Discusión sobre el artículo "Neuroredes gratis y a mogollón: NeuroPro y MetaTrader 5"
Me gustaría aprovechar esta oportunidad para llamar la atención sobre mi artículo que describe los bosques aleatorios. La cuestión es que el artículo utiliza el paquete Rattle, que no sólo tiene bosques aleatorios, sino también una serie de modelos, incluidas las redes neuronales. Y el paquete ofrece la posibilidad de comparar diferentes modelos entre sí, lo que constituye su indudable ventaja a la luz de este artículo.
No conozco las redes neuronales, así que no puedo comparar las redes en Rattle y en el artículo. Pero con la ayuda de Ratte será posible fundamentar la elección de un modelo concreto y, si se trata de una red neuronal, cambiar a un paquete especializado.
el articulo es genial, gracias .
pero la transformación de fórmulas a través del bloc de notas está más allá del bien y del mal ))))
¿Alguien más está haciendo redes neuronales a este nivel?
Con tal variedad de herramientas avanzadas disponibles.
Estoy estupefacto. Me recuerda a los 90.
¿Alguien más está haciendo redes neuronales a este nivel?
Con tal variedad de herramientas avanzadas disponibles.
Estoy estupefacto. Me recuerda a los años 90.
¿Alguien más está haciendo redes neuronales a este nivel?
Con tal variedad de herramientas avanzadas disponibles.
Estoy estupefacto. Me trae recuerdos de los años 90.
¿Han sufrido la neurona y el axón como tales algún cambio debido al desarrollo de "herramientas avanzadas"?
G ha permanecido igual. ¿O sus neuronas perciben las señales de estímulo de forma diferente?
Tengo una pregunta, ¿y si aplicamos este enfoque no a un símbolo, sino a tres símbolos correlacionados(EURUSD, USDJPY, EURJPY).
Los datos de todos ellos deberían cargarse y procesarse simultáneamente... Me pregunto cuáles serán los resultados... Definitivamente voy a probarlo.
¿Qué quiere decir? ¿Qué significa "avanzado avanzado"? ¿Qué tal un clasificador de gatos de Google?
"Desarrollado avanzado" se puede ver desde dos perspectivas:
1. desarrollo del propio NS (no puedo decir nada).
2. desarrollo de otros algoritmos de aprendizaje automático.
Sobre la segunda pregunta.
Tomando mi artículo. Rattle, que incluye 6 algoritmos cualitativamente diferentes. Tomo el archivo adjunto al artículo. Elimino las variables zz35 y zz75. Ajusto 4 modelos: ada (modelo de ganancia), random forest, support vector machine SVM y red neuronal del paquete nnet. He aquí el resultado del error de predicción de tendencia identificado a partir de ZZ.
ada = 18,69
bosque aleatorio = 16,77
SVM= 16,92
red neuronal = 24,37
PS.
El marco caret para algoritmos de aprendizaje automático incluye más de 140(!) modelos diferentes.
"desarrollo avanzado" puede verse desde dos puntos de vista:
1. desarrollo de NS propiamente dicho (no puedo decir nada)
2. desarrollo de otros algoritmos de aprendizaje automático.
Sobre la segunda cuestión.
Tomando mi artículo Rattle, que incluye 6 algoritmos cualitativamente diferentes. Tomo el archivo adjunto al artículo. Elimino las variables zz35 y zz75. Ajusto 4 modelos: ada (modelo de ganancia), random forest, support vector machine SVM y red neuronal del paquete nnet. He aquí el resultado del error de predicción de tendencia identificado a partir de ZZ.
ada = 18,69
bosque aleatorio = 16,77
SVM= 16,92
red neuronal = 24,37
PS.
El shell de caret para algoritmos de aprendizaje automático incluye más de 140(!) modelos diferentes.
=========================================================================
Respuesta punto por punto
1.Las redes neuronales de segunda generación, alcanzaron su límite de capacidades hace unos diez años, poco a poco han ido saliendo de escena. 2.La tercera generación de redes neuronales, las llamadas "redes neuronales profundas", que han aparecido y se han generalizado en muchas aplicaciones prácticas, muestran muy buenos resultados y carecen del principal inconveniente de las redes neuronales "poco profundas". Se puede profundizar en esta dirección.
2. cualquier variante de árboles o bosques da mejores resultados que cualquier red neuronal (o su conjunto).
3. Se obtienen buenos resultados utilizando conjuntos híbridos (bagging). Esto es, cuando diferentes modelos trabajan simultáneamente en un mismo conjunto.
4. Respecto al artículo que has publicado en el blog, donde se comparan 140 modelos de clasificación. He leído una reseña del desarrollador del paquete caret sobre este artículo. Si es interesante buscaré el enlace. Según su experiencia los mejores resultados vienen de bousting y bagging. Desde mi experiencia los mejores modelos son "ada" del paquete del mismo nombre y RFnear del paquete "CORELearn". Por cierto, este último es muy rápido. Y absolutamente no se mostró SVM, bueno, excepto que un entrenamiento muy largo.
