Encontrar un conjunto de indicadores para alimentar las entradas de la red neuronal. Discusión. Una herramienta para evaluar los resultados. - página 8
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
lea писал(а) >>
El objetivo es seleccionar un conjunto de variables que estén más débilmente correlacionadas que las variables originales.
He tratado de hacer una red convolucional algo antes, para las pruebas tomé una serie temporal M5, una red de 48 x 48, la serie fue reducida a una forma simétrica con respecto a 0. La función de activación th(). Por lo tanto, no logré un error en la muestra de prueba de más de 0,1 que nunca pude.
He tratado de hacer una red convolucional algo antes, para las pruebas tomé una serie temporal M5, una red de 48 x 48, la serie fue reducida a una forma simétrica con respecto a 0. La función de activación th(). Por lo tanto, no logré un error de más de 0,1 en la muestra de prueba.
En realidad no me corresponde envolver la serie de precios. Ya tengo un conjunto de indicadores (es decir, una serie de precios transformada), por lo que es necesario reducir la dimensionalidad de este conjunto.
No estoy buscando realmente una envoltura de serie de precios. Ya existe un conjunto de indicadores (es decir, una serie de precios transformada), por lo que es necesario reducir la dimensionalidad de este conjunto.
La red de convolución y el PCA son lo mismo, sólo que los términos son diferentes.
La entrada X, la espera en la salida de la red. El número de neuronas de la capa intermedia es menor que el de la capa de entrada/salida. Valor de las salidas de las neuronas
La capa intermedia se considera un mapeo del conjunto de entrada. Estos datos se utilizan en el procesamiento posterior.
lea писал(а) >>
¿Alguien ha probado el análisis de componentes principales (también conocido como "análisis de componentes principales" o "ACP")?
Gracias. Esa es una buena pregunta.
iliarr писал(а) >>
si la función objetivo es sólo el número de operaciones o sólo el drawdown, será de poca utilidad, porque la red aprenderá a entrar/salir del mercado a menudo y sin rumbo o aprenderá a evitar los drawdowns....
necesitas optimizar el beneficio, el número de operaciones y los drawdowns ... Según recuerdo, JGAP permite tener una función objetivo con varias salidas. Mis prioridades actuales son: resolver los datos de entrada y perfeccionar la red neuronal de recurrencia.
Por el momento, tal y como yo lo veo, buscar y probar los datos de entrada con el método que he sugerido no tiene mucho interés para nadie...
Ilya, creo que te interesará el artículo de Currency Speculator (http://www.spekulant.ru/archive/2004_11_st11.html). La función de aptitud también se discute allí (no sólo por la equidad, sino con su dilución por drawdown y número de operaciones).
Si la función objetivo es sólo el número de operaciones o el drawdown, el resultado será inútil, porque la red aprenderá a entrar/salir del mercado a menudo y sin rumbo, o aprenderá a evitar los drawdowns....
También creo que será de poca utilidad, por eso escribí "por el interés".
iliarr escribió :>>
hay que optimizar tanto los beneficios como los drawdowns... según recuerdo JGAP permite tener una función objetivo con múltiples salidas...
A eso me refiero, a la optimización multicriterio. Hmm, pensé, "Oh, Dios mío, qué término", pero se ha utilizado durante mucho tiempo... optimización multicriterio
Creo que no debería haber múltiples funciones de fitness ("...JGAP permite tener una función objetivo con múltiples salidas..."), sino una, pero con varios criterios necesarios. Ahora mismo estoy especulando sobre cómo abordar este tema de forma discreta y agarrarlo por las narices... ¿Alguien puede aconsejar sobre la bibliografía al respecto?
marketeer escribió(a) >>
Si se entrena una red sin maestro para obtener beneficios hipotéticamente ilimitados, hay que tener en cuenta que las entradas siguen imponiendo un tope al tamaño de los beneficios desde arriba. En el periodo de entrenamiento seleccionado podemos estimar la cantidad que no puede ser superada (por un lote constante, por la estrategia seleccionada), por lo que podemos calcular el ratio de aprendizaje de la red en este periodo como la relación entre el beneficio máximo teórico posible y el que da la red. A continuación, se realizan estimaciones similares para el periodo de validación y se comparan los ratios...
Estoy de acuerdo con iliarr. Tendrás un ajuste
Hmm, mientras escribía esto, Daniil se me adelantó, él también habla de lo mismo.
Ilya, creo que te puede interesar el artículo de Currency Speculator (http://www.spekulant.ru/archive/2004_11_st11.html). La función de idoneidad también se discute allí (no sólo por la equidad, sino con su dilución por el drawdown y el número de acuerdos).
Un artículo interesante. >>Gracias.
Lo más interesante para mí fue:
-la definición del autor de la función objetivo "Fit = Profit/(l+Prosadka/ 1 0 + S t o p / 1 0 ) * (CountTrade/10);" Estaba pensando en una similar, pero aquí hay una solución lista...
- Extracción del MTS con un algoritmo genético. Una idea bien formulada es la mitad de la solución... Este enfoque tiene muchas ventajas... Tendré que pensar mucho en cómo implementarlo mejor y más fácilmente...
Ahora mismo, gracias a:
lea escribió >>
¿Alguien ha probado el método de los componentes principales (también conocido como "análisis de componentes principales" o "pca")?
Estoy muy interesado en la compresión de la información introducida en la red neuronal mediante la eliminación de la correlación
Antes intenté hacer una red convolucional, para las pruebas tomé series temporales M5, red 48-x-48, la serie se redujo a forma simétrica respecto a 0. La función de activación th(). Por lo tanto, no logré un error de más de 0,1 en la muestra de prueba.
Así que debo haberla usado mal, o haberla cocinado.
Yo mismo he trabajado con la compresión de imágenes. A veces el error es cero, a veces no, depende del grado de compresión (número de componentes principales) y de la información de las entradas.
Inténtalo con ejemplos sencillos.
Aquí hay un par de libros sobre optimización. Recién descargado, todavía está caliente.
........ no se puede acoplar. Lo conseguí en http://torrents.ru
¿Y en qué has calculado todo esto? ¿MathCad/MathLab?
Me cuesta creerlo, pero el cálculo se hizo en Excel. En mi opinión, es un poco mejor que Matcad en términos de comprensión (visualización del proceso de cálculo en lugar del estado final).