"New Neural" es un proyecto de motor de red neuronal de código abierto para la plataforma MetaTrader 5. - página 14
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
1) Hay un error en el esquema de salida [-1;0;1], en teoría las tres opciones de salida deberían ser igual de probables, de hecho es muy difícil mantener la hipertangente en cero o la sigmoide en 0,5 y aún así intentará saltar.
esto puede ser porque lo he puesto sólo como ejemplo.
2) En "Statistics for Trader" Bulashev tiene un esquema para la evaluación de la eficiencia de la posición (orden), podemos aplicar este esquema y entrenar a la red en la entrega de señales de comercio, mientras que los arrastres, el punto de equilibrio son todos los elementos de la ST no relacionados con la red.
3) Los filtros son elementos de preprocesamiento (preparación de ejemplos), es necesario separar las moscas de las chuletas. Si introduces el preprocesamiento en el algoritmo de malla, no conseguirás la universalización.
No, los filtros en este caso forman parte de la lógica de negociación, no del preprocesamiento de datos.
No estoy sugiriendo que se introduzcan las cuadrículas en el algoritmo, sino que se permita enseñar la cuadrícula como parte de la lógica general de la ST. ¿Cuál crees que es el resultado de la NS? ¿Sólo la predicción final de compra/venta?
Es decir, ¿el ATR RSI y los limpiaparabrisas establecerán el contexto? ¿También en las entradas múltiples de TC? Es un ajuste tonto sin posibilidades.
¿Necesita algo que realmente haga ganar dinero, o un ejemplo en el que la NS sea sólo uno de los elementos de la ST y entonces con qué enseñarla?
P.D. Por cierto, los resultados bastante buenos en muchos pares muestran sistemas basados en 2 vagones con algún filtro no estándar (el NS no es necesario allí :))
1) Podría ser, ya que sólo he puesto un ejemplo.
2) no, los filtros en este caso forman parte de la lógica de negociación, no del preprocesamiento de datos.
No estoy sugiriendo que se introduzcan rejillas en el algoritmo, sino que se permita el entrenamiento de la red como parte de la lógica general del ST. ¿Cuál crees que es el resultado de la NS? ¿Sólo la predicción final de compra/venta?
1) Esto no es un canto rodado en su dirección, sólo estaba destacando la importancia de este punto.
2) La salida de NS puede ser una señal de cualquier interpretación, en el contexto del trading puede ser tanto la clasificación de las condiciones del mercado (malo bueno, tendencia plana, etc.) como señales específicas de trading, por cierto nadie prohíbe la clasificación de una señal específica del indicador. Por ejemplo: "mashka ssha" da una mala señal. Una vez entrenada la rejilla para dicha señal, se puede seguir utilizando en la comisión. Antes se sugirió crear una interfaz conveniente para combinar redes en comités. La eficacia de las transacciones no es más que un caso especial de postprocesamiento.
Quiero enseñar a NS a negociar su TS añadiendo algunos grados de libertad en la parte superior.
Necesitas algo que realmente te haga ganar dinero.
Bueno, es que este filtro es trivial y hacerlo no es ningún problema. El algoritmo es sencillo. Ejecutamos el TS, recogemos las entradas y los parámetros necesarios (МА, RSI, АТР) en los puntos de entrada o en algunas proximidades.
Entonces damos todos los parámetros recogidos a la entrada y a la salida, o un resultado de la operación en pips o sólo 1 si es más o -1 si es menos. Y todo eso lo introducimos en un Perspectron trivial no lineal de 3 capas y lo entrenamos.
Voilà.
2) La salida del NS puede ser una señal de cualquier interpretación, en el contexto del trading puede ser una clasificación de las condiciones del mercado (mala buena, tendencia plana, etc.) y señales de trading específicas, por cierto nadie prohíbe clasificar la señal de un indicador particular. Por ejemplo: "mashka ssha" da una mala señal. Una vez entrenada la rejilla para dicha señal, se puede seguir utilizando en la comisión. Antes se sugirió crear una interfaz conveniente para combinar redes en comités. La eficacia de las transacciones no es más que un caso particular de postprocesamiento.
la comisión es sólo una parte de la solución. ¿Cómo podemos implementar de forma conveniente y eficiente el entrenamiento de tales NS, que son sólo una parte de la lógica de un sistema particular? No se pueden entrenar por separado porque no hay una muestra de entrenamiento.
Bueno, es que este filtro es trivial y hacerlo no es ningún problema. El algoritmo es sencillo. Ejecutamos el TS, recogemos las entradas y los parámetros necesarios (MA, RCI, ATR) en los puntos de entrada o en algunas proximidades.
Entonces damos los parámetros recogidos como entrada y damos una salida - el resultado de la transacción en pips, o simplemente 1 si es bueno, o -1 si es malo. Y lo introducimos todo en un Perspectron trivial no lineal de 3 capas y lo entrenamos.
Voilà.
Sí, podemos hacerlo así, pero es sólo a través de un lugar)))
Por ejemplo, un TS con opciones. ¿Realizar un ejercicio similar para cada serie de enteros? Bien, puedes de alguna manera retorcer y automatizar este proceso.
O viceversa, el filtro de entrada es normal (lógica booleana), y NS compra/vende.
Pero, en principio, todo puede resolverse y aplicarse de alguna manera. La cuestión es la conveniencia, la claridad y la portabilidad para que otros la utilicen.
¿Trabajar con el NS es sólo elegir su topología? El método de entrenamiento también juega un papel importante. La topología y el aprendizaje están estrechamente relacionados.
Todos los usuarios tienen su propio imho, por lo que no se puede tomar la mitad de la decisión en sí mismo.
Tenemos que crearun diseñador de redes que no esté restringido por los preajustes. Y lo más universal posible.
En el esquema de construcción de redes que he propuesto, el método de aprendizaje es independiente de la topología.
Como la propia red sabe de dónde viene algo y qué va a dónde, la propagación de errores es automática y el programador no tiene que molestarse en ello.
sergeev
2011.10.19 17:06:50¿Será suficiente una matriz bidimensional para una variedad de topologías y comprensión visual?
Te contesté el otro día, pero he estado pensando en ello con tranquilidad:
Para construir una red, basta con una tabla de conexiones de este tipo
Este es un ejemplo de un MLP de tres capas con cero entradas, primera capa con dos neuronas y segunda capa con una neurona.
Las tres primeras columnas son creadas por la enumeración consecutiva de todas las neuronas y todas las entradas de las neuronas, el segundo pase establece la coincidencia (con una excepción, si "capa de comunicación" es más o igual a "capa" entonces la salida es más de 0, esos back sólo pueden tomar la señal del operador de retardo).
Utilizando una tabla de conexiones de este tipo, podemos establecer la topología incluso de forma aleatoria, lo que no deja de ser un indicador de versatilidad.
En realidad, estaba pensando en almacenar el número de capa en la propia neurona, y la numeración debería ser secuencial para un array unidimensional, pero por ahora es mejor discutir la fórmula general y los detalles más adelante.
En el esquema de red que propongo, el método de aprendizaje no depende de la topología.
Como la propia red sabe de dónde viene y a dónde va algo, la propagación de errores es automática y el programador no tiene que molestarse en ello.
No me lo creo :)