¿Qué alimentar a la entrada de la red neuronal? Tus ideas... - página 80
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
Si no fuera por las detracciones semestrales, estaría bien. Los he tenido hasta 2 años. Al hacer pruebas con valkingforward 2015.
PD. ¿Cómo podéis trabajar todos de noche? De día es el momento más eficiente.
¿Qué es este programa?
¿Qué es este programa?
El problema de los números.
Muestras, cada uno de n números, alimentados a las entradas X[0 ... n-1] en el proceso de formación, debe ser pre-entrenado (normalizado) de tal manera que son IGUALES entre sí, otras cosas siendo iguales.
En el contexto de que el valor Y a la salida de una neurona emparejada es la suma de X[0]*W[0] + X[1]*W[1] + X[2]*W[2] + ... + X[n-1]*W[n-1], esta equivalencia sólo puede conseguirse de una manera :
Las sumas de los valores |X[0]| + |X[1]| + |X[2]| + ... + |X[n-1]| en todas las muestras de entrenamiento deben ser iguales.
Donde W[n] se toma como la "otra condición de igualdad" igual a X[n].
Es decir, ya teniendo en cuenta la "otra condición de igualdad", dos muestras son numéricamente equivalentes si sus sumas X[0]^2 + X[1]^2 + X[2]^2 + ... + X[n-1]^2 son iguales.
Por ejemplo :
Si algunas secciones de precio por sus incrementos X[n][k]=cerrar[n][k]-abrir[n][k], donde n es el número de valor de X y k es el número de muestra, se utilizan como bolsa de muestras de entrenamiento,
entonces la suma de los valores |X[0][k]| + |X[1][k]| + |X[2][k]| + ... + |X[n-1][k]| denota la longitud del camino de la curva recorrido por el precio dentro de una muestra k determinada.
Es decir, las muestras de entrenamiento k deben estar prenormalizadas entre sí, en el sentido físico de este ejemplo, literalmente por su longitud de la trayectoria de la curva de precios.
Y ahora es posible (y necesario) realizar otra normalización para ellas, bajo el rango no menor / no mayor que -+1, dividiendo todas las X[n][k] por max, donde max es el máximo |X[n][k]| encontrado de todas las X[n][k].
Y luego, en el proceso de aprendizaje, estas muestras normalizadas X[0 ... n-1][k] se introducen como muestras de entrenamiento, cada una con su propia puntuación d[k], que determina la contribución de esta muestra al resultado agregado del aprendizaje.
De nuevo :
Supongo que el entrenamiento no debe hacerse con todas las muestras k disponibles, sino sólo con las que tengan una puntuación d[k] "decente" (uso esta palabra).
Sin embargo, para hacer una muestra "digna", todavía necesitamos tener todas las muestras k con sus puntuaciones d[k].
Sin embargo, éste es otro tema...
Por supuesto, he descrito la teoría: el objetivo de NS es filtrar las TS aproximadas que muestran algo y no buscar el grial.
Y no para buscar el grial. Y describí el enfoque: buscar manualmente cualquier TS que muestre al menos algunos resultados. Y filtrarlo con NS. Aquí está el TS original.
No apta para el comercio, pero dando señales de vida .
Y aquí está el mismo, sólo filtrada por Python NS: LSTM-clave.
Las muestras, cada una de ellas de n números, que se introducen en las entradas X[0 ... n-1] durante el entrenamiento, deben preentrenarse (normalizarse) para que sean IGUALES entre sí, en igualdad de condiciones.
En el contexto de que el valor Y a la salida de una neurona emparejada es la suma de X[0]*W[0] + X[1]*W[1] + X[2]*W[2] + ... + X[n-1]*W[n-1], esta equivalencia sólo puede lograrse de una manera :
Las sumas de los valores |X[0]| + |X[1]| + |X[2]| + ... + |X[n-1]| deben ser iguales para todas las muestras de entrenamiento.
Donde W[n] se toma como "otra condición igual" igual a X[n].
Es decir, ya teniendo en cuenta la "otra condición de igualdad", dos muestras son numéricamente equivalentes si sus sumas X[0]^2 + X[1]^2 + X[2]^2 + ... + X[n-1]^2 son iguales.
Por ejemplo :
Si algunas secciones de precio por sus incrementos X[n][k]=cerrar[n][k]-abrir[n][k], donde n es el número de valor de X y k es el número de muestra, se utilizan como un paquete de muestras de entrenamiento,
entonces la suma de los valores |X[0][k]| + |X[1][k]| + |X[2][k]| + ... + |X[n-1][k]| significa la longitud de la trayectoria de la curva recorrida por el precio dentro de una muestra k determinada.
