Artículo: Previsión de precios con redes neuronales - página 10

 
Sergey_Murzinov:

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 de todo, lo principal es entrenarlas correctamente.
Yo añadiría la interpretación de los resultados al algoritmo de formación. Es más fácil conseguir resultados mediante la formación que dar la solución correcta al problema. Si consideramos que la fluctuación de los precios es una serie temporal pseudoestocástica, entonces sólo surge la cuestión de la aplicación e interpretación ...
 
Reshetov:
juicy_emad:

Nunca habría pensado que alguien cuestionara la necesidad de utilizar mallas multicapa para mejorar el rendimiento de la clasificación. =)

Le recomiendo que lea 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 es un tema diferente, y por lo tanto 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 lo 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.

El trabajo que he enlazado anteriormente utilizaba la base de datos MNIST. Esta base de datos contiene imágenes manuscritas, no manuscritas ni impresas , de caracteres.

Por supuesto, entiendo que todo en los mercados financieros está en constante dinámica, pero los patrones conflictivos (la entrada es la misma y la salida son dos clases diferentes) pueden ser eliminados aumentando la cantidad de información en la entrada de la rejilla o (como alguien sugirió anteriormente) tales patrones pueden ser excluidos de la muestra de entrenamiento. Por supuesto, en la variante sugerida por usted en el artículo sobre el uso de un perceptrón de una sola capa, había un montón de patrones conflictivos. Ya que, sólo había 4 entradas.

Lo que quiero decir es que los perceptrones de una sola capa no son capaces de resolver el problema XOR (véase el libro de Minsky) y esto los hace defectuosos.

 
rip:

También añadiría la interpretación de los resultados al algoritmo de formación.
Lograr un resultado de aprendizaje es más fácil que asegurar la correcta
para resolver el problema. Si se considera que la fluctuación de los precios es un pseudo-estocástico
series temporales, es la cuestión de la aplicación e interpretación
...

Con la interpretación de la(s) salida(s) de la red comienza el trabajo. Es decir, ahí va el planteamiento del problema. Así que estoy completamente de acuerdo contigo.

 
Me gustaría plantear la cuestión de qué se utiliza exactamente para crear una muestra de formación. Esto es lo más importante, después de todo.
 
slava1:
Me gustaría plantear la cuestión de qué se utiliza exactamente para crear una muestra de formación. Esto es lo más importante.

La muestra de aprendizaje se crea mediante indicadores convencionales

Y qué tipo es el más íntimo, así como la preparación de los datos

 
¿Por qué? Porque nadie está pidiendo un algoritmo. Sólo para compartir sus pensamientos.
 
slava1:
¿Por qué? Porque nadie está pidiendo un algoritmo. Sólo para compartir sus pensamientos.
No es un asunto público.
 
Entonces me pregunto de qué estamos hablando aquí si nadie quiere hablar de lo más importante.
 
slava1:
Entonces me pregunto de qué estamos hablando aquí, si nadie quiere hablar de lo más importante.

En este caso es como una carrera armamentística, nadie cree a nadie :)


El conjunto inicial de datos de entrenamiento también puede ser {H,L,O,C} ... Lo que importa es el modelo, la idea de la red y el sistema en su conjunto.

Si la idea es correcta, el objetivo se formula correctamente y la función f de estimación de errores se elige correctamente, el resultado es un cierto acierto de la red al local

mínimo después de N épocas de entrenamiento. Además, el arte consiste en sacar a la red del punto muerto con pérdidas mínimas y seguir aprendiendo.

Y aquí todos los medios son buenos, el preprocesamiento de los datos, la sustitución de los arquitectos, los algoritmos de aprendizaje - lo principal es lograr en general el modelo que está desarrollando.



Y en cuanto a qué alimentar, recomiendo poner en práctica una idea de una de las redes de Reshetov, hay varias en este foro, y luego evaluar.

El modelo, el resultado... bueno, todo está en tus manos.

 
Hace tiempo que sé lo que hay que aplicar. Quería discutir posibles modelos, por así decirlo. Suele funcionar mejor si trabajamos juntos. Yo mismo he estado trabajando en un robot desde hace un año. Hay resultados, pero no muy estables.