Todo depende de la elección, la preparación de los datos de entrada y sus correspondientes datos de salida. Aquí está el principal campo de investigación.
Hice resultados comparativos de la red neuronal y RF hace unos años, publicado en el foro. RF es inequívocamente el primer lugar. Además, ahora la propia dirección de RF se ha expandido y ramificado, hay mucho donde elegir. No veo la necesidad de hacerlo ahora. Hay que decir que hay aplicaciones en las que las redes neuronales muestran resultados decentes, por ejemplo, en regresión. Pero yo sólo me ocupo de la clasificación, y las redes neuronales no son fuertes en esta área.
Quizá se publique por fin mi artículo sobre este tema, y lo discutiremos allí.
Suerte
SanSanych
Aquí tienes un enlace al artículo del que hablaba. http://appliedpredictivemodeling.com/blog/2014/11/11/some-thoughts-on-do-we-need-hundreds-of-classifiers-to-solve-real-world-classification-problems
También en el artículo hay un enlace a un artículo anterior de David Hand sobre un tema que tú y yo hemos discutido antes - los malos resultados después del entrenamiento en datos reales. Reflexiones muy interesantes. ¿Quizás podrías hacer una traducción abreviada?
Revisando los archivos he encontrado otro artículo sobre el tema de la comparación de diferentes algoritmos de aprendizaje automático.
http://www.cs.cornell.edu/~caruana/ctp/ct.papers/caruana.icml06.pdf
Suerte
- 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 Neuroredes gratis y a mogollón: NeuroPro y MetaTrader 5:
Si los programas especializados de nueroredes para el trading le parecen caros o complicados (o al contrario, primitivos), entonces pruebe NeuroPro, está en ruso, es gratuito y contiene el conjunto ideal de posibilidades para los aficionados. Prodrá familiarizarse con su uso en MetaTrader 5 en este artículo.
El programa NeuroPro fue creado en un instituto ruso en el año 98, pero no ha perdido su actualidad en nuestros días. Funciona con éxito en Windows XP, también en Vista, y en el 7. Todavía no he tenido la posibilidad de comprobar su funcionamiento en versiones de Windows más nuevas.
La versión 0.25 se difunde de manera gratuita, es posible encontrarla en muchas páginas de Internet. NeuroPro puede construtir redes de nueronas de múltiples capas con función de activación sigmoide. Si usted solo está comenzando a estudiar las neuroredes, entonces no necesita más. No le será necesario ni siquiera conocer lenguas extranjeras, dado que en NeuroPro, todo está en ruso.
La neurored puede ser adiestrada en una matriz de datos, y después ponerla a prueba en otra. Para los traders se trata de una función vital, ya que permite comprender rápidamente cuánto tiende la estructura de la red dada a reeducarse y si puede en principio comerciar de manera adecuada más allá de los datos históricos, es decir, en una cuenta real.
Para los aficionados a explorar en profundidad, en el programa existe la posibilidad de ver el peso de las neuroredes, qué entradas influyen en mayor medida en el resultado del funcionamiento de la red. A los principiantes no les servirá de nada, pueden perfectamente no entrar en esta parte del programa. Pero para los traders con experiencia, que busquen el Grial, será una información útil, que les permitirá presuponer qué regularidad ha descubierto la neurored, y hacia dónde continuar con su búsqueda.
En NeuroPro no hay nada más que sea especial, aparte de diferentes ajustes y utilidades valiosas tales como el minimizador de la estructura de la red. Todos estos partados del menú tampoco son de visita obligada, así que los principiantes pueden relajarse y usar solo aquellos ajustes que vienen por defecto.
Desde el punto de vista del trader, NeuroPro tiene solo un defecto: que no está integrado en MetaTrader 5. Propiamente, casi todo el artículo estará dedicado a cómo caragar en NeuroPro los datos e indicaciones de mercado de los indicadores de MetaTrader 5, y cómo transformar después la nuerored obtenida en un experto MQL5.
Adenlantándome un poco, diré que la neurored que haremos con ayuda de NeuroPro, se rehará junto con todos los pesos de las neuronas directamente en un script de MQL5 (a diferencia de, por ejemplo, los sistemas activables DLL como en otro programa). Por eso, funcionará rápidamente, y utilizará mínimamente los recursos de la computadora. Esto es una ventaja indudable del uso de NeuroPro. Con su ayuda, podrá crear cualquier estrategia comercial, hasta la estrategia de pips, ya que en esta se necesita del asesor la toma de decisiones de manera instantánea.
Estrategia comercial
Por supuesto que en esta artículo no tocaremos la estrategia de pips, dado que el proceso de creación, formación y prueba de los asesores de pips es muy específico y se sale del marco de este artículo.
Para nuestros propósitos formativos, crearemos un asesor sencillo para el marco temporal H1 de la popular pareja de divisas EURUSD. Que el asesor analice las 24 últimas barras (es decir, el comportamiento del mercado durante veinticuatro horas) y pronostique (con una hora de adelanto) la dirección del movimiento del precio, hacia arriba o hacia abajo, y dependiendo de esto, que haga la transacción.
Autor: Andrew