Uso de redes neuronales en el comercio. - página 6
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
Bien, Sergei, vamos a tomarlo con calma y tristeza. Primero vamos a tratar los teoremas generales. Aquí está el enlace. Véanse los teoremas 24, 25 y 26.
Nota: El tema 24 trata de la función de densidad de la distribución.
Pero el 25 hace exactamente lo que necesitas, y se ocupa de la función de distribución.
Mira también, por diversión, la consecuencia 8 de Th 26. La tercera fórmula de la consecuencia es exactamente de lo que estaba hablando cuando quería obtener una gaussiana a partir de una uniforme.
Y para su distribución exponencial sólo hay que obtener limpiamente su función de distribución (integral) y aplicar Th 25.
Gracias. Le echaré un vistazo.
Lo he buscado - ¡justo lo que necesito! Lo estudiaré.
¿Qué quiere decir con "arquitectura escalada arbitrariamente"? Según tengo entendido, la arquitectura es la estructura de la red. Y el escalamiento es el uso de alguna función de racionamiento de datos. 100 entradas es demasiado. ¿O tus 100 son otra cosa?
Mi red simplemente se reentrena cada 24 horas. No sé si eso es una ventaja o una desventaja. Pero, hasta ahora, es funky.
>> genial).
Repositorio de aprendizaje automático
Aquí hay un enlace a las tareas estándar. Suelen utilizarse para probar diferentes algoritmos, métodos de preprocesamiento, etc.
También puedes entrenar con ellas, aprender a utilizar las redes, ver con tus propios ojos "qué es el pronóstico o la clasificación mediante NS", o mejor dicho, qué tipo de errores se pueden esperar de las redes neuronales, etc.
La descripción de las tareas está en el mismo lugar, arriba...
He aquí un pequeño ejemplo de una tarea (OptDigits):
Valores de entrada:
000000000101100111111111111110000000
00000000011111111111111111110000
00000000011111111111111111110000
00000000011111111111111111111111111111110000
00000000011111111111111100000000
00000000011111111111110000000000000000
0000000111111111111110000000000
000000011111111111111000000
000000011111111111111000000
00000001111111111111111000000
0000000111111111111111110000
0000000111111111111111110000
0000000111111111111000000
0000000111111111111110000
000000011111111100
0000000000000000000011111111110000
0000000000000000000000000111111111110000
0000000000000000000000000001111111100000
000000000000000000000001111111100000
00000000000000000111111111100000
000000000000000000000111111111110000
00000000001111111111111000000
0000000000111111111000000
000000000011111111111000000
00000000000111111111111000000
0000000000011111111110000000000
000000000011111110000000000
000000001111100000000000000
Salida: 5
Aquí está el enlace. Véanse los teoremas 24, 25 y 26.
No lo entendí.
Veamos. A la izquierda está la densidad de probabilidad de los precios de apertura de la barra de minutos del EURUSD, a la derecha está la función de distribución:
Ahora el enlace:
Supongamos que quiero obtener una constante de 1 a partir de la distribución mostrada en la primera figura. Entonces no es difícil obtener la siguiente identidad:
Sigamos buscando.
No diremos nada sobre el segmento, no es importante. ¿Qué dice? Literalmente, que si tengo una función de distribución F(x) (fig. derecha), entonces no cuesta nada obtener el "estante" deseado - para esto es suficiente para influir en los datos de entrada por este abridor... ¡Pero esto es una tontería! En mi opinión, no se puede obtener una distribución tan uniforme a partir de la inicial. De todos modos, quién es bueno en las matemáticas reales aquí. >> ¡Ay!
No diremos nada sobre la sección por ahora - no es el punto. ¿Qué se argumenta aquí? Literalmente, que si tengo una función de distribución F(x) (fig. derecha), entonces no cuesta nada obtener el "estante" deseado - para esto es suficiente para influir en los datos de entrada por este abridor... ¡Pero esto es una tontería! En mi opinión, no se puede obtener una distribución tan uniforme a partir de la inicial. De todos modos, a quién se le dan bien las matemáticas de verdad. ¡Ay!
