Réseaux neuronaux artificiels. - page 6

 

Il n'y a pas de folie. Il existe une compréhension approfondie des réseaux. Il serait long de l'exposer ici, et il est inutile de le faire. Je me contenterai donc d'exposer brièvement mon opinion. Ceux qui ne sont pas d'accord, parlez, donnez des exemples, même les technologies de Renaissance si vous voulez. Rions ensemble.

 
gpwr:

Il existe une compréhension approfondie des réseaux. Il faut beaucoup de temps pour le mettre en place ici, et ça ne sert à rien de le faire.

Je ne comprends pas bien votre point de vue : les algorithmes auto-optimisants ne font-ils pas partie du domaine des réseaux neuronaux ? ou l'activité même de construction de réseaux n'est-elle rien, juste un gaspillage de ressources ?
 
gpwr:

Il n'y a pas de folie. Il existe une compréhension approfondie des réseaux. Il serait long de l'exposer ici, et il est inutile de le faire. Je me contenterai donc d'exposer brièvement mon opinion. Ceux qui ne sont pas d'accord, parlez, donnez des exemples, même les technologies de Renaissance si vous voulez. Rions ensemble.

Il est probablement impossible de donner des exemples maintenant, mais dans le futur, avec l'évolution du terminal, du langage de programmation, des outils, il sera possible de faire une IA à part entière, beaucoup de grands hommes se sont trompés sur le progrès, certains ont changé d'avis à temps, beaucoup ont échoué à cause de cela, donc nous devrions attendre

gpwr:

2 mathématiciens, 2 physiciens, 2 neurobiologistes et 2 économistes.

(il n'y a aucune garantie que ces réseaux neuronaux n'existent pas déjà, ils sont probablement en train de travailler tranquillement dans le terminal de quelqu'un))
 
Je veux aussi croire à la bonne nouvelle que les réseaux neuronaux peuvent faire beaucoup, et ce n'est pas pour rien qu'ils sont utilisés dans les derniers développements modernes. Je vais espérer et essayer de créer un Graal basé sur les réseaux neuronaux, mais je ne sais pas combien de temps cela prendra.
 
Reshetov:
  • Nous ne le ferons pas. Parce que si nous le faisons, alors :

C'est un cercle vicieux !

Si nous savons comment alimenter les entrées du NS, alors le NS est inutile.

Et si nous fournissons nos intrants en marchandises, nous n'aurons pas besoin de NS.

Donc la conclusion est : les réseaux neuronaux sont des conneries ? ! !!! =)

 

Je pense que les informations vraiment importantes devraient être transmises au SN :

1) les dernières cotations, par exemple les barres des 10 dernières heures (afin que NS puisse détecter les niveaux et les paternes) ;

2) L'heure actuelle (pour que le SN sache quand s'attendre à des pics de volatilité, car les nouvelles et les ouvertures de marché se produisent en valeurs temporelles rondes) ;

3)Indicateurs macroéconomiques (de préférence en temps réel, comment et d'où les saisir dans MT5 - je ne sais pas) ;

4) Bonnes et mauvaises nouvelles par différentes régions (je ne sais pas comment l'implémenter, je peux entrer le ratio mauvaises/bonnes nouvelles, mais je ne sais pas comment les alimenter à MT5 et d'où les alimenter automatiquement, sans intervention humaine) ;

Документация по MQL5: Дата и время / TimeCurrent
Документация по MQL5: Дата и время / TimeCurrent
  • www.mql5.com
Дата и время / TimeCurrent - Документация по MQL5
 
lazarev-d-m:

Il n'est peut-être pas possible de donner des exemples maintenant, mais dans le futur, avec l'évolution du terminal, du langage de programmation, des outils, il sera possible de faire de l'IA à part entière, beaucoup de grands hommes se sont trompés sur le progrès, certains ont changé d'avis à temps, beaucoup ont échoué à cause de cela, il faut donc attendre...

(Ils ne vont pas se réunir et faire quelque chose qui fonctionne vraiment)), en outre, il n'y a aucune garantie que ces réseaux neuronaux n'existent pas déjà, ils travaillent probablement tranquillement dans le terminal de quelqu'un

