Conseillers en réseaux neuronaux, partageant leurs expériences. - page 3
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Personne ne m'a incité à le faire, j'ai juste pensé que c'était intéressant).
Personne ne conteste que c'est intéressant !
Mais vous ne pouvez pas sauter quelques étapes dans l'apprentissage d'une spécialité - cela ne servira à rien...
Un réseau neuronal, en soi, ne donnera pas le "bon résultat" - ce n'est pas une baguette magique. Vous avez besoin de la bonne idée d'une stratégie de trading, qui donnera un résultat décent même sans réseau neuronal...
Personne ne conteste que c'est intéressant !
Mais vous ne pouvez pas sauter quelques étapes dans l'enseignement d'une spécialité - cela ne servira à rien...
Un réseau neuronal en soi ne vous donnera pas le "bon résultat" - ce n'est pas une baguette magique. Vous avez besoin de la bonne idée d'une stratégie de trading, qui donnera un résultat décent même sans réseau neuronal...
Je ne conteste pas l'idée, bien sûr qu'elle est nécessaire. Mais un neuronet permettra également de tester rapidement une idée, ou du moins de trouver des moyens d'aller de l'avant. Je vois déjà, par exemple, que 11 entrées d'oscillateurs standards, qui montrent tous +- la même chose, ne donnent rien. Exactement de la même manière qu'il peut se négocier avec une seule entrée.
Vous avez raison pour le saut, ce n'est pas du tout ma spécialité, je ne suis même pas mathématicien ou programmeur. Heureusement, il suffit de comprendre figurativement ce qu'est un réseau neuronal et ce qu'il fait, car des solutions toutes faites, comme cette classe, sont déjà disponibles. Et puis vous expérimentez, en utilisant votre compréhension du marché pour tester certaines idées.
Je vais chercher mon sujet sur les réseaux neuronaux maintenant..... C'était sur le quatre et il y a longtemps.
http://forum.mql4.com/ru/38550
L'entrée était la différence de prix avec un certain décalage (de l'ordre de quelques heures). Le résultat est une prévision pour plusieurs heures en plus ou en moins.
Tous les filets ont été obtenus par une architecture de force brute.
Le principal problème était de coller plusieurs essais avant. Cela devrait être automatisé dans le bon sens du terme.
De tout cela, j'ai compris que la chose la plus importante était les bons intrants, je devrais y réfléchir... Il est assez difficile de trouver une sorte de dépendance cachée avec un réseau neuronal. Il faut avoir une idée de cette dépendance au départ, puis la traiter avec une grille.
Pour les entrées, oui. Mais le fait est que l'on ne peut pas vraiment faire un ensemble de "bonnes" entrées d'un coup d'œil. Comment les découvrir ? Nous devrions faire beaucoup d'entrées et ensuite faire une procédure de sélection d'un vecteur informatif d'entrées. Et nous devrions former le filet à ce sujet. Et si vous trouvez des entrées informatives (90 % des cas), alors le réseau n'est pas du tout nécessaire car le modèle peut être basé sur un algorithme de formation de règles quelconque et non sur une boîte noire.
A propos de la dépendance. Le filet ne donnera aucune indication sur la forme de la dépendance. Il n'est pas destiné à cette fin en premier lieu. Et nous revenons une fois de plus au point précédent : il est nécessaire de trouver des caractéristiques informatives et de les utiliser pour construire des règles statistiquement pertinentes.
Si vous voulez du décryptage, je peux vous en dire plus). Je suis vraiment en service maintenant et je ne peux pas consacrer beaucoup de temps aux explications, mais c'est bien qu'aujourd'hui soit vendredi. ))
Pour les entrées, oui. Mais le fait est que l'on ne peut pas vraiment faire un ensemble de "bonnes" entrées d'un coup d'œil. Comment les découvrir ? Nous devrions faire beaucoup d'entrées et ensuite faire une procédure de sélection d'un vecteur informatif d'entrées. Et nous devrions former le filet à ce sujet. Et si vous trouvez des entrées informatives (90 % des cas), alors le réseau n'est pas du tout nécessaire car le modèle peut être basé sur un algorithme de formation de règles quelconque et non sur une boîte noire.
A propos de la dépendance. Le filet ne donnera aucune indication sur la forme de la dépendance. Il n'est pas destiné à cette fin en premier lieu. Et nous revenons une fois de plus au point précédent : il est nécessaire de trouver des caractéristiques informatives et de les utiliser pour construire des règles statistiquement pertinentes.
Si vous voulez du décryptage, je peux vous en dire plus). Je suis vraiment en service maintenant et je ne peux pas consacrer beaucoup de temps aux explications, mais c'est bien qu'aujourd'hui soit vendredi. ))
En fait, mon idée était à l'origine de former des réseaux sur différentes échéances, puis de filtrer les signaux des petits signaux par les grands, c'est-à-dire d'obtenir un avantage statistique en tenant compte du fait que les réseaux produiront un certain pourcentage d'entrées erronées, disons 50 à 50. Les réseaux neuronaux eux-mêmes impliquent le traitement d'une grande quantité de données, c'est leur avantage, de sorte que vous pouvez aller non pas à partir de modèles qualitatifs spécifiques, mais à étaler un grand nombre de signaux sur la plaque. Et peu importe ce qui se passe à l'intérieur, l'important est que le réseau neuronal va essayer d'ordonner tout cela. Mais vous ne pourrez pas le faire sans OpenCl, cela prendrait trop de temps. Nous avons probablement besoin de réseaux de troisième génération, tels que décrits dans l'article.
