Utilisation des réseaux neuronaux dans le trading. - page 5
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
Bien que je ne m'occupe pas de réseaux neuronaux sur le marché, mais personnellement, je me hasarderais à penser qu'une normalisation linéaire ordinaire serait préférable à une normalisation par variance unitaire, car le réentraînement du réseau sur de nouvelles données devrait être bien meilleur, sans modifier l'écart de dispersion potentiel des nouvelles données, ce qui ne peut bien sûr pas être fait en ramenant la série à un centre. Avec une telle normalisation, il faut littéralement tout changer dans le réseau, même les coefficients de pondération, c'est-à-dire simplement réentraîner le réseau, plutôt qu'améliorer ses coefficients de pondération. Mais ce n'est qu'une supposition. Elle doit être testée.
Bien que je ne m'occupe pas de réseaux neuronaux sur le marché, mais personnellement, je me hasarderais à penser qu'une normalisation linéaire ordinaire serait préférable à une normalisation par variance unitaire, car le réentraînement du réseau sur de nouvelles données devrait être bien meilleur, sans modifier l'écart de dispersion potentiel des nouvelles données, ce qui ne peut bien sûr pas être fait en ramenant la série à un centre. Avec une telle normalisation, il faut littéralement tout changer dans le réseau, même les coefficients de pondération, c'est-à-dire simplement réentraîner le réseau, plutôt qu'améliorer ses coefficients de pondération. Mais ce n'est qu'une supposition. Elle doit être testée.
J'ai un réseau qui se réapprend simplement toutes les 24 heures. Je ne sais pas si c'est un plus ou un moins. Mais, tant que ça fume.
Je dois demander à Prival comment obtenir la distribution souhaitée (rectangulaire) à partir d'une valeur arbitraire sous forme analytique.
Privalych est probablement endormi maintenant, alors je vais essayer de répondre à sa place. J'ai déjà modélisé une valeur normale basée sur une valeur uniformément distribuée sur [0,1]. En même temps, je devais calculer une fonction inverse de la fonction gaussienne intégrale à partir d'une variable aléatoire uniformément distribuée. Ainsi, pour obtenir une variable aléatoire uniformément distribuée à partir d'une variable aléatoire normalement distribuée, nous devrions calculer une fonction gaussienne intégrale à partir de la première.
Par analogie, pour obtenir une valeur uniformément distribuée à partir d'une valeur distribuée de façon aléatoire, vous devez d'abord trouver la fonction de distribution intégrale de la première et l'appliquer à la suivante. J'espère que je n'ai pas trop foiré.
Salut Alexey.
Faisons-le lentement et clairement (surtout pour moi).
On a donc une SV distribuée exponentiellement de la forme Y=A*exp{-a*X} . où X est l' amplitude des données transmises à l'entrée NS. Nous voulons trouver une certaine fonction magique f(x), agissant sur un certain nombre de données d'entrée X permet d'obtenir leur distribution rectangulaire dans l'intervalle +/-1. Pour ce faire, vous conseillez :
1. Trouvez une fonction qui est l'inverse de la gaussienne intégrale. Trouvez l'intégrale : Z=-A/a*exp{-a*X}, trouvez maintenant son inverse : X=1/a*ln(-A/a/Z)
Est-ce que c'est la f(x)=1/a*ln(-A/a/x) souhaitée ?
Mon réseau se réapprend simplement toutes les 24 heures. Je ne sais pas si c'est un plus ou un moins. Mais, jusqu'à présent, c'est funkking.
Je suppose que ce n'est pas dans le MQL ?
Je suppose que ce n'est pas en MQL ?
Je fais réapprendre la grille chaque fois que je quitte le marché, avant d'y entrer à nouveau.
Ma grille est réentraînée à chaque sortie du marché, avant une nouvelle entrée.
Quelle est la structure du filet, combien d'entrées, combien de temps faut-il pour se recycler, sur MQL ou sur un logiciel externe ?
En MQL, quelques dizaines de lignes de code et un volume de 9kB.
Grille 100/2/1, architecture mise à l'échelle arbitrairement (y compris le nombre de couches cachées). Couche cachée/s avec hypertangente, la sortie montre le signe d'achat/vente. Réapprend (réapprend) en 100 ms environ.
J'ai eu beau essayer, l'incrémentation des neurones dans la couche cachée ne donne pas d'augmentation significative de la puissance de calcul, mais rend l'entraînement beaucoup plus difficile. Peut-être ces particularités sont-elles liées à la tâche spécifique et le résultat ne peut être généralisé.
En MQL, quelques dizaines de lignes de code et un volume de 9kB.
Grille 100/2/1, architecture mise à l'échelle arbitrairement (y compris le nombre de couches cachées). Couche cachée/s avec hypertangente, la sortie montre l'achat/la vente (signe). Réapprend (réapprend) en 100 ms environ.
J'ai eu beau essayer, l'incrémentation des neurones dans la couche cachée ne donne pas d'augmentation significative de la puissance de calcul, mais rend l'entraînement beaucoup plus difficile. Peut-être ces particularités sont-elles liées à la tâche particulière et le résultat ne peut être généralisé.
Que voulez-vous dire par "l'architecture évolue de façon arbitraire" ? D'après ce que je comprends, l'architecture est la structure du réseau. Et la mise à l'échelle est l'utilisation d'une certaine fonction de rationnement des données. 100 entrées, c'est un peu beaucoup. Ou votre 100 est autre chose ?
Neutron писал(а) >>
Faisons-le lentement et clairement (surtout pour moi).
Donc, nous avons une distribution exponentielle de SV
OK Sergey, allons-y doucement et tristement. Tout d'abord, traitons des théorèmes généraux. Voici un lien. Voir les théorèmes 24, 25, 26.
Remarque : la Th 24 traite de la fonction de densité de la distribution.
Mais la Th 25 fait exactement ce dont vous avez besoin, et elle concerne la fonction de distribution.
Regardez également, pour le plaisir, le corollaire 8 de Th 26. La troisième formule du corollaire est exactement ce dont je parlais lorsque je voulais obtenir une gaussienne à partir d'une uniforme.
Et pour votre distribué exponentiellement, il suffit d'obtenir sa fonction de distribution (intégrale) proprement et d'appliquer Th 25.
P.S. Au fait, la dernière phrase de l'exercice 36 m'a amusé (" (Note : personne ne l'obtient de cette façon.) "). Et moi, idiot, c'est comme ça que je l'ai eu (Codabase a une bibliothèque de statfunctions)...