Artículo: Previsión de precios con redes neuronales - página 11
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
Hace mucho tiempo que sé lo que hay que alimentar. Quería discutir, por así decirlo, posibles modelos. Suele funcionar mejor el esfuerzo conjunto. Yo mismo he estado trabajando en un robot desde hace un año. Hay resultados, pero no muy estables.
Bueno, un año no es suficiente :)
Vale, vamos a intentarlo, pero será un juego de ida y no de vuelta.
Atache es una serie pseudoaleatoria formada por x = 4 * (x-1) * (1 - (x-1)), con x0=0,2
¿Te recuerda a algo? En una primera aproximación, esta serie se asemeja a un flujo de datos en el mercado.
Predicción del valor t+1. Arquitectura de red, MLP 1-5-1, con acoplamiento sináptico adicional de las neuronas de entrada y salida.
El error cuadrático (10e-3), alcanza alrededor de 60-70t epochs, con una muestra de entrenamiento de 1000 elementos. El aprendizaje se realiza mediante el método del antigradiente.
Es muy fácil demostrar, modelando diferentes arquitecturas, que tenemos una secuencia independiente de la topología, el error no disminuye.
está significativamente influenciado por la complejidad de la red, incluyendo el número adicional de capas.Utilicemos el método de los ejemplos artificiales o calores, el resultado - la velocidad de aprendizaje aumenta en 2,5 veces, es decir, se logra un error aceptable
En la región de 30-40t. épocas.
Aquí está el primer ejemplo, puede girar para ver los resultados ...
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.
Y sobre los modelos, como ya he dicho, mira hacia la descripción de las implementaciones de Reshetov. Sí, y no busques el grial, no existe ;)
Hace mucho tiempo que sé qué alimentar a dónde. Quería discutir posibles modelos, por así decirlo. Normalmente es mejor si trabajamos juntos. Yo mismo he estado trabajando en un robot desde hace un año. Hay resultados, pero no muy estables.
Sólo puedo decir una cosa: una vez más, lee atentamente la teoría (la teoría científica, no la literatura popular) y quizá encuentres algo que se te haya pasado por alto o que no hayas tenido en cuenta. Si cree que no necesita conocer la teoría al utilizar programas como NeuroShell Day Trader, entonces sólo hay una cosa que hacer: dejar las redes neuronales en paz.
Me despido ahora.
Con una red 1x5x1 estoy seguro de que no obtendrás ningún resultado. La red debe tener al menos dos capas ocultas. Para las entradas de la red neuronal he normalizado las lecturas a 20 indicadores. Así que probé diferentes topologías. Me paré en 20х140х140х4 La red puede ser engorrosa, pero produce señales bien interpretadas. Por supuesto, se puede ampliar. En el futuro planeo seleccionar la topología utilizando un algoritmo genético. Todo el proceso de creación y entrenamiento de la red se realiza utilizando JAVANNS, la red entrenada se transforma en C-Code y este código se utiliza en la creación de una función receptora en dll que se puede utilizar en MetaTrader. Esta es una descripción muy aproximada del proceso. Por eso lo hago desde hace un año. Es una cantidad de trabajo muy grande. Creo que es estúpido utilizar herramientas como NeuroShell Day Trader, si puedes crear tu propia red y hacerlo a tu manera. Pero no es de eso de lo que quería hablar. Me interesa el planteamiento del problema de crear una muestra de formación.
La muestra de entrenamiento es lo que se introduce en las entradas. En este caso, está alimentando 20 indicadores. Lo que es un indicador, es un tratamiento de una serie temporal inicial, una serie de precios {H,L,O,C}. Si se consideran desde el punto de vista matemático los indicadores que se utilizan en AT, se pueden distinguir algunos grupos de métodos matemáticos - digamos que MA es el filtro de frecuencia más simple, etc., pero ¡quién dijo que para una red neuronal los datos que se preparan con los métodos clásicos de AT son los mejores! Incluso diría que, por el contrario, es prácticamente inadecuado. Por algo he puesto el ejemplo de una red superficial construida para extrapolar un f-zi pseudoaleatorio.
Si se investigara un poco más, se encontraría una serie de propiedades muy interesantes, que permitirían ver la preparación de las muestras de entrenamiento de forma un poco diferente. Un flujo de citas también puede considerarse como un f-ci pseudoaleatorio, con una ley compleja. Las redes neuronales son un método matemático, pero la tecnología es más bien un arte.
Sí, por cierto, te equivocas si crees que el tamaño de la red afecta a la capacidad de resolver el problema.
Una vez más, lo que usted llama arte es quizás predecible. Eso es lo que estoy diciendo. El número de neuronas de entrada juega un papel muy importante. Cuantas más entradas, mayor es la probabilidad de que las predicciones sean correctas. Eso es obvio.
No estoy de acuerdo. El ejemplo que te he dado, una red 1-5-1, te permite predecir una secuencia pseudoaleatoria con gran precisión.
Te recomendaría que releas un poco la teoría, ya que me da la impresión de que no entiendes bien el mecanismo.
Dime, ¿qué crees que es una red neuronal?
Bueno, podemos discutir sobre esto durante mucho tiempo, quién entiende qué, o no entiende. El debate versó sobre la preparación de los datos. Entiendo que aquí nadie quiera discutir este tema. Pity
Estimado señor, es posible discutirlo. Pero qué hay que discutir si yo mencioné el tema de lo que son los indicadores en AT y cómo son adecuados para el preprocesamiento de datos para el NS, tú no quisiste discutirlo, o más bien creo que te perdiste el tema :)
Si quieres leer una conferencia sobre cómo preparar los datos para el entrenamiento de NS, creo que no deberías hacerlo en este foro, sólo pocas personas estarán interesadas en ello aquí.