Mais, bien sûr, vos commentaires sont intéressants. Je vais essayer de bricoler l'indicateur suggéré précédemment. Associé au zigzag (2 sorties), cela donne quelque chose d'incompréhensible. Je vais réduire le nombre d'entrées et le laisser uniquement sur la sortie.
Je n'ai pas entendu dire que quelqu'un gagnait régulièrement de l'argent avec les muwings).
Vous savez que tous les modèles sont en retard par rapport aux indicateurs linéaires, auquel cas le réseau neuronal est inutile.
En général, j'ai eu cette idée dès le début : former des réseaux sur différents TF, puis filtrer les signaux des petits TF par les grands, c'est-à-dire obtenir un avantage statistique sur ce point, en tenant compte du fait que les réseaux produiront un certain pourcentage d'entrées erronées, disons 50 à 50. Les réseaux neuronaux eux-mêmes impliquent le traitement d'une grande quantité de données, c'est leur avantage, de sorte que vous pouvez aller non pas à partir de modèles qualitatifs spécifiques, mais à étaler un grand nombre de signaux sur la plaque. Et peu importe ce qui se passe à l'intérieur, l'important est que le réseau neuronal va essayer d'ordonner tout cela. Mais vous ne pourrez pas le faire sans OpenCl, cela prendrait trop de temps. Nous avons probablement besoin de réseaux de troisième génération, tels que décrits dans l'article.
Mais, bien sûr, vos commentaires sont intéressants. Je vais essayer de bricoler l'indicateur suggéré précédemment. Associé au zigzag (2 sorties), cela donne quelque chose d'incompréhensible. Je vais réduire le nombre d'entrées et le laisser uniquement sur la sortie.
Au travail, j'ai développé un modèle de classificateur binaire pour 10 variables discrètes par entrée. Je les ai sélectionnés de manière astucieuse parmi 76 caractéristiques. La prédiction est dite majoritaire - si la fraction des uns est fortement dépassée, alors un. La qualité du classificateur s'est avérée ne pas être pire qu'une forêt aléatoire de 150 arbres utilisant mon vecteur de caractéristiques de 76 variables ! De plus, le modèle simple construit des règles lisibles par l'homme, alors que la forêt est une boîte noire.
Par ailleurs, un perceptron multicouche ordinaire peut être utilisé pour sélectionner des caractéristiques en analysant les poids d'un réseau entraîné. Vous savez probablement que le réseau apprend moins bien sur des entrées corrélées, sur des paires d'entrées-sorties qui se contredisent. Pour éliminer les mauvais intrants, vous devez donc les passer au crible.
Découvrez la sélection de panneaux ou de caractéristiques informatives. Ce n'est pas une bonne approche que d'alimenter le réseau avec beaucoup d'incertitude.
J'ai développé un modèle de classificateur binaire au travail avec 10 variables discrètes comme entrées. Je les ai sélectionnés de manière astucieuse parmi 76 caractéristiques. La prédiction est dite majoritaire - si la fraction des uns est fortement dépassée, alors un. La qualité du classificateur s'est avérée ne pas être pire qu'une forêt aléatoire de 150 arbres utilisant mon vecteur de caractéristiques de 76 variables ! De plus, le modèle simple construit des règles lisibles par l'homme, alors que la forêt est une boîte noire.
Par ailleurs, un perceptron multicouche ordinaire peut être utilisé pour sélectionner des caractéristiques en analysant les poids d'un réseau entraîné. Vous savez probablement que le réseau apprend moins bien sur des entrées corrélées, sur des paires d'entrées-sorties qui se contredisent. Pour éliminer les mauvaises données, il faut donc les passer au crible.
Oui, cela semble être appelé la malédiction de la dimensionnalité :) En fait, dans mon cas, un tas d'oscillateurs identiques sur l'entrée, tout cela doit être enlevé et il en reste un.
Une autre question - lors de la normalisation des données pour les entrées, est-il préférable de normaliser tous les vecteurs simultanément, en un seul cycle, en considérant les valeurs max et min de l'ensemble, ou de normaliser pour chaque entrée séparément, en considérant les valeurs max et min de chaque vecteur particulier ?
Personne ne conteste que c'est intéressant !
Mais vous ne pouvez pas sauter quelques étapes dans l'apprentissage d'une spécialité - cela ne servira à rien...
Un réseau neuronal, par lui-même, ne donnera pas le "bon résultat" - ce n'est pas une baguette magique.
Vous avez besoin de la bonne idée d'une stratégie de trading, qui donnera un résultat décent même sans le réseau neuronal ...
Alors vous n'avez pas besoin d'un réseau neuronal.