Les réseaux neuronaux. Questions des experts. - page 10
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
Это понятно. Чем меньше ошибка тем больше профит? Или какая взаимосвязь?(я об этом)
Pouvez-vous décrire la forme générale de la relation que vous souhaitez voir s'établir ? Est-ce une formule ou l'exemple que je vous ai donné en page 2 ou 3 est-il suffisant...
Décrivez simplement ce que vous aimeriez voir comme une relation, car on ne sait pas exactement ce que l'on entend par relation...
Salutations à tous !
J'ai besoin d'une réponse sensée, de la part de personnes ayant une expérience suffisante des réseaux neuronaux et des algorithmes génétiques, à la question suivante :
"Est-il possible de le faire en utilisant la technologie des réseaux neuronaux ?"
La tâche est la suivante : supposons qu'il existe un indicateur de cluster qui génère plusieurs dizaines de signaux différents Achat/Vente. pour chaque symbole inclus dans le cluster, c'est-à-dire que nous avons un groupe de signaux, et que chaque signal peut prendre plusieurs dizaines de valeurs, disons, de 10 à 120 types. Tous les signaux sont uniques et formalisés. Le résultat est plusieurs centaines de signaux uniques Achat/Vente. Voici maintenant l'essence du problème :
-Est-il possible d'utiliser des réseaux neuronaux pour modéliser la qualité de ces signaux sur les données historiques des instruments inclus dans le cluster afin de déterminer le degré de risque ?
-Si possible, dans quelle direction "creuser", c'est-à-dire quels outils sont les plus adaptés à la tâche ?
Приветствую всех!
Нужен вразумительный ответ, от людей имеющих достаточный опыт работы с нейро-сетями и генетическими алгоритмами, на следующий вопрос:
"Возможно ли это сделать с использованием нейро-сетевых технологий?"
Задача заключается в следующем-допустим,есть кластерный индикатор который генерирует несколько десятков различных сигналов Buy/Sell. для каждого инструмента входящего в кластер,т.е. имеем группу сигналов,причем каждый сигнал может принимать несколько десятков значений скажем от 10 - 120 типов. Все сигналы уникальны и формализованы. В итоге получается несколько сотен уникальных сигналов Buy/Sell. Теперь сама суть задачи:
-Возможно ли с помощью нейро-сетей моделировать качество этих сигналов на исторических данных инструментов входящих в кластер, для определения степени риска?
-Если возможно,то в какую сторону "рыть", т.е. какие инструменты наиболее подходят для решения поставленной задачи?
Je discuterais de leur caractère unique... :)
La tâche n'est pas claire, c'est-à-dire qu'après avoir lu le "-", je ne comprends toujours pas ce qui doit être traité, pouvez-vous le décrire plus en détail...
Les signaux arrivent-ils en circuit fermé ? En gros, le signal aura la forme 11111000111111111000000000111111100000111100000000 où 0-Vente, 1-Achat Si oui, vous pouvez vérifier l'unicité de ces signaux...
Не совсем так, уникальность сигналов обеспечивается за счет анализа свечных формаций(групп свечей состоящих из 2х и более свечей), на основе анализа модели присваивается уникальный код например 4506. Почему столько много сигналов? просто некоторые модели имеют несколько десятков видов. Стоит задача выявить наиболее важные модели среди всего многообразия.
Important, quel que soit le critère ? Comment jugez-vous l'importance vous-même ?
Важные по какому то критерию? Как Вы сами судите о важности?
Par "importance", nous entendons la fréquence d'apparition des signaux, la valeur prédictive (facteur de profit, drawdown), c'est-à-dire qu'il est nécessaire de suivre les statistiques pour chaque type de modèle. En principe, il est facile d'organiser tout cela sans réseaux, mais je suppose que l'utilisation possible de la technologie des réseaux neuronaux dans ce cas serait la plus prometteuse. Si je me trompe, corrigez-moi, je n'ai jamais bricolé de réseaux :)
Под "важностью" подразумевается частота появления сигнала, прогностическая ценность(профит фактор, просадка), т.е. возникает необходимость отслеживать статистику по каждому типу модели. В принципе организовать думаю все это будет несложно и без сетей, но предполагаю, что возможное использование, в данном случае нейро-сетевых технологий будет наиболее перспективным. Если не прав-поправьте, просто не возился ни разу с сетями:)
Si vous le pensez, cela ne signifie pas pour autant que c'est le cas.
Pour entraîner le réseau, il faut encore obtenir un critère d'importance avant de nourrir le réseau d'exemples. Le réseau ne saura pas ce qui est important et ce qui ne l'est pas, car il n'a pas de pouvoirs télépathiques. Elle a besoin d'exemples concrets.
Под "важностью" подразумевается частота появления сигнала, прогностическая ценность(профит фактор, просадка), т.е. возникает необходимость отслеживать статистику по каждому типу модели. В принципе организовать думаю все это будет несложно и без сетей, но предполагаю, что возможное использование, в данном случае нейро-сетевых технологий будет наиболее перспективным. Если не прав-поправьте, просто не возился ни разу с сетями:)
La fréquence du signal est facile à calculer sans réseaux, GAs...
La valeur pronostique je pense aussi, mais il y a des options pour utiliser les GA.
En général, vous n'avez pas défini la tâche, jusqu'à présent je juge par les réponses... C'est pourquoi personne ne pourra vous aider.
L'unicité des signaux est assurée par l'analyse des modèles de chandeliers (groupes de chandeliers composés de 2 chandeliers ou plus). Sur la base de l'analyse du modèle, nous attribuons un code unique, tel que 4506. Pourquoi y a-t-il autant de signaux ? C'est juste que certains modèles ont plusieurs dizaines de types. La tâche consiste à identifier les modèles les plus importants parmi toute cette variété.
Un Expert Advisor, avec le paramètre "Signal Type" - et dans l'optimiseur, passez par ce paramètre, et vous le trouverez. De très, très nombreuses tâches peuvent être résolues facilement sans réseaux neuronaux.