Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 628
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
No, decía que no se pueden mezclar los datos del mercado con el rendimiento de la red.
En otras palabras, su red está procesando las cotizaciones y usted la está alimentando con datos sobre si una operación anterior tuvo éxito o no, no son los mismos datos, no puede mezclarlos.
Y en general, si la red funcionó bien o no, esto es una unidad separada (solía llamarla función de aptitud en GA, en NS se llama función de error, pero la idea es la misma).
Supongamos que entrenas una red por backprop, resulta que tienes un error que se convierte en parte de los datos, caramelo. Espero que sepas lo que quiero decir.
Sí, lo tengo... Al principio quiero enseñarlo simplemente en el optimizador de MT5 - me dará la oportunidad de obtener los resultados del comercio y la equidad y devolverlos a la red inmediatamente, sin ningún juego complicado.
Y en cuanto a la arquitectura, puede ser rediseñada, pero no tengo otras opciones porque aún no la he probado. Que va a mostrar al menos algunos resultados - eso es seguro, pero qué tipo de resultados es una pregunta :)
Lo sé todo, la validación cruzada también es un ajuste pero más sofisticado
la recurrencia también hace un bucle sobre sí misma y a veces no puede aprender
y no lo entiendo - dices que no puedes alimentar las salidas de la red a las entradas y luego me dices que use la recurrencia... :) y eso es todo lo que hace, se come sus salidas
La recurrencia es, en el caso más simple, un simple MLP que se come a sí mismo.
En cuanto a la validación cruzada, estoy de acuerdo, pero hay métodos más sofisticados. Sin embargo, la validación cruzada da resultados aceptables a pesar de su simplicidad.
Aunque si lo tomamos como un todo, la NS es un ajuste. Es un aproximador universal, y mientras estamos en esa etapa de desarrollo de la NS en la que no se ha establecido de forma fiable cómo encontrar el punto en el que se puede decir que la NS ha aprendido la dependencia, en lugar de ajustarse a los datos.
Es el problema de representar una función compleja de una variable mediante un conjunto de funciones simples de muchas variables.
Y si se resuelve este problema se construye realmente la IA.
Estoy de acuerdo con la validación cruzada, pero hay métodos más sofisticados.
Aunque en general NS es un ajuste. Aproximador universal, y mientras estamos en esa etapa de desarrollo de la ciencia NS donde no se ha establecido de manera fiable cómo encontrar el punto del campo que puede decir que la NS ha aprendido la dependencia, y no se ajusta a los datos.
Es el problema de representar una función compleja de una variable mediante un conjunto de funciones simples de muchas variables.
Y si resuelves este problema, estás construyendo una IA.
Todo es demasiado complicado de imaginar al mismo tiempo, además de imaginar todas las conexiones en NS y cómo van a interactuar entre sí.
No necesitamos una IA, pero al menos estaría bien algún tipo de reacción a los cambios del mercado, con algo de "memoria".
Todo esto es demasiado complejo para imaginarlo al mismo tiempo, y menos aún para imaginar todas las conexiones en la NS y cómo interactuarán las cosas entre sí.
No necesitamos la IA, pero al menos estaría bien algún tipo de información sobre los cambios del mercado, con algo de "memoria".
Si no te gustan los gatitos, tal vez no sepas cómo cocinarlos ))
El NS se aproximará e incluso resumirá cualquier dato, lo principal es que los datos contengan lo que se busca.
Esto significa que, además de la elección del tipo de NS, es igualmente importante preparar correctamente los datos para ella.
Como ves, la tarea es interdependiente, los datos que necesitas alimentar dependen del tipo de NS, y qué NS elegir depende de los datos que le hayas preparado.
Pero este problema aunque sea de solución cerrada, por ejemplo GA utiliza el mismo, inicialmente el algoritmo no sabe nada de los datos, por ramificación gradual del problema llega a la solución robusta.
Así que aquí es lo mismo, sistematiza tu investigación, lleva un registro y tendrás éxito.
Sí, lo tengo... al principio quiero entrenarlo simplemente en el optimizador de MT5 - esto me dará la oportunidad de obtener los resultados de las operaciones y la equidad de inmediato, y devolverlos a la red, sin panderetas
Y en cuanto a la arquitectura, puede ser rediseñada, pero no tengo otras opciones porque aún no la he probado. Que va a mostrar al menos algunos resultados - eso es seguro, pero qué tipo de resultados es una pregunta :)
Maxim, bueno, no tienes que entrenar la red en MT optimizer. El NS-trainer y el optimizador son algoritmos muy diferentes con criterios de optimización muy distintos.
