!
¡Gracias por esta serie de artículos sobre Redes Neuronales! Disfruto mucho leyendo estos artículos (traducidos por google al inglés) ya que también he implementado Redes Neuronales con back-propagation y diferentes técnicas de optimización (como Adam, RMSprop, etc.) en lenguaje MQL5. Para ser sincero, el lenguaje MQL5 es demasiado lento para entrenar problemas que no sean juguetes, pero estas implementaciones siguen siendo valiosas. A pesar del aspecto educativo de la implementación de Redes Neuronales, notamos que no estamos limitados al lenguaje de programación MQL5 para entrenar una red. Podemos usar paquetes de alto rendimiento para entrenar una red y luego transferir los pesos (y otros hiper-parámetros) a nuestros programas MQL5 para probar y operar en vivo. ¡Por favor, continúe publicando su buen trabajo! :)
Saludos cordiales, Rasoul
¡Hola Dimitriy!
¡Gracias por esta serie de artículos sobre Redes Neuronales! Disfruto mucho leyendo estos artículos (traducidos por google al inglés) ya que también he implementado Redes Neuronales con back-propagation y diferentes técnicas de optimización (como Adam, RMSprop, etc.) en lenguaje MQL5. Para ser sincero, el lenguaje MQL5 es demasiado lento para entrenar problemas que no sean juguetes, pero estas implementaciones siguen siendo valiosas. A pesar del aspecto educativo de la implementación de Redes Neuronales, notamos que no estamos limitados al lenguaje de programación MQL5 para entrenar una red. Podemos usar paquetes de alto rendimiento para entrenar una red y luego transferir los pesos (y otros hiper-parámetros) a nuestros programas MQL5 para probar y operar en vivo. ¡Por favor, continúe publicando su buen trabajo! :)
Saludos cordiales, Rasoul
Gracias.
El artículo es ciertamente interesante. Especialmente en cuanto al hecho de que todo se implementa en MQL y no se requieren bibliotecas. Espero que haya una secuela. Desafortunadamente, las pruebas del Asesor Experto aún no han dado resultados positivos.
Nuevo artículo Neural networks made easy (Part 3): Se han publicado redes convolucionales:
Autor: Dmitriy Gizlyk
Hola. Gracias por esto. Tengo una pregunta para usted. ¿Cómo se obtienen los valores de píxel para el gráfico o la imagen? He buscado pero no encuentro una explicación de cómo obtener los valores de los píxeles del gráfico para utilizarlos en la capa convolucional de entrada.
Hola, tienes razón. La capa convolucional no toma píxeles del gráfico. Mi idea era otra. Tomo los datos de los indicadores differnet y el precio histórico y lo pongo a la entrada de la red neuronal. La capa de convolución busca patrones de estos datos y devuelve algún valor para cada vela.
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Usted acepta la política del sitio web y las condiciones de uso
Artículo publicado Redes neuronales: así de sencillo (Parte 3): Redes convolucionales:
Continuando el tema de la redes neuronales, proponemos al lector analizar las redes neuronales convolucionales. Este tipo de redes neuronales ha sido desarrollado para buscar objetos en una imagen. Asimismo, analizaremos cómo nos pueden ayudar al operar en los mercados financieros.
Las simulaciones se han realizado con la pareja EURUSD, periodo H1. En el mismo terminal, en diferentes gráficos del mismo instrumento, hemos iniciado simultáneamente 2 asesores expertos: con una red neuronal convolucional y con una red totalmente conectada. Los parámetros de las capas completamente conectadas de la red neuronal convolucional son similares a los de la red completamente conectada del segundo asesor experto, es decir, acabamos de añadir capas convolucionales y de submuestreo a una red construida previamente.
Visualmente, podemos comprender que las señales aparecen con menos frecuencia en el gráfico de la red neuronal convolucional, pero más cerca del objetivo.
Autor: Dmitriy Gizlyk