Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 245
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Yo digo que se simplifique, que se generalice, pero usted lo hace más complicado y detallado.
Así es como se hace muy a menudo. Se utilizan criterios de información, por ejemplo Akaika.
La cuestión es ésta.
Se penaliza la complejidad del modelo. Como resultado de la optimización, se elige un modelo que no es el más exacto pero que es más sencillo.
Pongamos un ejemplo.
Tomemos una muestra de más de 5000 barras de EURUSD en H1. Construyamos un bosque aleatorio. Establece el número máximo de árboles = 500. Vemos un gráfico del error de ajuste en función del número de árboles. Parece que el error de ajuste cambia muy poco después de 100 árboles. Además, el aumento de la muestra no aumenta el número de árboles. Y los árboles son los patrones codiciados. Por ejemplo, el EURUSD en H1 contiene unos 100 patrones. Pero el patrón está casi siempre sobreentrenado.
Si hacemos más grueso el modelo, tomamos y reducimos radicalmente el número máximo de árboles, por ejemplo 10, puede ayudar a combatir el sobreentrenamiento.
Si se hace más grueso el modelo, se toma y se reduce drásticamente el número máximo de árboles, por ejemplo, 10, puede ayudar a combatir el sobreentrenamiento.
Con el bosque, el sobreentrenamiento no proviene del número de árboles, sino de su profundidad ilimitada (complejidad del modelo), el número reduce las opciones, y el sobreentrenamiento es baes
Lo que me pregunto es.
1. ¿A qué se reduce el entrenamiento de redes neuronales en algotrading?
2. ¿Qué parámetros de la dinámica del mercado se utilizan en la formación?
3. Además de reconocer patrones en la historia, ¿puede la red "aprender" el carácter específico del cambio de valor del parámetro en el momento actual y reaccionar ante él?
(por ejemplo, una subida ondulada o una bajada suave).
Creo que la naturaleza del cambio actual del valor del parámetro no es reconocible para la red... Poco probable.
Y esto parece prometedor para la predicción. Al fin y al cabo, bastaría con recordar las transiciones de estos cambios para poder predecirlas después.
todo se reduce a una moneda de 50/50 ... una pérdida de tiempo.
No, hay un poco de edad. Lo diré de forma sencilla: se puede extraer mucho más con MO que de cualquier otra forma, incluida la "intuición", hay patrones en el mercado, con MO se extraen de forma más efectiva.
Ayer apenas llegué a 0,69 (0,68999). Eso es todo, ya me he divertido.
¡Eso es genial!
Sin embargo, de acuerdo en que 0,69 es el muro que la media estándar sólo puede arañar, me rinde que no está en la profundidad de la red neuronal y no el número de árboles en el bosque, los que están por debajo de 0,6, hay algunos trucos que no sabemos y esto es realmente muy motivador para no relajarse))
¡Genial!
Sin embargo, coinciden en que el 0,69
¿Cuál es la cifra? ¿Dónde puedo verlo?
Como persona relacionada muy indirectamente con el Ministerio de Defensa, no me inmiscuyo en la discusión, pero me permitiré expresar una opinión desde mi "campanario".
Una red neuronal multicapa normal está formada por neuronas. La función de activación de una neurona es una función monótona que crece de -1 a 1 (o de 0 a 1, lo que sea). Con el valor mínimo de entrada esta función da el resultado mínimo, con el valor máximo da el resultado máximo.
Entrenamos una red neuronal con N entradas en algún segmento (nube de entrada) en un espacio N-dimensional. La red neuronal no tiene ni idea de qué hacer con los datos que están fuera de esta nube. Pero lo alimentamos con esos datos y esperamos que produzca algún resultado.
Hee hee. Qué equivocado estás.
Las gafas de papel han demostrado ser el camuflaje perfecto contra las redes neuronales
Etiqueta Konow:
3. Además de reconocer patrones en la historia, ¿puede la red "aprender" la naturaleza específica del cambio de valor de un parámetro en un momento dado y reaccionar ante él?
(por ejemplo, una subida ondulada o una bajada suave).
Creo que la red no reconoce la naturaleza del cambio actual del valor del parámetro... Poco probable.
Esto parece prometedor para la predicción. Al fin y al cabo, bastaría con recordar las transiciones de estos cambios para poder anticiparse a ellos más adelante.
Supongamos que se produce una situación anómala en el mercado y que el precio se dispara. O el NS, entrenado en rostros humanos, recibe como entrada una imagen de gafas multicolores. Las neuronas se sobreexcitan y su salida se dirige a la rama izquierda o derecha del sigmoide. Significa que a la salida del NS obtenemos una señal imprevisible pero muy fuerte.
Si hay tales picos en la muestra de entrenamiento (por ejemplo, el 1% de todos los datos), el algoritmo backprop "afloja" todos los pesos, mientras que el NS no tiene tiempo de "aprender" nada, pero su trabajo se degrada en el 99% de los datos "normales".
Sería mucho mejor no "encerrar" a la SN en requisitos imposibles, sino enseñarle a defenderse de entradas "anormales". Y aquí tenemos, en mi opinión, dos opciones.
1. Introducir una o varias capas de neuronas con una función de activación en forma de curva gaussiana en lugar de sigmoide. Una neurona de este tipo producirá un resultado cercano a 1 en el rango limitado de entradas, y cercano a 0 en el resto del eje numérico.
2) Cambiar la interpretación de las salidas del NS. En lugar de la interpretación binaria habitual (0 - no hay señal comercial, 1 - hay señal comercial), proponemos la siguiente interpretación: 0 - no hay señal, 0,5 - hay señal, 1,0 - no hay señal. En caso de movimientos inesperados del precio, la salida de NS estará cerca de uno de los valores extremos - 0 o 1, y no producirá ninguna señal falsa.
Respetados expertos, ¿hay alguna mención a estas cosas en la literatura de MO y la encuentran útil? Los comentarios son bienvenidos.