Si sigue utilizando esa estructura NS, que se dibujó antes, es demasiado simple, demasiado débil para el mercado. Ya escribí que sólo tuve éxito cuando llegué a la estructura 15-20-15-10-5-1. Y esto es sólo para un tipo de operaciones. También hice absolutamente todo con los métodos descritos por Haikin, es decir, nada nuevo, sin trucos.
Las estructuras más sencillas estaban mal formadas.
Maxim, bueno, no entrenes la red en el optimizador MT. El entrenador NS y el optimizador son algoritmos completamente diferentes con criterios de optimización completamente diferentes.
Si todavía utiliza esa estructura NS, que dibujó antes, es un poco simple - débil para el mercado. Ya escribí que sólo tuve éxito cuando llegué a la estructura 15-20-15-10-5-1. Y esto es sólo para un tipo de operaciones. También hice absolutamente todo con los métodos descritos por Haikin, es decir, nada nuevo, sin trucos.
Las estructuras más sencillas estaban mal formadas.
Pero nada me impide añadir otro a éste. La cuestión no es la profundidad de la red, sino hacerla con retroalimentación. Este es mi capricho ahora, como un artista y por lo que veo :) los clásicos no son interesantes
unirlo todo a una rejilla con retroprotectores es un dolor de cabeza... es mejor mantenerlo simple :)
porque es una cuadrícula que se aprende por etapas... das un paso - obtienes una retroalimentación, y así sucesivamente, hasta que se resume todo el conjunto de acciones y resultados
puedes tomar una historia más pequeña y todo estará bien, y puedes ampliarla entonces
y no hay nada que te impida añadir otro a este. La cuestión no está en la profundidad de la red, sino en hacerla con retroalimentación. Es mi capricho ahora, como un artista y así lo veo :) los clásicos no son interesantes
unirlo todo a una rejilla con retroprotectores es un dolor de cabeza... es mejor mantenerlo simple :)
porque es una rejilla que se entrena por pasos... das un paso, recibes una retroalimentación, y así sucesivamente, hasta que se resume todo el conjunto de acciones y resultados
Entonces, escribí que después de cada N épocas paraba el PA, ejecutaba las pruebas y seguía entrenando el PA. Me doy cuenta de que veinticuatro horas de entrenamiento es mucho tiempo, pero esta conversación tuvo lugar hace un par de meses.
Pero depende del artista, por supuesto). No dispares al pianista, toca como sabe.
ZS De hecho, no se necesitan muchos datos para aprender, sino muchos. Con un tamaño de muestra pequeño, la NS no obtendrá nada útil.
Entonces, escribí que cada N épocas paraba el PA, ejecutaba las pruebas y seguía entrenando el PA. Me doy cuenta de que veinticuatro horas de entrenamiento es mucho tiempo, pero esta conversación tuvo lugar hace un par de meses.
Pero depende del artista, por supuesto). No dispares al pianista, toca como sabe.
hay más palabras, hay una repetición en 2 horas )) Lo haré esta noche mb
Todo lo que hay que conseguir es un poco más de estabilidad y resultados claros en la derecha, pero todo funciona.
más palabras aquí, se necesitan 2 horas para rehacerlo )) Lo haré esta noche.
Todo lo que hay que conseguir es un poco más de estabilidad y resultados comprensibles en el avance, y así todo funciona
Terminé el pre-post, pero como la página ha cambiado, duplicado.
Estoy tratando de averiguar cuántos datos necesito para el entrenamiento. Con un tamaño de muestra pequeño, NS no obtendrá nada útil.
Ciertamente me disculpo por el ataque, pero relee tu post. Parece bastante ambiguo.
En general tienes razón, pero sólo en lo que respecta a la primera capa de la red neuronal. Si la retroalimentación va a la segunda y siguientes capas o incluso a capas de red paralelas, su afirmación no será válida.
En ese caso, Maxim debería pensar en profundizar en la red y llevar la retroalimentación a las capas ocultas.
Y en cuanto a: