Discusión sobre el artículo "Características del Wizard MQL5 que debe conocer (Parte 28): Revisión de las GAN con una introducción a las tasas de aprendizaje"
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
Artículo publicado Características del Wizard MQL5 que debe conocer (Parte 28): Revisión de las GAN con una introducción a las tasas de aprendizaje:
La Tasa de Aprendizaje, es un tamaño de paso hacia un objetivo de entrenamiento en muchos procesos de entrenamiento de algoritmos de aprendizaje automático. Examinamos el impacto que sus múltiples horarios y formatos pueden tener en el rendimiento de una Red Generativa Adversarial, un tipo de red neuronal que ya habíamos examinado en un artículo anterior.
El formato de este artículo va a ser un poco diferente al que estamos acostumbrados en artículos anteriores. Al presentar cada formato de tasa de aprendizaje, lo acompañarán sus informes de pruebas de estrategia. Esto contrasta ligeramente con lo que teníamos antes, donde los informes normalmente aparecían al final del artículo, antes de la conclusión. Por lo tanto, este es un formato exploratorio que mantiene una mente abierta al potencial que tienen o no las tasas de aprendizaje en el rendimiento de los algoritmos de aprendizaje automático, o más específicamente, las GANs. Debido a que analizamos múltiples tipos y formatos de tasas de aprendizaje, es importante tener métricas de prueba uniformes y es por eso que utilizaremos un solo símbolo, marco de tiempo y período de prueba en todos los tipos de tasas de aprendizaje.
En base a esto, nuestro símbolo será EURJPY, el marco temporal será el diario y el período de prueba será el año 2023. Estamos haciendo pruebas en una GAN y su arquitectura por defecto es sin duda un factor. Siempre existe el argumento de que un diseño más elaborado en términos de número y tamaño de cada capa es primordial, sin embargo, si bien todas esas son consideraciones importantes, nuestro enfoque aquí es la tasa de aprendizaje. Para tal fin, nuestras GAN serán relativamente simples, con solo 3 capas que incluyen una capa oculta. El tamaño general de cada uno será 5-8-1 desde la entrada hasta la salida. Las configuraciones para estos se indican en el código adjunto y pueden ser modificadas fácilmente por el lector si desea utilizar una configuración alternativa.
Autor: Stephen Njuki