Piligrimus es un indicador de red neuronal. - página 2
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
En cualquier caso, hay mucho potencial de mejora, se puede aumentar significativamente la suavidad e introducir señales adicionales.
El suavizado es, en lenguaje técnico, el corte de los componentes de alta frecuencia
¿Cuántos decibelios de amortiguación se han conseguido entre la frecuencia máxima de la señal y una frecuencia una octava más alta?
¿Pueden decirme dónde puedo conseguir el VFD del Batteraut?
¡Sí, por favor!
K es el orden del filtro. Mejor no poner más de 2 - aumenta mucho el FS.
zfs писал(а) >>
В чем смысл вашего индикатора, товарищ... он напоминает обычную среднюю.
¿Qué sentido tiene? Explique, por ejemplo, .... porque su indicador parece una media simple, ...........
Las redes neuronales son sistemas de autoaprendizaje construidos con elementos que simulan el funcionamiento de una neurona del cerebro humano.
El modelo de neurona de McCulloch-Pitts consta de un cuerpo (soma) y ramificaciones (axones), cuyos extremos se acoplan a los cuerpos de otras neuronas. La unión se llama sinapsis. Una sinapsis se caracteriza por la fuerza de la conexión sináptica w. Si la neurona i tiene sinapsis con fuerzas de unión wi1, ...,win, los impulsos de otras neuronas (Sj) se suman en ella, y se emiten:
Modelo neuronal.
Como función de activación (función transitoria) f() de una red neuronal se suele elegir una función escalonada simple, una función S simétrica o asimétrica o una función escalonada lineal (véase la figura).
Fig. Funciones de activación en forma de S simple, asimétrica y simétrica.
Si denotamos wij, la fuerza de unión de la j-ésima neurona sobre la i-ésima neurona, una red neuronal formada por n neuronas estará totalmente caracterizada por la matriz de conexiones sinápticas:
Normalmente se utilizan las redes neuronales más sencillas, las llamadas redes neuronales en capas. Las entradas de cada capa se conectan sólo con las salidas de las neuronas anteriores. La primera capa se llama capa de entrada, la última se llama capa de salida y el resto se llaman capas ocultas (internas). Un ejemplo de este tipo de red neuronal: 4 - 8 - 5 - 3. Esto significa que la red neuronal consta de 4 capas: la capa de entrada tiene 4 neuronas, la capa de salida tiene 8, y las dos capas ocultas tienen 8 y 5.
La red neuronal se controla (se entrena) cambiando la fuerza de las conexiones sinápticas en la matriz W. Una red neuronal puede utilizarse como un sistema de autoentrenamiento, o puede ser preajustada con muestras especialmente seleccionadas (entrenamiento con un maestro). Cuando una red neuronal se ajusta a un conjunto determinado de señales de entrada, la red genera señales de salida que se comparan con muestras, cuyas desviaciones se evalúan mediante una función de pérdida especialmente seleccionada (por ejemplo, igual a la desviación estándar). A continuación, se modifica la matriz de conexiones sinápticas para minimizar la función de pérdida (normalmente por descenso de gradiente). Así, una red neuronal puede clasificarse en modelos de regresión aditivos, no lineales y no paramétricos.
Fig. Funciones de activación en forma de S simple, asimétrica y simétrica.
El rendimiento de una red neuronal es una estimación ponderada de sus tres propiedades:
grado de convergencia: la precisión con la que el modelo se ha adaptado a los valores de entrada dados;
El grado de generalización (generalización): la precisión con la que el modelo funciona con conjuntos de entrada que van más allá de los que se le dan;
estabilidad - la medida de la dispersión (desviación) en la precisión de sus predicciones.
