Comment former correctement les valeurs d'entrée pour le NS. - page 11
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
Les valeurs d'entrée ne sont pas non plus une question simple. Ce qu'il faut fournir à l'entrée du réseau dépend de nombreux facteurs.
1. Quel type de réseau neuronal est utilisé.
2. Ce que nous voulons obtenir du réseau neuronal - le prix ou la direction du mouvement ou les points de retournement ou la prochaine bougie ou autre chose.
Nous devrions donc d'abord décider de ces questions, puis décider des moyens à mettre en œuvre.
Je propose de ne parler jusqu'à présent que de deux réseaux
1. Réseau Kohonen
2. MLP.
Nous laisserons le reste pour plus tard.
1. Le réseau neuronal est un réseau normal à 4-5 couches (propagation directe sans anneaux, étoiles ou autre).
2. à partir du réseau neuronal, nous voulons obtenir des bulles... Oh non. Pour commencer, nous voulons recevoir la direction du mouvement et si possible une estimation de sa force (en quelque sorte en pips).
Pour moi, jusqu'à présent (d'après ce que j'ai compris), le neuronet reste une approximation. Ce qui signifie que j'essaie en fait d'exprimer une relation fonctionnelle entre les variables d'entrée et les variables de sortie. D'où mes réflexions sur les intrants. Ils ne doivent pas être trop complexes et nous ne devons pas en vouloir trop à la sortie. Il est plus ou moins clair avec les sorties (direction, altitude), mais qu'en est-il des entrées. Je me creuse les méninges pour le troisième jour. Il est très frustrant que je ne puisse pas inventer un tel traitement du signal d'entrée pour qu'il se trouve toujours dans une plage fixe. Car si nous normalisons à un maximum de l'échantillon total, il y a toujours une possibilité qu'une valeur plus élevée apparaisse dans le futur, ce que le réseau ne saura pas et ce qui se passera dans un tel cas, je ne le sais pas. Bien sûr, il existe des variantes de traitement d'entrée comme le sinus ou la sigmoïde, mais cela ne me semble pas correct, car je veux une compression linéaire .
Pour la sortie, je vais probablement utiliser la dépendance hyperbolique. (Up-Dn)/(Up+Dn). La Turquie est jointe.
Je propose de ne parler que de deux réseaux pour l'instant
1. Réseau Kohonen
2. UN MLP
Qu'est-ce que le MLP - perseptron multicouche ?
Kohonen est karachno. Mais probablement pour la deuxième fois. Bien que... il serait bon de comprendre quoi et où.
Au fait, Kohonen est un enseignement sans professeur, n'est-ce pas ?
Qu'est-ce qu'un MLP - perseptron multicouche ?
Oui
Au fait, Kohonen apprend sans professeur, non ?
Dans la version originale, oui. Mais il existe une modification appelée Kohonen supervisé, dans laquelle nous attribuons nous-mêmes un gagnant pour chaque motif.
2. à partir du réseau neuronal, nous voulons obtenir des ba... Oh non. Pour commencer, nous voulons obtenir la direction du mouvement et, si possible, une estimation de sa force (par exemple en pips).
Il n'est pas nécessaire que ce soit mieux, la direction est suffisante. Si cela fonctionne, l'alimentation peut être vissée sur le dessus.
Jusqu'à présent, pour moi (dans mes termes), le réseau neuronal reste un approximateur.
Oui, c'est comme ça.
Ce qui signifie que j'essaie en fait d'exprimer une relation fonctionnelle entre les variables d'entrée et les variables de sortie. D'où mes réflexions sur les intrants. Ils ne doivent pas être trop complexes et nous ne devons pas en vouloir trop à la sortie. Il est plus ou moins clair avec les sorties (direction, altitude), mais qu'en est-il des entrées. Je me creuse les méninges pour le troisième jour. Il est frustrant, cependant, que je ne trouve aucun moyen de traiter le signal d'entrée de manière à ce qu'il se situe toujours dans une plage fixe.
MACD
Bien sûr, il existe des variantes de traitement d'entrée comme les sinus ou les sigmoïdes, mais tout cela me semble faux, car je veux avoir une compression linéaire .
Ici. La tâche ici n'est pas la compression mais la division, donc ce n'est pas une compression linéaire mais une division linéaire que même XOR ne pourra pas diviser.
Par conséquent, la non-linéarité doit être présente. Il existe un théorème selon lequel tout perseptron linéaire à n couches peut être converti en un analogique à 2 couches -- entrée -> sortie.
Donc le perseptron linéaire est foutu.
Alors qu'en est-il des entrées. Qui dispose de quels filets et intrants ?
J'essaie d'alimenter des oscillateurs limités, mais les résultats sont aussi loin que le ciel. Il y a une énorme quantité de travail à faire pour obtenir des conclusions.
MACD
Il peut avoir une mise à jour maximale.
Ici. Le problème n'est pas la compression mais la séparation, donc le résultat n'est pas une compression linéaire mais une séparation linéaire, que même XOR ne peut pas séparer.
Par conséquent, la non-linéarité doit être présente. Il existe un théorème selon lequel tout perseptron linéaire à n couches peut être converti en un analogique à 2 couches -- entrée -> sortie.
Ce n'est pas la linéarité des signaux de sortie qui est en jeu. Il s'agit de compresser linéairement les données d'entrée avant de les introduire dans le réseau. Compression dans l'intervalle [0, 1] sur la base des données de toutes les orbites. S'il y a une conversion de la gamme par une fonction non linéaire, nous obtiendrons une saturation pour les grandes valeurs, entre lesquelles il n'y aura pas de différence. Cela signifie qu'il y aura une répétabilité et donc une incohérence . La compression doit se faire de manière linéaire. Mais comment, pour qu'elle reste maximale à l'avenir. (mon cerveau siffle) ?
il peut avoir une mise à jour maximale.
Oui, bien sûr, mais ça me semble être une bonne option.
Ce n'est pas la linéarité des signaux de sortie qui est en jeu. Il s'agit de compresser linéairement les données d'entrée avant de les introduire dans le réseau. Compression dans l'intervalle [0, 1] sur la base de toutes les données des orbites.
>> Ah, je vois.
S'il y a une conversion en une gamme par une fonction non linéaire, nous obtiendrons une saturation pour les grandes valeurs, entre lesquelles il n'y aura pas de différence. Cela signifie qu'il y aura une répétabilité et donc une incohérence . La compression doit se faire de manière linéaire. Mais comment, pour qu'elle reste maximale à l'avenir. (mon cerveau siffle) ?
C'est pourquoi nous utiliserons la décorelation et autres %).