Les progrès des réseaux neuronaux artificiels ont commencé en 1943 et, en 69 ans, ils n'ont même pas appris à distinguer les chats des chiens. Il existe des domaines où ils ont été utilisés avec succès, des domaines où les données ne nécessitent pas de transformation non linéaire importante. Par exemple, la prévision de la consommation d'électricité en fonction de l'heure de la journée et de la température de l'air. Prévision de la croissance du PIB sur la base des commandes d'usines, du revenu personnel, du chômage, etc. Sur le marché, les réseaux doivent prendre des décisions en fonction des prix passés. Il ne sert à rien de donner les prix passés de N eux-mêmes comme entrées au réseau, de même qu'il est stupide d'établir une relation non linéaire entre des données bruyantes. Les modèles existent sur le marché, mais ils sont tellement déformés que même les méthodes conventionnelles de transformation non linéaire du temps et des prix ne permettent pas de les identifier. Par exemple, parmi N prix passés, les moments les plus importants ne peuvent être qu'un ou deux segments, à savoir les segments où ces prix atteignent des niveaux de support et de résistance, des lignes de tendance ou changent de direction. Dans la plupart des cas, la façon dont les prix évoluent entre ces sections importantes n'est pas importante. C'est-à-dire que la dimensionnalité N des données est considérablement réduite à 2-3x par une telle transformation non linéaire. Le réseau lui-même n'apprendra jamais à effectuer une telle transformation non linéaire des prix. C'est à nous de le faire. Mais si nous savons ce qu'il faut faire avec les prix, nous connaissons déjà la stratégie à l'avance (répartition des niveaux par exemple) et pourquoi avons-nous besoin du réseau ? Si nous savons qu'un motif 1-2-3 dans une tendance conduit à la poursuite de la tendance, pourquoi avons-nous besoin du filet ? Peut-être qu'à l'avenir les ordinateurs seront si puissants qu'il y aura de nouveaux types de réseaux, plus proches des réseaux biologiques (peut-être dans 20-30 ans).

Lisez aussi ici, où les inconvénients des réseaux sont bien décrits : https://en.wikipedia.org/wiki/Neural_network.

Par exemple ce passage :

Pour mettre en œuvre des réseaux neuronaux logiciels de grande taille et efficaces, il faut engager beaucoup de ressources de traitement et de stockage. Alors que le cerveau dispose d'un matériel adapté à la tâche de traitement des signaux par le biais d'un graphe de neurones, la simulation, même la plus simplifiée, de la technologie de Von Neumann peut obliger un concepteur de réseaux neuronaux à remplir plusieurs millions de lignes de base de données pour ses connexions, ce qui peut consommer de grandes quantités de mémoire informatique et d'espace sur le disque dur. En outre, le concepteur de systèmes NN devra souvent simuler la transmission de signaux par le biais d'un grand nombre de ces connexions et de leurs neurones associés - ce qui doit souvent correspondre à des quantités incroyables de puissance de traitement et de temps du CPU. Si les réseaux neuronaux produisent souvent des programmes efficaces, ils le font trop souvent au prix de l'efficacité (ils ont tendance à consommer des quantités considérables de temps et d'argent).

Artificial neural network - Wikipedia, the free encyclopedia
Artificial neural network - Wikipedia, the free encyclopedia
  • en.wikipedia.org
Machine learning and data mining Problems Clustering Dimensionality reduction Ensemble learning Anomaly detection Theory An artificial neural network is an interconnected group of nodes, akin to the vast network of neurons in a brain. Here, each circular node represents an artificial neuron and an arrow represents a...
 
lazarev-d-m:

Il est probablement impossible de donner des exemples maintenant, mais dans le futur, avec l'évolution du terminal, du langage de programmation et des outils, il sera possible de créer une IA à part entière. Beaucoup de grandes personnes se sont trompées sur le progrès, certaines ont changé d'avis à temps, beaucoup ont échoué à cause de cela, nous devons donc attendre...

Et le terminal et MQL5 n'ont rien à voir avec cela, car personne n'interdit l'IA en général et le MU en particulier, il est interdit depuis longtemps de l'implémenter (complètement) en utilisant d'autres outils, y compris en l'ajoutant comme bibliothèque à MT.

Le problème n'est pas de créer une grille et de l'enseigner (la façon de le faire est claire, car il existe de nombreuses informations et même des implémentations toutes faites). Le problème avec les mailles est tout à fait différent - il est en fait exprimé ici - toute l'efficacité d'une maille est "enterrée" dans le choix des données d'entrée sur lesquelles nous l'entraînons. Et sélectionner des données correctes (dans un contexte de marché), les transformer correctement (par exemple, les convertir en un espace multidimensionnel, qui forme, selon une théorie, les attracteurs d'un processus stochastique caché derrière les manifestations externes des changements de cotation) - c'est le savoir-faire le plus précieux, sur lequel je n'ai pas rencontré d'informations utiles dans la pratique. Tout ce qui est suggéré dans la branche ci-dessus a déjà été essayé, bien sûr, sans succès. Par exemple, les indicateurs macro n'ont pas besoin de la grille, car si vous savez comment les interpréter correctement, vous pouvez trader les mains. Les nouvelles ne sont pas un indicateur parce que, premièrement, la réaction à ces nouvelles sera ex post facto, et nous voulons en quelque sorte prédire les mouvements et prendre des décisions avant que les nouvelles n'atteignent le marché, et deuxièmement, la réaction aux nouvelles est imprévisible - par exemple : un tremblement de terre au Japon - le yen semble être mauvais, mais en fait la demande pour le yen a augmenté, et aussi les nouvelles sont souvent négatives, mais moins négatives que prévu et elles sont perçues comme une raison de faire monter le marché, et ainsi de suite. En général, tout a été essayé. Ceux qui ont réussi quelque chose (s'il y en a) ne sont pas assis ici. Et ils ne partagent pas leur expérience.

