Discusión sobre el artículo "Asesor experto basado en un aproximador MLP universal"
Este artículo y una enorme serie de artículos sobre algoritmos genéticos son ficción.
Es una lástima,
Las pruebas reales no coinciden con los artículos ((
¿Se puede hacer una prueba sobre un trozo de historia entrenado?
Hola, Sergey.
El Asesor Experto está implementado de tal manera que opera sobre una sección desconocida para las neuronas. Puede utilizar impresiones para mostrar los resultados de las operaciones en la sección de entrenamiento directamente en la TargetFunction. Puede guardar la historia de las operaciones virtuales durante el entrenamiento en csv y luego mostrar el saldo en excel o gráfico.
1. Este artículo trata sobre el uso de redes MLP sencillas, no sobre algoritmos de optimización (a todos los cuales has llamado erróneamente algoritmos genéticos). ¿Cuál es la ficción? Los códigos fuente están adjuntos al artículo, los resultados son exactamente los que yo mismo obtuve.
2. ¿Qué pruebas y en qué artículos no coinciden con los reales? Sería bueno poner aquí ejemplos de esos "desajustes" para poder comunicar con sentido.
Si hablamos del Asesor Experto MLP de este artículo, debemos entender que sólo se utilizan como entradas dos indicadores simples y valores de barra normalizados, es decir, la información que se suministra a la neurona es bastante primitiva, por lo que no debemos esperar grandes resultados. El Asesor Experto MLP del artículo se presenta con fines didácticos para entender cómo empezar a utilizar redes neuronales de forma rápida y bastante sencilla. Es necesario experimentar con la información alimentada a la red neuronal, por supuesto, no vale la pena esperar que alguien publique en el artículo un grial listo para usar (no se puede sacar un pez del estanque sin trabajo).
Y si hablamos de los algoritmos de optimización descritos en los artículos, todos ellos son herramientas listas para usar sin condiciones ni restricciones de uso.
Hola Andrey,
Este parece un gran artículo que me interesa. Sin embargo, estoy perplejo. En primer lugar, los archivos de inclusión, #C_AO amd #C_AO_enum, no están presentes en cualquiera de zip que pude descubrir. Y en segundo lugar, ¿cómo puedo probar sus resultados, ya que no puedo encontrar ni el símbolo o marco de tiempo que utilizó. A mí me parece que estas variables se obtienen de la configuración del gráfico.
Hola Andrey,
Lo tengo, gracias por la rápida respuesta.
CapeCoddah
Pruébalo en una cuenta de tipo netting. El artículo sólo da una idea, tienes que adaptar el EA a las condiciones de trading de tu broker.
Muchas gracias por compartir este artículo, y la visión. Gran idea. He implementado un poco de manejo de posición independiente y consiguió que funcione en la cuenta de cobertura (mi corredor)
Usted es el mejor.
- 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 Asesor experto basado en un aproximador MLP universal:
El enfoque que he proponemos es del segundo tipo: aprendizaje no supervisado. En este método, no intentaremos "enseñar" a la red neuronal cómo operar correctamente, ni le diremos dónde abrir o cerrar posiciones, porque nosotros mismos no conocemos la respuesta a estas preguntas. En su lugar, permitiremos que la red tome sus propias decisiones comerciales, y nuestro trabajo consistirá en evaluar su rendimiento comercial conjunto.
Al hacerlo, no necesitaremos normalizar la función de evaluación ni preocuparnos por problemas como las "explosión de pesos" y el "estupor de la red", ya que estarán ausentes en este enfoque. Luego separaremos lógicamente la red neuronal del algoritmo de optimización y le encomendaremos únicamente la tarea de convertir los datos de entrada en un nuevo tipo de información que refleje las habilidades del tráder. En esencia, nos limitaremos a convertir un tipo de información en otro, sin tener ni idea de los patrones de las series temporales ni de cómo operar para obtener beneficios.
Un tipo de red neuronal como MLP (perceptrón multicapa) será ideal para esta función, que queda demostrada por el teorema de aproximación universal. Este teorema afirma que las redes neuronales pueden aproximar cualquier función continua. En nuestro caso, por "función continua" entenderemos un proceso que se produce en la serie temporal analizada. En este enfoque, no será necesario recurrir a conceptos artificiales y subjetivos como "ruido" y "sobreentrenamiento", no cuantificables.
Figura 1. Transformación de un tipo de información en otro
Autor: Andrey Dik