Es decir, las muestras de entrenamiento k deben estar prenormalizadas entre sí, en el sentido físico de este ejemplo, literalmente por su longitud de trayectoria de la curva de precios.
Y ahora es posible (y necesario) realizar otra normalización para ellas, bajo el rango no menor / no mayor que -+1, dividiendo todas las X[n][k] por max, donde max es el máximo |X[n][k]| encontrado de todas las X[n][k].
Y luego, en el proceso de aprendizaje, estas muestras normalizadas X[0 ... n-1][k] se introducen como muestras de entrenamiento, cada una con su propia puntuación d[k], que determina la contribución de esta muestra al resultado agregado del aprendizaje.
De nuevo :
Creo que el entrenamiento no debe realizarse con todas las muestras k disponibles, sino sólo con las que tengan una puntuación d[k] "decente" (uso esta palabra).
Sin embargo, para hacer una muestra de las "dignas", seguimos necesitando tener todas las muestras k con sus puntuaciones d[k].
Sin embargo, este es otro tema...
Usted escribe interesante Aquí es donde viene la disonancia con la teoría de números problema:
Irrazonable e injustificado . Al fin y al cabo, prescribir "fuerza" a un patrón equivale a encontrar un grial, grosso modo. No hay necesidad de NS, basta con tomar los patrones con el mayor índice de potencia (numérico), combinarlos con otro patrón similar y abrir una posición, porque según esta lógica la probabilidad de ganar es supuestamente mayor.
Por eso quería alejarme de los números, o encontrar un método que de alguna manera objetiva (lo más objetivamente posible) diera un cierto poder a un patrón, que en algún contexto (mezcla con otros patrones) diera una alta probabilidad de funcionar. Entonces hay un sentido de pre-procesamiento.
El problema de los números.
...
...
Muestras, cada uno de los n números, alimentados a las entradas X[0 ... n-1] durante el entrenamiento, deben ser pre-entrenados (normalizados) de tal manera que sean IGUALES entre sí, siendo las demás cosas iguales.
...
De nuevo :
Creo que el entrenamiento no debe hacerse con todas las muestras k disponibles, sino sólo con las que tengan una puntuación d[k] "decente" (uso esa palabra).
Sin embargo, para hacer una muestra de las "dignas", seguimos necesitando tener todas las muestras k con sus puntuaciones d[k].
...
Una de las opciones (sólo un ejemplo) de cómo formalizar la información de un gráfico en algún número no temporal (dotándola de algún factor de fuerza objetivo en relación con otra información gráfica) son los niveles de soporte y resistencia. Supongamos que están formalizados. Y el precio rebota o los atraviesa.
Se aferra a ellos o los ignora. En este caso, los números que denotan cada precio sucesivo en el gráfico serán la misma ventana MinMax, sólo que el valor máximo será este mismo nivel C/R. Si el precio está cerca de él - entonces 0,9 (-0,9) y más cerca de 1.
Si el precio está lejos de él, está más cerca de 0. Si un precio está en un lado del nivel y el otro está en el otro lado, entonces cambiamos la polaridad de cada lado: en un lado más cerca del nivel - estos son máximos negativos, y en el otro lado - máximos numéricos positivos. Esto es sólo un boceto, un ejemplo de lo que deberían ser los números.
No sólo una posición relativa a otros números de la ventana, sino un reflejo de algún contexto de mercado. Otra opción: expresamos patrones a través de números. Y aquí tenemos un patrón de velas A de una vela, tras la cual el precio sube 55 veces de 100 en el historial. Al siguiente patrón AB (combinación de velas de 2 velas) le siguen 48 alcistas y 52 bajistas.
La tercera combinación de velas ABC (combinación de tres velas) da como resultado 53 al alza y 47 a la baja. Y aquí tenemos un patrón con sobreponderación histórica al alza, el otro con sobreponderación a la baja, el tercero al alza: 5, -1, 3. Combinamos en una ventana, normalizamos en el rango de -1..1 y tendremos números para la entrada del NS:
1, -1 y0.4286. Este es un ejemplo del hecho de que el factor cuantitativo, siendo decisivo para el NS matemático, lleva información objetiva sobre el mercado y la tarea del NS es elegir qué de esta información objetiva puede ser útil para el trading estable. Y no extraer frenéticamente algo de la basura absoluta, que es el conjunto numérico medio para la entrada del NS.