 

Poursuite de la discussion sur les réseaux sur le marché. Prenons l'exemple du cortex visuel de notre cerveau. Seule la couche V1 de ce cortex contient 140 millions de neurones, alors qu'il n'y a que 6 couches. Tous ces neurones traitent les informations en parallèle et sont reliés entre eux par des millions de synapses adaptatives. Les ordinateurs mis à la disposition des traders peuvent avoir jusqu'à 1000 cœurs de processeur. Autrement dit, pour imiter le cortex visuel, chaque noyau doit calculer des centaines de milliers de neurones en temps réel. La formation d'un tel réseau prendrait environ un an. Et tout cela pour voir le monde et reconnaître les images. Même si nous parvenons à former ce réseau avec succès, il n'atteindra pas la même précision de reconnaissance des objets que nous, car nous utilisons plus que de simples informations visuelles. Par exemple, l'une des tâches les plus difficiles pour les réseaux artificiels est la reconnaissance des ombres. C'est une évidence pour nous, car nous connaissons bien les propriétés de la lumière. Mais le réseau ne connaît pas ces propriétés de la lumière, et à moins que nous ne lui apprenions à le faire, il ne peut pas les détecter. Le réseau n'est pas non plus familier avec la transparence des objets, etc. Prenez le marché où il y a beaucoup plus de bruit que dans les informations visuelles et où les objets (modèles de prix) sont beaucoup plus déformés. Et nous voulons quelques dizaines de neurones qui examinent les prix passés pour définir les modèles du marché. Ridicule, n'est-ce pas ?

 
gpwr:

Poursuite de la discussion sur les réseaux sur le marché. Prenons l'exemple du cortex visuel de notre cerveau. Seule la couche V1 de ce cortex contient 140 millions de neurones, alors qu'il n'y a que 6 couches. Tous ces neurones traitent les informations en parallèle et sont reliés entre eux par des millions de synapses adaptatives. Les ordinateurs à la disposition des traders peuvent avoir jusqu'à 1000 cœurs GPU. Autrement dit, pour imiter le cortex visuel, chaque noyau doit calculer des centaines de milliers de neurones en temps réel. La formation d'un tel réseau prendrait environ un an. Et tout cela pour voir le monde et reconnaître les images. Même si nous parvenons à former ce réseau avec succès, il n'atteindra pas la même précision de reconnaissance des objets que nous, car nous utilisons plus que de simples informations visuelles. Par exemple, l'une des tâches les plus difficiles pour les réseaux artificiels est la reconnaissance des ombres. C'est une évidence pour nous, car nous connaissons bien les propriétés de la lumière. Mais le réseau ne connaît pas ces propriétés de la lumière, et à moins que nous ne lui apprenions à le faire, il ne peut pas les détecter. Le réseau n'est pas non plus familiarisé avec la transparence des objets, etc. Prenez le marché où il y a beaucoup plus de bruit que dans les informations visuelles et où les objets (modèles de prix) sont beaucoup plus déformés. Et nous voulons quelques dizaines de neurones qui examinent les prix passés pour définir les modèles du marché. Ridicule, n'est-ce pas ?

Je vais vous donner un autre exemple.

Je suis allé sur le site de RBC, il y a 137 nouvelles aujourd'hui et seulement 3 d'entre elles ont un impact réel sur le taux de change du rouble. Et il est très probable qu'il existe des effets qui ne sont pas mentionnés dans les journaux.

En d'autres termes, il est non seulement nécessaire d'apprendre à filtrer très soigneusement le flux d'entrée, mais il se pourrait bien que le flux d'entrée ne contienne aucune information décrivant les raisons de ces changements de prix.

En général, il ne faut pas confondre le chaud et le doux. Les machines ont été créées à l'origine pour remplacer le travail monotone/étudié de l'homme. Si nous prenons la sphère du trading, la grande majorité des participants ne comprennent pas ce qu'ils font, ce qui se reflète dans les résultats. Il n'y a pas de principes univoques qui garantissent des résultats dans le futur, si vous prenez le dollar M3 et la dynamique du SP500, vous pouvez voir que même la stratégie buy&hold perd de l'argent. Que doivent faire les machines alors - perdre aussi de façon monotone...

Bien que l'art pour l'art, a aussi droit à la vie.