Discusión sobre el artículo "Aprendizaje automático y Data Science - Redes neuronales (Parte 01): Análisis de redes neuronales con conexión directa"
Hola,
Muy bueno tu artículo. ¡Buen trabajo!
He estado leyendo sobre la red neur onal, pero hasta ahora todavía no he descubierto qué ventajas o diferencias puede tener la red neuronal en comparación con el propio sistema de optimización MT5.
Por ejemplo: Si tengo alguna estrategia usando MACD y ATR, puedo "entrenarla" para encontrar los mejores parámetros en el sistema de optimización MT5. Y también puedo incluir un sistema de pesos en los indicadores u otros datos.
Ambos buscarán los mejores parámetros o "pesos" en el pasado para aplicarlos en el futuro.
A lo mejor estoy equivocado y no he entendido bien la idea.
¿Podría explicarlo? ¿O dar algunos ejemplos?

- www.mql5.com
la diferencia entre la optimización, en el probador de estrategia frente a la optimización de los parámetros de la red neuronal es el objetivo, en el probador de estrategia que tienden a centrarse en los parámetros que proporcionan los resultados más rentables o al menos los resultados comerciales que queremos, esto no significa necesariamente que la red neuronal tiene un buen modelo que ha llevado a ese tipo de resultados
algunas personas prefieren poner los pesos y el sesgo como parámetros de entrada de los sistemas basados en redes neuronales(Feed forward en términos generales), pero creo que la optimización utilizando el probador de estrategia es básicamente encontrar los valores aleatorios de los mejores resultados(encontrar los óptimos suena como depender de la suerte), mientras que si tuviéramos que optimizar el uso de descenso por gradiente estocástico nos estamos moviendo hacia el modelo con los menores errores en las predicciones en cada paso
la diferencia entre la optimización, en el probador de estrategias frente a la optimización de los parámetros de la red neuronal es el objetivo, en el probador de estrategias tendemos a centrarnos en los parámetros que proporcionan los resultados más rentables o al menos los resultados de negociación que queremos, esto no significa necesariamente que la red neuronal tiene un buen modelo que ha llevado a ese tipo de resultados
algunas personas prefieren poner los pesos y el sesgo como parámetros de entrada de los sistemas basados en redes neuronales(Feed forward en términos generales), pero creo que la optimización utilizando el probador de estrategia es básicamente encontrar los valores aleatorios de los mejores resultados(encontrar los óptimos suena como depender de la suerte), mientras que si tuviéramos que optimizar el uso de descenso por gradiente estocástico nos estamos moviendo hacia el modelo con los menores errores en las predicciones en cada paso
Gracias por su respuesta.
Entiendo lo que quieres decir.
¿Por qué has empezado por la primera parte?
artículo antiguo:
CIENCIA DE DATOS Y APRENDIZAJE AUTOMÁTICO (PARTE 01): REGRESIÓN LINEAL

- www.mql5.com

- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Usted acepta la política del sitio web y las condiciones de uso
Artículo publicado Aprendizaje automático y Data Science - Redes neuronales (Parte 01): Análisis de redes neuronales con conexión directa:
A muchos les gustan todas las operaciones que hay detrás de las redes neuronales, pero pocos las entienden. En este artículo, intentaremos explicar en términos sencillos lo que ocurre detrás un perceptrón multinivel con conexión Feed Forward.
La función de tangente hiperbólica.
Esta función viene dada por la fórmula
Su horario es el siguiente:
Autor: Omega J Msigwa