Artículo: Previsión de precios con redes neuronales - página 9
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
Vinin, una vez escribiste que has tratado con NS e incluso que en el campeonato tu EA es una implementación de NS. En otras palabras, comparado conmigo, eres un experto. Aconséjame qué debo leer para entender este enorme tema. El propósito - no sólo para entender los principios de la creación de redes, pero para entenderlo lo suficientemente profundo como para utilizar MQL5 para escribir la propia red (que espero planificar cuando entiendo el tema) y toda la infraestructura, relacionada con su formación.
No me considero un especialista, pero siempre puedo hacer una red si es necesario.
PraVedNiK. O tal vez sea el momento de pasar de una neurona única a una neurona normal. Es un poco diferente, y todo es diferente en general.
El perceptrón es una línea que divide 2 clases: las bolas verdes son"Lo más probable es que el precio suba",
Los de color rojo son "Precio ...abajo". Pero el problema es que hay una zona desordenada donde se mezclan las bolas.
se confunden. Algunas personas inteligentes / incluyendo - y este foro /, después de leer libros
Shumsky y otros sugerirán: deberíamos cambiar a una multicapa para hacer más de estas mismas líneas divisorias.
Puede o no hacerlo así, puede poner un filtro en su DiRoLnoDoLgo EA:
High[1]<High[2] && Low[1]<Low[2] && iOsMA... y High[1]>High[2] && Low[1]>Low[2]&& iOsMA... ,
y eliminará alrededor de 2/3 de estas protuberancias hemorroidales, y - ¡Izquierda ! ver figura..:
A continuación, es más fácil trazar la línea divisoria , es decir, la línea de la muerte.
De eso se tratael DiRoLnoDoLgo : de eliminar, al menos parcialmente, este
eliminar parcialmente las hemorroides - los resultados del análisis de avance / en los últimos 5 meses/ han resultado ser
Los resultados del análisis prospectivo de los últimos 5 meses han sido bastante buenos: beneficio bruto = +16 cifras, rentabilidad esperada = + 2 cifras /casi/, rentabilidad = 30.
Nunca habría pensado que alguien cuestionara el uso de mallas multicapa para mejorar el rendimiento de la clasificación. =)
Recomiendo la lectura de lo que escribe Jan LeCun al respecto - http://yann.lecun.com/exdb/mnist/index.html. Sin embargo, el tema es un poco diferente: el reconocimiento de caracteres. De todos modos, las mallas de una sola capa mostraron los peores resultados: un 8,4%. Sin embargo... Uno de los multicapas (bicapa, con 300 neuronas en la capa oculta) tuvo un resultado muy bueno: 1,6% de error. Es decir, añadir incluso una capa hace que la malla sea mucho más "potente".
No creo que reducir el tamaño de la muestra de entrenamiento sea una buena opción. Es mucho mejor conseguir una mayor separabilidad de clases, es decir, transformar los datos de entrada para que no haya conflictos (por ejemplo, aumentar el intervalo de tiempo de la visibilidad de las cotizaciones). Recuerdo que el libro de fxclub "Trading - your way to financial freedom" recomienda enviar más de un par de cotizaciones a la parrilla.
Sí, hay una desventaja más en el uso de rejillas de una sola capa: la persona que quiera construir esta rejilla y entrenarla no tendrá ni siquiera que aprender lo que es el BackProp y muchas otras cosas. Es decir, al utilizar mallas de arquitecturas antiguas, disminuye la probabilidad de que se creen mallas efectivas de arquitecturas nuevas en un futuro próximo, lo cual es muy, muy malo, porque tenemos que ayudar a las mallas de alguna manera. =)
En general, como alguien que lleva mucho tiempo utilizando redes neuronales en los mercados financieros, puedo decir una cosa: lo principal no se describe allí. Por supuesto, yo no programo redes neuronales - me ocupo exclusivamente de su APLICACIÓN, que es un tema aparte y muy "delicado". Depende mucho de ello. Y esta misma aplicación no se describe en este artículo, y es uno de los temas principales y básicos de la "aplicación de las redes neuronales en los mercados financieros". Depende mucho de ello.... ..... ...
Pero esta es mi opinión personal.....
En general, como alguien que lleva mucho tiempo utilizando redes neuronales en los mercados financieros, puedo decir una cosa: lo principal no se describe allí. Yo, por supuesto, no programo redes neuronales - me ocupo exclusivamente de su APLICACIÓN, que es un tema aparte y muy "delicado". Depende mucho de ello. Y esta misma aplicación no se describe en este artículo, pero es uno de los temas principales y básicos de la "aplicación de las redes neuronales en los mercados financieros". Depende mucho de ello.... ..... ...
Pero esta es mi opinión personal.....
Sí.
Como persona que apenas está involucrada en las redes neuronales (sólo 12 años) puedo decir a una persona que lleva mucho tiempo involucrada en las redes neuronales que la aplicación de las redes neuronales en cualquier tarea es inseparable de su diseño (programación). Lo principal son dos postulados: los datos iniciales (que es un tema aparte), y lo más importante - el algoritmo de entrenamiento. Las redes pueden hacer cualquier cosa, lo principal es entrenarlas correctamente.
