Efecto de borde en el camino hacia el GRAAL - página 4
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
Retírense. Lo tengo resuelto.
Sólo queda encontrar la forma de formar la DLL.
A las matemáticas:
Una idea interesante. Pero. :) La cuestión es que, debido a la imperfección humana, es intrínsecamente humano inventar algo que funcione bajo ciertas condiciones límite.
Desde una rueda para la tierra, un remo para el mar, hasta estrategias de tendencia y de plano. Construimos nuestros sistemas a partir de varios subsistemas:
La estrategia de negociación, el sistema de filtros que define las condiciones límite y el subsistema de gestión del dinero, que está diseñado para limitar los fallos de los dos primeros.
Así es como estamos acostumbrados a hacerlo. Pero tener una estrategia (método) de trading basada en las propiedades fundamentales (básicas) de los precios
hace innecesarios otros subsistemas de "parches". Y este sistema único debe ser sencillo.
Por desgracia (o por suerte) nadie lo ha encontrado todavía. Y si lo han encontrado, no lo sabremos :)
De vuelta al trabajo.
Si se busca un patrón, está en el propio precio.
¡Esto es correcto!
Nuestro principal error es que intentamos utilizar el cálculo diferencial (series de Taylor, etc.) para BPs como la serie de precios. Por supuesto, esto es imposible porque la serie de precios no es suave (la primera diferencia es de signo variable) y en esta situación hacemos el siguiente paso "ingenioso": suavizamos la BP inicial mediante mufas o wavelets y hacemos lo que queramos con las series suaves, olvidando que este procedimiento no añade ninguna información útil a lo que ya tenemos. Vamos dando tumbos intentando, en sentido figurado, sacarnos del pantano por los pelos. No se puede suavizar una serie de precios y luego construir una previsión sobre ella (de cualquier manera) para obtener información que no estaba en la BP original.
Por eso, la única forma de no perder tiempo y esfuerzos es trabajar con series de precios iniciales sin utilizar métodos de cálculo diferencial directa o indirectamente, tiene sentido, por ejemplo, utilizar aparatos de HC, métodos de regresión, etc.
¡Esto es correcto!
Nuestro principal error es que intentamos utilizar el cálculo diferencial (series de Taylor, etc.) para una BP de tipo precio. Por supuesto, esto es imposible porque la serie de precios no es suave (la primera diferencia es de signo variable) y en esta situación hacemos el siguiente paso "ingenioso": suavizamos la BP inicial mediante mufas o wavelets y hacemos lo que queramos con las series suaves, olvidando que este procedimiento no añade ninguna información útil a lo que ya tenemos. Vamos dando tumbos intentando, en sentido figurado, sacarnos del pantano por los pelos. No se puede suavizar una serie de precios y luego construir una previsión sobre ella (de cualquier manera) para obtener información que no estaba en la BP original.
Por lo tanto, la única manera de no perder tiempo y esfuerzo, es trabajar con la serie de precios original sin el uso de métodos de cálculo diferencial directa o indirectamente, tiene sentido, por ejemplo, utilizar el aparato de NS, métodos de regresión, etc.
Nadie habla de añadir información a los métodos de transformación existentes.
Digo que, por el contrario, la transformación es una forma de eliminar la información redundante y centrarse en la parte útil.
Por cierto, no se puede entrenar a NS con datos de precios puros. Todavía tendrán que ser normalizados y suavizados de alguna manera. Y esto ya es una transformación :)
No estoy familiarizado con los métodos de regresión, así que no voy a discutir con ellos.
Yo digo que, por el contrario, la conversión es una forma de eliminar la información superflua y centrarse en la parte útil.
Por cierto, no se puede entrenar a NS con datos de precios puros. Todavía hay que normalizarlos y suavizarlos de alguna manera. Y esto ya es una transformación :)
Tiene razón al decirlo.
Por cierto, se puede entrenar a NS con cualquier dato, la única cuestión es el tiempo que tarda... El aprendizaje, es un proceso que requiere muchos recursos y nuestra tarea es preparar los datos de entrada para facilitar la tarea a la SN en la medida de lo posible, pero al mismo tiempo no resolverla por ella :-)
Lo que se refiere a la suavización preliminar de los datos para NS, no tiene sentido, porque inevitablemente en este procedimiento FS privará absolutamente NS de sus cualidades de predicción, más precisamente no le dará nada nuevo. Pero ya me repito.
Кстати, НС можно обучить именно что на любых данных, вопрос только - за какое время...