Así es, Sergei, así es. Tome y compruebe este disparate (o mejor aún, intente comprender por qué es exactamente así). Generar una cantidad normalmente distribuida e influir en ella con una función gaussiana (integral). Sólo hay que recordar que las dos funciones (la ley de distribución integral y la segunda función) son absolutamente idénticas.
P.D. No te molestes con las densidades de distribución y las derivadas. ¿Para qué los necesita? Sería lo mismo, sólo que de lado.
P.P.S. Sergei, bueno, yo mismo he obtenido un valor normalmente distribuido a partir de un valor uniforme, actuando sobre el primero con la inversa de la función integral de Gauss. Y ahora tomemos e invirtamos los cálculos...
¿Qué diablos están haciendo aquí... mi pobre cerebro...
SZS: por cierto, hace tiempo que quería preguntar: ¿por qué debemos considerar que la función de precios es continua? ¿y si es discreta?
Bueno, Sergei, Mathemat está diciendo ahora lo que te escribí. Veamos por nosotros mismos.
Esta es la función de distribución (empírica)
Entonces construyamos una teórica (no recuerdo, ¿se llama correctamente?) usando la fórmula (1/OREN(6,2828))*EXP(-ABS(DIVISION(A1;2)/2))
El verde claro sólo tiene que aproximarse perfectamente al azul. Entonces puedes conseguir una "estantería" perfecta con el...
Aquí hay una vista de la integral (¡¡sigmoide!!)
Tal y como yo lo veo, deberías aproximar la función de distribución empírica por coeficientes (no sé de qué tipo) con la teórica. Entonces estos coeficientes deben ser sustituidos en la sigmoidea y la distribución será igual después de pasar los datos por la sigmoidea.
Alexey, ¿estoy pensando correctamente? ¿Tal vez pueda sugerir algo sobre este tema?
Bueno, Sergei, Mathemat está diciendo ahora lo que te escribí. Ahora vamos a intentar asegurarnos de ello.
Asegurémonos.
Esta es la función de distribución (empírica)
No, no es una función de distribución, es una función de densidad de probabilidad (véase el enlace de Alexei).
El verde claro debería aproximarse perfectamente al azul. Entonces puedes conseguir una "estantería" ideal con un...
Aquí hay una vista de la integral (¡¡sigmoide!!)
No es una sigmoidea, para ser precisos - es una integral de una gaussiana con un límite superior variable - erf(x) es una función tabulada.
El problema lo veo de la siguiente manera: debo aproximar una función de distribución empírica por coeficientes (que desconozco) con una teórica. Entonces estos coeficientes deben ser sustituidos en sigmoide, y después de que los datos se pasan a través de sigmoide, será una distribución uniforme.
No hay problemas de aproximación, sino que comienzan cuando no está claro qué hacer con la función de distribución obtenida erf(x). A esto me refería más arriba.
Sí, efectivamente, me equivoqué con las definiciones (distribución/densidad de la distribución)...
Qué hacer con erf() - no lo sé.
Aquí hay una sigmoidea regular y su derivada. ¿Por qué sigmoide? - Simplemente porque la sigmoidea no es erf(x). :)
Ahora toma los datos, construye la empírica, selecciona los coeficientes A y B, para que las densidades coincidan. La integral también se traza.
Ahora, sustituimos los coeficientes encontrados en la integral y calculamos.
Eso es lo que conseguimos:
Ahora hay que "encajar" todo teóricamente, porque lo hice más por intuición que por conocimiento teórico.
Pregunta para todos los expertos - ¿Cómo encuentro los coeficientes A y B? ¿Tal vez A y B no sean necesarias, haya otras formas de registrar las leyes de distribución, etc.?
¿O tal vez es todo una mierda y no se puede hacer así?