Piligrimus est un indicateur à réseau neuronal. - page 2
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
Dans tous les cas, il existe un grand potentiel d'amélioration ; vous pouvez augmenter considérablement la fluidité et introduire des signaux supplémentaires.
Le lissage est, en langage technique, la coupure des composantes haute fréquence.
Combien de décibels d'amortissement ont été obtenus entre la fréquence maximale du signal et une fréquence supérieure d'une octave ?
Pouvez-vous me dire où je peux me procurer le VFD du Batteraut ?
Oui, s'il vous plaît !
K est l'ordre du filtre. Il vaut mieux ne pas en mettre plus de 2 - cela augmente considérablement la FS.
zfs писал(а) >>
В чем смысл вашего индикатора, товарищ... он напоминает обычную среднюю.
Quel est l'intérêt ? Expliquez, par exemple, .... parce que votre indicateur ressemble à une moyenne simple, ............
Les réseaux neuronaux sont des systèmes d'auto-apprentissage construits sur des éléments qui simulent le fonctionnement d'un neurone du cerveau humain.
Le modèle de neurone de McCulloch-Pitts se compose d'un corps (soma) et de ramifications (axones), dont les extrémités s'accrochent aux corps d'autres neurones. Cette jonction s'appelle une synapse. Une synapse est caractérisée par la force de la connexion synaptique w. Si le neurone i possède des synapses avec des forces de liaison wi1, ...,win, les impulsions provenant d'autres neurones (Sj) sont additionnées dans celui-ci, et sorties :
Modèle de neurones.
Comme fonction d'activation (fonction transitoire) f() d'un réseau neuronal, on choisit généralement une fonction à pas simple, une fonction S symétrique ou asymétrique ou une fonction à pas linéaire (voir figure).
Fig. Fonctions d'activation en forme de S à pas simple, asymétriques et symétriques.
Si l'on désigne par wij la force de liaison du jème neurone sur le ième neurone, un réseau neuronal composé de n neurones sera entièrement caractérisé par la matrice des connexions synaptiques :
On utilise généralement les réseaux neuronaux les plus simples, appelés réseaux neuronaux en couches. Les entrées de chaque couche sont connectées uniquement aux sorties des neurones précédents. La première couche est appelée la couche d'entrée, la dernière couche est appelée la couche de sortie et les autres sont appelées les couches cachées (internes). Un exemple d'un tel réseau neuronal : 4 - 8 - 5 - 3. Cela signifie que le réseau neuronal est constitué de 4 couches : la couche d'entrée compte 4 neurones, la couche de sortie en compte 8 et les deux couches cachées en comptent 8 et 5.
Le réseau neuronal est contrôlé (entraîné) en modifiant la force des connexions synaptiques dans la matrice W. Un réseau neuronal peut être utilisé comme un système d'auto-apprentissage, ou il peut être pré-réglé avec des échantillons spécialement sélectionnés (formation avec un professeur). Lorsqu'un réseau neuronal est réglé pour un ensemble donné de signaux d'entrée, le réseau génère des signaux de sortie qui sont comparés à des échantillons, dont les écarts sont évalués à l'aide d'une fonction de perte spécialement sélectionnée (par exemple, égale à l'écart type). La matrice des connexions synaptiques est ensuite modifiée pour minimiser la fonction de perte (généralement par descente de gradient). Un réseau neuronal peut donc être classé dans les modèles de régression additifs, non linéaires et non paramétriques.
Fig. Fonctions d'activation en forme de S à pas simple, asymétrique et symétrique.
La performance d'un réseau neuronal est une estimation pondérée de ses trois propriétés :
le degré de convergence - la précision avec laquelle le modèle s'est adapté à des valeurs d'entrée données ;
Le degré de généralisation (généralisation) - la précision avec laquelle le modèle fonctionne sur des ensembles d'entrées qui vont au-delà de ceux qui lui ont été donnés ;
la stabilité - la mesure de la dispersion (déviation) dans l'exactitude de ses prédictions.
Les propriétés ci-dessus d'un réseau neuronal peuvent être influencées par les procédures suivantes :
sélection d'une fonction d'activation appropriée
sélection d'une fonction de perte appropriée
sélection de l'architecture (structure) du réseau
sélection des paramètres pour la descente de gradient
Choix du temps de formation Exemple d'application d'un réseau de neurones en analyse technique L'objectif principal de la formation d'un réseau de neurones est de construire des connexions (associations) entre les formations observées. Les réseaux neuronaux sont utiles pour prendre une décision sur des signaux provenant de plusieurs indicateurs techniques. Différents indicateurs techniques sont efficaces dans différentes conditions de marché. Comme nous l'avons dit précédemment, les indicateurs de suivi de tendance sont efficaces lorsqu'il existe une tendance, tandis que les oscillateurs sont utiles lorsque le marché fluctue dans une fourchette.