Nunca habría pensado que alguien cuestionara el uso de mallas multicapa para mejorar el rendimiento de la clasificación. =)
Recomiendo la lectura de lo que escribe Jan LeCun al respecto - http://yann.lecun.com/exdb/mnist/index.html. Sin embargo, el tema es un poco diferente: el reconocimiento de caracteres. De todos modos, las mallas de una sola capa mostraron los peores resultados: un 8,4%. Sin embargo... Uno de los multicapas (bicapa, con 300 neuronas en la capa oculta) tuvo un resultado muy bueno: 1,6% de error. Es decir, con la adición de una sola capa, la malla se vuelve mucho más "potente".
Exactamente, porque se trata de un tema completamente diferente, y por lo tanto de un enfoque diferente. Los contornos de los caracteres en los tipos de letra estándar no cambian, por lo que tiene sentido entrenar la red una vez en un ejemplo, por ejemplo en un par de páginas, para que la red neuronal reconozca los caracteres en el resto del libro con gran precisión.
En cuanto a los mercados financieros, es otro ámbito en el que todo cambia constantemente y está en constante movimiento. Y, por tanto, las multicapas complejas están jodidas aquí. Una analogía exagerada en el campo del reconocimiento de caracteres es que si en una página de un libro un símbolo "A" debe interpretarse como "A" y en la siguiente, la misma "A" ya se interpreta como "B".
Por esta razón, el mismo patrón reconocido en diferentes secciones de los datos del historial de instrumentos financieros puede interpretarse de manera diferente en las señales de negociación, es decir, en algunas secciones su identificación es más apropiada para la apertura de posiciones largas y el cierre de posiciones cortas, mientras que en otras secciones es al revés: apertura de posiciones cortas y cierre de posiciones largas.
tiene sentido: ...
Nunca hubiera pensado que una persona pudiera cuestionar
sobre el uso de mallas multicapa para mejorar
características de clasificación. =)
Recomiendo leer lo que escribe Jan LeCun al respecto - http://yann.lecun.com/exdb/mnist/index.html. Pero el tema es un poco diferente: el reconocimiento de símbolos.
reconocimiento de caracteres. De todos modos, las mallas de una sola capa eran
los peores resultados, un 8,4%. Sin embargo... Uno de los multicapas (bicapa,
con 300 neuronas en la capa oculta) mostró un muy buen resultado
- 1,6% de error. Es decir, la adición de incluso una capa hace que la red
mucho más "potente".
Exactamente, que se trata de un tema diferente y por lo tanto de un
un enfoque diferente. La forma de los caracteres en las fuentes estándar es la misma,
por lo que tiene sentido entrenar la red una vez con un solo ejemplo,
como un par de páginas, para que la red neuronal pueda
los personajes del resto del libro.
O el papel es igualmente blanco y de alta calidad.
No, también es una tarea variable, si todo es como lo escribes entonces no necesitas redes neuronales, una simple comparación es suficiente.
tiene sentido: ...
Nunca hubiera pensado que una persona pudiera cuestionar
sobre el uso de mallas multicapa para mejorar
características de clasificación. =)
Recomiendo leer lo que escribe Jan LeCun al respecto - http://yann.lecun.com/exdb/mnist/index.html. Pero el tema es un poco diferente: el reconocimiento de símbolos.
reconocimiento de caracteres. De todos modos, las mallas monocapa son
los peores resultados, un 8,4%. Sin embargo... Uno de los multicapas (bicapa,
con 300 neuronas en la capa oculta) mostró un muy buen resultado
- 1,6% de error. Es decir, la adición de incluso una capa hace que la red
mucho más "potente".
Exactamente, es un tema diferente y por lo tanto un
un enfoque diferente. La forma de los caracteres en las fuentes estándar es la misma,
por lo que tiene sentido entrenar la red una vez con un solo ejemplo,
como un par de páginas, para que la red neuronal pueda
los personajes del resto del libro.
O el papel es igualmente blanco y de alta calidad.
No, también es una tarea variable, si todo es como lo escribes no necesitas redes neuronales, con una simple comparación es suficiente.
2. Un libro de la misma edición se imprime de la misma manera en todas las máquinas. Si es diferente, entonces es un defecto.
3. Para la misma edición, el papel tiene el mismo formato: por ejemplo, "formato 70x100 1/16". Impresión offset. Tamaño de impresión 37,4". El papel también debe ajustarse a la norma. Bueno y conjuntos de fuentes no difieren gran variedad, a fin de no estropear la visión de los lectores.
En cualquier caso, las tareas de reconocimiento de patrones en campos en los que existen normas, como la poligrafía, y en campos sin normas, como los mercados financieros, son completamente diferentes y las probabilidades de error en las soluciones también son diferentes.
Se puede dar una explicación aún más sencilla: si los algoritmos de reconocimiento de patrones para los mercados financieros se equivocaran con la misma frecuencia que los algoritmos de reconocimiento de patrones para los textos impresos, entonces ... (no hace falta seguir, porque eso ya estaría claro).