Réseau neuronal - page 12
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
Mais j'adore celui-là. >>) Combien j'en ai souffert en mon temps, avant le forex :).
Vos agonies ont-elles apporté le résultat tant attendu sous la forme d'une augmentation de votre richesse personnelle en créant et en utilisant avec succès dans votre vie votre conseiller expert sur les réseaux neuronaux ? Ou peut-être que c'est des conneries. :)
>>Quelles sont les sorties, les entrées ?
Combien de valeurs d'enseignant est-il préférable d'utiliser pour former un réseau neuronal ? Par exemple, s'il y a quatre actions possibles sur les réponses du réseau. Si vous utilisez 4 valeurs, je remarque que l'erreur est plus grande que si vous lissez les valeurs moyennes. Combien de personnes sont optimales ? Dans le fichier joint, à gauche les sorties réelles, à droite les valeurs sur lesquelles le réseau a été entraîné.
Et vos tortures ont apporté le résultat tant attendu : l'augmentation du bien-être financier personnel grâce à la création et à l'application réussies dans la vie du conseiller sur les réseaux neuronaux ? Ou peut-être que c'est n'importe quoi. :)
Kohonen : oui, parfois ça aide. BackProp - vous avez besoin d'un professeur. J'ai essayé d'enseigner, le résultat est négatif. Vous devez savoir où trouver un professeur. D'après tous les articles que j'ai lus, ce ne sont que des bêtises. Alors je l'ai jeté à la poubelle. Peut-être que je me trompe et que quelqu'un d'autre ici vous renseignera sur le backprop. A propos, il y a des choses intéressantes chez Makarenko, Golovko, par exemple dans ses conférences sur la neuro-informatique MEPhI, je vous conseille de les lire.
Il faut savoir où trouver un professeur.
Vous ne pouvez pas l'écrire vous-même ?
Vous ne pouvez pas l'écrire vous-même ?
S'il y a des suggestions pour les sorties du réseau, c'est-à-dire les enseignants, veuillez indiquer votre point de vue sur la situation. Je n'ai pas réussi à obtenir de résultats. Ça semblait cool au début, puis ça s'est dégradé.
J'ai essayé d'utiliser le script pour rechercher des vecteurs d'entrée incohérents. Si le vecteur d'entrée a une déviation donnée ou coïncide complètement avec un autre vecteur, voyez ce que l'enseignant dit sur ces barres. Si elle indique des résultats directement opposés, les entrées sont incohérentes. Les entrées sont l'indication AO, le professeur est l'analogue du MRR du diplôme d'Ivanov. Ainsi, si la déviation n'est pas égale à zéro mais un peu plus grande (par exemple 0,5), le script trouve beaucoup de vecteurs contradictoires. Si la déviation est encore plus grande, le script trouve encore plus de vecteurs, etc. En d'autres termes, il s'avère que chaque vecteur est totalement individuel. Comment peut-on alors essayer de combiner des vecteurs en groupes de vecteurs similaires dans un tel cas, comme le fait le réseau de Kohonen ?
Une petite question pour le public.
J'ai essayé de rechercher des vecteurs d'entrée incohérents à l'aide d'un script. Si un vecteur d'entrée a une déviation donnée ou coïncide complètement avec un autre vecteur, voyez ce que l'enseignant dit sur ces barres. Si elle indique des résultats directement opposés, les entrées sont incohérentes. Les entrées sont l'indication AO, le professeur est l'analogue du MRR du diplôme d'Ivanov. Ainsi, si la déviation n'est pas égale à zéro mais un peu plus grande (par exemple 0,5), le script trouve beaucoup de vecteurs contradictoires. Si l'écart est encore plus grand, il en trouve encore plus, etc. En d'autres termes, il s'avère que chaque vecteur est totalement individuel. Comment peut-on alors essayer de combiner des vecteurs en groupes de vecteurs similaires dans un tel cas, comme le fait le réseau de Kohonen ?