Pero si los datos son ruidosos, el aprendizaje debería tener menos éxito, ¿no? Además, los ejemplos cambian con el tiempo. Y si se elige un periodo de aprendizaje largo, los datos serán inconsistentes. La red debe reentrenarse constantemente a medida que las reglas cambian y las masas reaccionan a los acontecimientos.
El entrenamiento, es un proceso que requiere muchos recursos y nuestra tarea es preparar los datos de entrada de forma que facilite al máximo la tarea a la SN, pero al mismo tiempo no se la solucione:-)
Estoy de acuerdo :)
En cuanto al prealisado de los datos para el NS, no tiene sentido, porque inevitablemente en este procedimiento el FS privará absolutamente al NS de sus cualidades de predicción, o mejor dicho, no le dará nada nuevo. Pero ya me estoy repitiendo.
¿Realmente has conseguido entrenar la red con datos no suavizados y hacerla funcionar durante algún tiempo fuera de la muestra de entrenamiento?
Pero si los datos son ruidosos, el aprendizaje debería tener menos éxito, ¿no?
¿Te encargas de juzgar dónde está el ruido y dónde la información útil? No estaría tan seguro de mi conocimiento de la verdad, que NS resolviera esta digna tarea por ella.
Además, los ejemplos cambian con el tiempo. Y si eliges un periodo largo de formación, los datos serán inconsistentes. La red necesita ser reentrenada todo el tiempo a medida que cambian las reglas y la reacción de las masas a los acontecimientos.
Estoy 100% de acuerdo.
¿Realmente has podido entrenar la red con los datos no suavizados y dejarla trabajar durante algún tiempo más allá de la muestra de entrenamiento?
Vuelvo a entrenar la red en cada paso de la previsión (en cada muestra), o mejor dicho, no la entreno desde cero, la vuelvo a entrenar exactamente en los datos no suavizados.
Ahora mismo estoy estudiando la dependencia de la proporción de direcciones de movimiento de precios correctamente reconocidas (eje de ordenadas) en función del número de épocas de entrenamiento (eje de abscisas). Los datos se dan para un NS no lineal de dos capas con 8 neuronas en una capa oculta y 3 entradas. El sombreado rojo corresponde a la muestra de entrenamiento, el azul a la muestra de prueba, sobre datos no entrenados. Cada punto es el resultado del procesamiento estadístico de 100 experimentos independientes.
He instalado Matlab 7.01. Un material potente.
Encontré los wavelets.
Pero, ¿cómo puedo cargar mi señal en el sistema?
¿Existe un convertidor, por ejemplo, de archivo de texto a matlab?
¿Por qué no los últimos 77? Ha corregido errores, en particular en el manejo de dlls. Tengo dll de 7.1 se cuelga periódicamente, me cansé de buscar la razón, pero no la encontré. Con el 77 funciona bien, además no hay excesivas carpetas con archivos. Si has comprado el disco, te aconsejo que lo sustituyas por el último R2008b.
¿Estoy en lo cierto al suponer, a partir de la figura, que la red adivina la dirección el 30% de las veces?
¿Has probado a trabajar con una colección de redes? Por ejemplo con 3 o 5 para afinar la decisión.
O con un par de redes: una adivina sólo hacia arriba, la otra sólo hacia abajo.
Por cierto, por qué exactamente 3 (o 5, estoy confundido ;) ) neuronas de entrada. Acabo de conocer redes con 4, 7 o 15 entradas :)
p.d.
Una vez hice un experimento: memoricé todo el historial que tenía y busqué las situaciones más parecidas a la actual
utilizando el método de la distancia vectorial (vectores normalizados, por supuesto). En el 60% de los casos, la historia se repitió :)
Pero sigue dependiendo del rango de previsión y de la longitud del vector.
¿Por qué no los últimos 77? Ha corregido errores, en particular en el manejo de dlls. Tengo dll de 7.1 se cuelga periódicamente, me cansé de buscar la razón, pero no la encontré. Con el 77 funciona bien, además no hay carpetas privadas con archivos. Si lo compras, te recomiendo que lo sustituyas por el último R2008b.
Este es el primero que encontré. Lo sustituiré por el 7.7 más adelante.
Analizó las ondículas en la caja de herramientas. El de Meyer es definitivamente más adecuado que el de Dobeshi.
Pero a veces sigue estando mal. Por ejemplo, muestra un claro máximo en el momento de estancamiento antes del lanzamiento al alza :).
Aunque, el lanzamiento rápido fue indicado por el último nivel. Fue en la parte baja.
Quiero hacer un indicador con la señal sintetizada y dos detalles y ver las dependencias.
En este momento estoy trabajando en la formación de la DLL.