Neuroprevisión de series financieras (basada en un artículo) - 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
Creo que tenemos que trabajar para encontrar una función de optimización. Es decir, la búsqueda de funciones objetivo. Qué queremos que la red encuentre en el sitio de optimización???? Parámetros para el máximo equilibrio en la misma zona. No, porque la práctica demuestra que no funciona en el futuro. Así que tenemos que buscar los momentos clave que no funcionan ahora, pero que funcionarán en el futuro. Y para ello tenemos que recopilar estadísticas, estimar qué momentos cuando y cómo funcionan....
Pues mira lo que se me ha ocurrido, puede que no sea realista pero es el camino... el objetivo, por así decirlo.
haciendo lo siguiente.
Todo como lo hice en las capturas de pantalla de NS.
1. Entrenamos la red en un tramo de 6 meses. Si el NS está en machs, aprenderá muy bien estos parámetros, operará normalmente.
2. toma los primeros 3 meses, mira el resultado del comercio de la red. (en teoría, el resultado debería ser bueno, porque la red ha visto estos datos)
3. optimizar la red para que aprenda exactamente los parámetros que ya conocemos.
Busque, adapte y desarrolle una función que resulte en la optimización de estos parámetros.
5. Una vez encontrada la función, la probamos en un segmento que no se presenta a la red........
Ahora intentaré verlo parcialmente en NS....
La señal de una red neuronal entrenada sólo en tramos de tendencia no será aleatoria, sino que será la forma en que la red esté entrenada. Es decir, seguirá el movimiento y escurrirá hacia los lados.
Me refiero a cambios bruscos, movimientos imprevisibles, etc.
Me refería a cambios repentinos, movimientos imprevisibles, etc.
La red puede ser enseñada a sentarse en la valla cuando se producen estos movimientos. Así, por ejemplo: https://www.mql5.com/ru/code/10151
Pero lo malo es que en NS las funciones de destino son complicadas... No puedes sacarlos así...
Hmm. Suelo entrenar las redes neuronales en un paquete estadístico, en el que la función objetivo no es el valor de equilibrio en el periodo de entrenamiento o prueba, sino el valor de error en la salida de la red. En principio, se trata de una versión clásica del aprendizaje automático. Puedes experimentar con el valor del error: toma la suma de cuadrados del error; la suma de cuadrados dividida por el número de ejemplos; el error módulo. Y esto no es el límite.
La red entrenada intercambia entonces señales con el robot en formato dll. El margen de maniobra es enorme...
La red puede ser enseñada a sentarse en la valla cuando se producen estos movimientos. Así: https://www.mql5.com/ru/code/10151
También se puede utilizar un SCP. En los ejemplos de entrenamiento, primero se entrena un ACS y se mide el error máximo para determinar si un ejemplo pertenece a una celda o a un clúster. A continuación, se entrenan una o varias redes neuronales con los mismos datos, lo que permite, por ejemplo, predecir el incremento de los precios un paso por delante. Y en el trabajo, los ejemplos nuevos, previamente desconocidos, se comprueban primero con el ACS ajustado y si la red de predicción supera un umbral de error predefinido, la red de predicción NO se enciende, o el robot de comercio no reacciona a la señal de la red. En resumen, utilizamos el ACS para detectar anomalías y no comerciamos con ellas. Ejemplo práctico: estamos en otoño de 2008. Hemos entrenado la red neuronal y hemos decidido operar durante el trimestre. Hay un colapso en la dinámica en todos los pares principales, la mayor parte de los ejemplos ACS simplemente se filtran y no permiten tomar decisiones de negociación. Pero eso es todo teoría para mí. Y bla, bla, bla. No lo he probado en la práctica.
¿Qué puede tener de interesante (aparte de la tarea de entrenar el cerebro)?
Ninguna NS puede funcionar sin reentrenamiento (en el sentido de aprender de nuevos datos). El mercado está cambiando y la red tiene que aprenderlo. La pregunta es: ¿cuándo empezar una nueva formación? ;)
Y luego, lo que se puede "arreglar" en la red cuando se "rompe", cambiar las capas y el número de neuronas, otra función de transferencia -.... Pero nunca sabrás exactamente qué, cómo y dónde cambiar. Mientras no se ajuste la malla al nuevo mercado, no funcionará. Y no es lo mismo que si ( Price == Ask ) y ver que Ask = 1,2345, mientras que Price resulta ser 1,23449999999 por alguna razón.
Ahora imagina un diálogo con un posible inversor que te pregunte: "¿Adivina qué respuesta le gustaría dar?
1) empezar a entrenar a NS de nuevo y cuando (si) aprende - dejar que gane de nuevo (si el mercado no cambia de nuevo para entonces)
2) Le pongo un sello de depuración, encuentro el error y lo corrijo.
Así que si estás "interesado" - eres bienvenido, pero si quieres ganar dinero? ;)
¿Ya has empezado a jugar al rol? No soy un ayudante aquí )))) No voy a discutirlo en este hilo, estás por tu cuenta.
Usted, debido a su limitada experiencia con NS, considera esta herramienta apriori como un ajuste de datos, una caja negra, un rastrillo en blanco, etc. El número de capas, las neuronas y los paquetes de funciones son todo un bagaje innecesario en las manos equivocadas. En primer lugar, hay que tener una idea de por qué debería funcionar la red, y esta idea debe probarse con extensas pruebas de avance en diferentes partes de la serie temporal. La evaluación del riesgo se hace por adelantado, no por el hecho de una descarga inminente. Te lo digo yo. Personalmente no he perdido ni un solo céntimo usando NS; sólo he perdido en la demo).
La segunda cosa que quería decir es que un neuro adepto serio, después de hacer todas las pruebas necesarias, también se ocupa del problema de la extracción, o, en ruso, de la comprensión de la heurística, que se forma durante el entrenamiento dentro del NS - la esencia de las reglas por las que se generan las señales de salida, dependiendo de lo que hay en la entrada. Todas las cajas negras van a la izquierda. Hay que entrar en la lógica de la red neuronal y entender lo que hace. Joo también escribió sobre ello, y es lógico. Si no, resulta que en la Rusia soviética la NS te controla. Ha.
¿Cómo te va con las conferencias? :)
Más o menos. Espero que estén disponibles más adelante para la masterización gradual. Últimamente he estado muy ocupado con el trabajo.
Intentaré recomponerme y ver unas cuantas más. Se detuvo en las conferencias sobre el descenso de gradiente, es decir, en general casi al principio.
Otro artículo sobre la aplicación con éxito de la neurotecnología a la previsión.
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.184.7175&rep=rep1&type=pdf
Utiliza técnicas de la teoría del caos para generar rezagos en los vectores de entrada. También aplica un castigo a la red por las predicciones erróneas. La muestra de la prueba es de 100 días. Los resultados son geniales: un 80% o más de aciertos. Pero esta vez la predicción tiende al alza (+2%) o a la baja. Por cierto, por experiencia personal diría que las tendencias en la bolsa se predicen bien, hay otros escollos, como que si te equivocas, entonces la pérdida es grande, se come la ventaja de las estadísticas. Lo creas o no, yo también obtuve un 80% de precisión en los exámenes.