Il ne s'agit pas de savoir si chaque vecteur est individuel ou non. Il s'agit de la façon dont le vecteur lui-même est composé. Comprenez qu'un réseau neuronal n'est qu'un outil d'interprétation des données, ce n'est pas une "intelligence artificielle intelligente", à laquelle on peut donner tout ce que l'on veut et qui comprendra tout d'elle-même. Le SN fonctionne selon la règle la plus primitive du réflexe conditionné - impact->réaction. C'est pourquoi vous lui montrez des signaux AO, ou tout autre indicateur, ou votre horoscope en général - peu importe ; si le signal initial ne contient pas d'informations utiles, le réseau n'en tirera rien. Pensez-y, vous lui avez montré, disons, vingt échantillons d'AO. Et maintenant, imaginez combien de variantes différentes de situations de marché pourraient aboutir à la formation d'une telle séquence (ou "presque" - en termes de corrélation). Même s'ils ne sont que deux (cas limite), la probabilité qu'ils donnent des résultats diamétralement opposés n'est pas du tout négligeable. Et s'il y en a d'autres ? Et en général, comment pourrait-elle savoir si vous lui montrez AO ou AC, ou un graphique de l'activité solaire ? C'est de là que proviennent les vecteurs dits "incohérents" - des données brutes, car la prétendue incohérence indique en fait que le réseau, ou plutôt le modèle mathématique qu'il décrit, ne peut tout simplement pas prendre de décisions dans cette situation, faute d'arguments suffisants.
Ne perdez pas votre temps à former des réseaux sur le prix nu et les indicateurs linéaires tels que l'AO - c'est une étape du passé, un grand nombre d'expériences ont prouvé qu'elle était au moins non rentable. Creuser le côté non linéaire, isoler les principaux composants, etc. Le réseau ne fonctionnera avec succès que s'il analyse des données significatives - et seule la tête du programmeur peut leur donner un sens (pas nécessairement la seule - elle peut être reliée à divers outils techniques).
Les données non linéaires sont-elles des données non triées ?
Je dirais plutôt qu'elle reflète dans une certaine mesure l'essence sous-jacente des processus en cours plutôt que leurs manifestations extérieures. De quoi dispose un trader au départ ? Il existe un flux de nouvelles, un flux de prix et un flux de volume (en effet, les données ne sont pas cohérentes). Et si les deux derniers objets sont déjà "mathématisés" pour ainsi dire - exprimés en nombres, alors avec les nouvelles le problème est plus compliqué - premièrement, elles doivent être obtenues, et deuxièmement, formalisées d'une manière ou d'une autre (enfin, c'est un sujet distinct, il y a même eu un fil de discussion à ce sujet ici récemment).
Notre tâche consiste donc à montrer tout cela à un réseau neuronal sous une forme digeste. Imaginez un perroquet à qui on a appris pendant des centaines d'années à répondre d'une certaine manière à des phrases bien précises, par exemple "acheter", "vendre" et "sitikuri". Évidemment, il serait raisonnable de lui donner par exemple des phrases telles que "le prix a agi de telle façon au cours des Н derniers jours (il montait de telle façon à telle autre, puis il baissait, puis - fais bien attention, Popka - il a fait tel ou tel schéma), les volumes de transactions étaient de telle façon, le marché a réagi aux nouvelles qui ont été publiées de telle façon, et tout cela se passait dans le contexte de telle ou telle tendance". - Et dans sa tête de perroquet, après les cent années mentionnées - peut-être même inconsciemment - une image de la situation du marché se formera, après quoi il donnera avec une certaine probabilité la bonne réponse. Si nous lui disons que "le prix était tel hier, tel hier, et ainsi de suite pendant un mois", il ne saura tout simplement pas à quoi s'accrocher, car la tâche consistant à distinguer les éléments significatifs dans le flux d'informations homogène sera une lourde charge pour son petit cerveau. Ainsi, il aura au mieux une vague idée de ce qu'il faut rechercher pour prendre une décision, et si nous le réprimandons trop assidûment pour les mauvaises réponses (lire : formation avec un professeur :), il sera complètement perdu et quittera le processus d'apprentissage en ignorant tout.
Autre analogie : comment vous et moi utilisons-nous nos yeux pour reconnaître les objets ? En gros, notre conscience n'analyse pas un ensemble de pixels provenant directement de la rétine ; elle reçoit une image visuelle prête à être analysée et reconnue - c'est-à-dire que pour comprendre ce que nous voyons, les sections correspondantes du cerveau ainsi que l'image elle-même nous fournissent déjà une liste de caractéristiques auxquelles nous devons prêter attention ; autrement dit, les données sont déjà préparées pour l'analyse finale ; elles contiennent déjà une certaine charge sémantique.
Sélectionner l'essentiel et écarter le superflu, voilà ce que j'entends par traitement non linéaire.