Montrons par un exemple simple (A.-P. Refenes, A. Zaidi ) comment un réseau de neurones peut être utilisé dans ce cas. Supposons que la tâche suivante consiste à trouver une stratégie mixte basée sur une combinaison de deux stratégies, chacune basée sur les signaux de deux indicateurs simples : la moyenne mobile (MA) et l'écart par rapport à la moyenne (MV).
La MA est un indicateur simple, qui compare deux moyennes mobiles avec des périodes de calcul différentes et donne un signal d'achat lorsque la MA rapide croise la MA lente de bas en haut, et un signal de vente lorsqu'elle la croise de haut en bas.
MV est un indicateur simple, qui donne un signal de vente lorsque le prix est supérieur à sa moyenne, et un signal d'achat dans le cas contraire.
La structure du système est présentée à la figure 91.
Le système reçoit les signaux des indicateurs (0 - position courte, 1 - position longue) et des informations sur la performance des indicateurs pour les 2 derniers jours (profit ou perte) ainsi que les informations actuelles du marché.
Il y a trois signaux sur la sortie :
MA : suivre la recommandation de l'indicateur MA.
MV : suivre la recommandation de l'indicateur MV
NP : ne rien faire
Chaque sortie prend une valeur comprise entre 0 et 1.
Fig. Schéma d'un réseau neuronal pour l'analyse de deux indicateurs.
Si les signaux MA et MV sont tous deux à l'état ON (prennent des valeurs supérieures à 0,5), alors la recommandation de signal avec la valeur la plus élevée est sélectionnée, mais si NP est à l'état ON, alors rien n'est fait.
Cet exemple d'application d'un réseau neuronal comporte un exemple de son utilisation, ..... et ce que vous lui faites supposer ?
Ce n'est pas Butterworth ?
En effet, le LPF de Butterworth de 2ème ordre (ligne rouge) ne montre pas de résultats beaucoup plus mauvais par rapport à votre filtre de réseau neuronal. Au fait, où se trouve le NS dans le code, et pourquoi votre enfant redessine-t-il ? Il s'agit d'une question rhétorique. Puisque, en redessinant, ce que nous voyons dans l'histoire ne correspond pas à la réalité, la vraie question se pose : pourquoi nous montrer quelque chose qui n'existe pas vraiment ?
La formule entière est un amalgame de plusieurs réseaux entraînés avec différents paramètres, et réduits à un seul polynôme avec leurs coefficients de poids les uns par rapport aux autres.
L'ensemble du polynôme est recalculé à chaque tick, puisque l'historique ne change pas et que seules les cotations de la barre zéro changent, tandis que les résultats du recalcul à la barre zéro restent inchangés. Il n'y a pas de redécoupage.
l'amortissement - en langage technique, la coupure des composantes haute fréquence
dans la version actuelle, combien de décibels d'atténuation ont été obtenus de la fréquence maximale du signal utile à une fréquence, disons, supérieure d'une octave ?
Je ne l'ai pas vérifié.
Il y a un exemple d'utilisation d'un réseau neuronal dans cet exemple, ..... et à quoi pensez-vous ?
J'utilise un réseau neuronal comme filtre, c'est une tâche légèrement différente de celle que vous décrivez.
Je n'ai pas vérifié.
>> C'est comme ça... tout se fait à l'œil.
J'utilise un réseau neuronal comme filtre, ce qui est une tâche légèrement différente de celle que vous décrivez.
Vous avez obtenu des coefficients pour votre filtre numérique. En gros, c'est un MA avec des coefficients ridicules, comme n'importe quel filtre numérique. Que voulez-vous réellement qu'il fasse ? Que voulez-vous filtrer et à quelle vitesse voulez-vous qu'il réagisse aux changements ?
Et comment l'optimiser ?
Infinity, merci pour l'explication. Très simple, clair et logique.
Je comprends ce qu'est un réseau neuronal, et je vois plus de sens dans l'exemple que dans cet indicateur.
L'entrée est un tas de coefficients incompréhensibles. Le résultat est une moyenne. Ça n'a même pas de sens en tant qu'expa.