Las propiedades anteriores de una red neuronal pueden verse influidas por los siguientes procedimientos:
selección de una función de activación adecuada
selección de una función de pérdida adecuada
selección de la arquitectura (estructura) de la red
selección de los parámetros para el descenso de gradiente
Elección del tiempo de entrenamiento Ejemplo de aplicación de una red neuronal en el análisis técnico El objetivo principal del entrenamiento de una red neuronal es crear conexiones (asociaciones) entre las formaciones observadas. Las redes neuronales son útiles para tomar una decisión sobre las señales procedentes de varios indicadores técnicos. Diferentes indicadores técnicos son efectivos en diferentes condiciones de mercado. Como hemos dicho antes, los indicadores de seguimiento de tendencia son eficaces cuando hay una tendencia, mientras que los osciladores son útiles cuando el mercado fluctúa en un rango.
Mostremos con un ejemplo sencillo (A.-P. Refenes, A. Zaidi ) cómo se puede utilizar una red neuronal en este caso. Supongamos que la siguiente tarea es encontrar una estrategia mixta basada en una combinación de dos estrategias, cada una de ellas basada en señales de dos indicadores simples: la media móvil (MA) y la desviación de la media (MV).
La MA es un indicador simple, que compara dos medias móviles con diferentes períodos de promediación y da una señal de compra cuando la MA rápida cruza la lenta de abajo hacia arriba, y una señal de venta cuando la cruza de arriba hacia abajo.
El MV es un indicador simple, que da una señal de venta cuando el precio está por encima de su media, y una señal de compra en caso contrario.
La estructura del sistema se muestra en la Figura 91.
El sistema recibe señales de los indicadores (0 - posición corta, 1 - posición larga) e información sobre el rendimiento de los indicadores de los últimos 2 días (ganancias o pérdidas), así como la información actual del mercado.
Hay tres señales en la salida:
MA: seguir la recomendación del indicador MA
MV: seguir la recomendación del indicador MV
NP: no hacer nada
Cada salida toma un valor entre 0 y 1.
Fig. Esquema de una red neuronal para el análisis de dos indicadores.
Si ambas señales MA y MV están en estado ON (toman valores superiores a 0,5), se selecciona la recomendación de señal con el valor más alto, pero si NP está en estado ON, no se hace nada.
Este ejemplo de aplicación de una red neuronal tiene un ejemplo de su uso,..... y ¿qué lo tiene asumido?
¿No es Butterworth?
De hecho, el LPF de 2º orden de Butterworth (línea roja) no muestra resultados mucho peores en comparación con su filtro de red neuronal. Por cierto, ¿dónde está el NS en el código y por qué se redibuja tu hijo? Esta es una pregunta retórica. Dado que, al redibujar, lo que vemos en la historia no se corresponde con la realidad, surge la verdadera pregunta: ¿por qué nos muestra algo que no existe realmente?
La fórmula completa es una amalgama de varias redes entrenadas con diferentes parámetros, y reducida a un único polinomio con sus coeficientes de peso relativos.
El polinomio completo se recalcula en cada tick, ya que el historial no cambia y sólo cambian las cotizaciones de la barra cero, mientras que los resultados del recálculo en la barra cero no cambian. No hay redistribución.
amortiguación - en lenguaje técnico, cortar los componentes de alta frecuencia
en la versión actual, ¿cuántos decibelios de atenuación se han conseguido desde la frecuencia máxima de la señal útil hasta una frecuencia, digamos, una octava más alta?
No lo he comprobado.
Hay un ejemplo de uso de una red neuronal en este ejemplo,..... y ¿qué tienes en mente?
Yo uso una red neuronal como filtro, es una tarea ligeramente diferente a la que describes.
No lo he comprobado.
>> así es... es todo a ojo.
Yo utilizo una red neuronal como filtro, que es una tarea ligeramente diferente a la que describes.
Tienes algunos coeficientes para tu filtro digital. Básicamente, es un MA con coeficientes ridículos, como cualquier filtro digital. ¿Qué quieres que haga realmente? ¿Qué quieres filtrar y con qué rapidez quieres que responda a los cambios?
¿Y cómo se optimiza?
Infinito, gracias por la explicación. Muy sencillo, claro y lógico.
Entiendo lo que es una red neuronal, y le veo más sentido al ejemplo que a este indicador.
La entrada es un montón de coeficientes incomprensibles. El resultado es una media. Ni siquiera tiene sentido como expa.