Neuro-prévision des séries financières (basé sur un article) - page 9
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
Au final, après avoir rassemblé des statistiques, nous pouvons conclure qu'un objectif d'entraînement de l'équilibre maximal n'est pas toujours une bonne chose. Mais il y a une question légèrement différente, à savoir comment trouver l'objectif pour que les SN fonctionnent bien à l'avenir.
J'ai essayé différentes variantes de mon Expert Advisor avec NS, c'est-à-dire par solde, facteur de profit, gain attendu, drawdown en devise de dépôt et drawdown en %. Et j'ai examiné les tests avant et après l'optimisation.
Il semble que si nous optimisons par le tirage minimal dans la devise de dépôt et que nous sélectionnons ensuite ce tirage minimal dans les résultats de l'optimisation, les deux avances sont réussies. Si la valeur minimale de drawdown est la même pour plusieurs résultats d'optimisation, vous devez choisir celui qui présente l'équilibre maximal.
En outre, il a été constaté que si l'on optimise en fonction du drawdown minimum dans la devise de dépôt, puis que l'on sélectionne le résultat avec le facteur de profit maximum, les tests avant sont également réussis, mais les résultats sont déjà moins bons que dans le cas précédent.
Mais cette méthode ne donne des résultats que pour un seul EA. D'autres Expert Advisors avec le même NS mais des entrées différentes n'ont pas une telle caractéristique et jusqu'à présent nous n'avons pas été en mesure de trouver pour eux des méthodes de définition des signes de résultats d'optimisation pour des tests avant réussis.
J'ai essayé différentes variantes de mon EA avec NS, c'est-à-dire par solde, facteur de profit, gain attendu, drawdown en devise de dépôt et drawdown en %. Et j'ai examiné les tests avant et après l'optimisation.
Il semble que si nous optimisons par le tirage minimal dans la devise de dépôt et que nous sélectionnons ensuite ce tirage minimal dans les résultats de l'optimisation, les deux avances sont réussies. Si la valeur minimale de drawdown est la même pour plusieurs résultats d'optimisation, vous devez choisir celui qui présente l'équilibre maximal.
En outre, il a été constaté que si l'on optimise en fonction du drawdown minimal dans la devise de dépôt et que l'on sélectionne ensuite le résultat avec le facteur de profit maximal, les tests avant sont également réussis, mais les résultats sont déjà moins bons que dans le cas précédent.
Mais cette méthode ne donne des résultats que pour un seul EA. D'autres EA avec le même NS mais des entrées différentes n'ont pas une telle caractéristique et jusqu'à présent, nous n'avons pas été en mesure d'identifier pour eux des méthodes de détermination des signes de résultats d'optimisation pour la réussite des tests avancés.
La pondération des réseaux neuronaux nécessite des trillions de variations, et ha ne peut en donner que 10-18 mille.
il serait donc correct d'exécuter l'optimisation plusieurs fois (au moins cinq) en mode ha et seulement ensuite choisir quelque chose de convenable.
Il s'avère que si vous optimisez en fonction du tirage minimal dans la devise de dépôt et que vous choisissez ensuite ce tirage minimal dans les résultats de l'optimisation, les deux avances sont réussies. Si la valeur du drawdown minimal est la même pour plusieurs résultats d'optimisation, vous devez sélectionner celui qui aura l'équilibre maximal.
En outre, il a été constaté que si vous optimisez par un drawdown minimal dans la devise de dépôt, puis sélectionnez le résultat avec le facteur de profit maximal, les tests avant sont également réussis, mais les résultats sont moins bons que dans le cas précédent.
Mais cette méthode ne donne des résultats que pour un seul EA. D'autres Expert Advisors avec le même NS mais des entrées différentes n'ont pas une telle caractéristique et jusqu'à présent nous n'avons pas réussi à trouver pour eux des méthodes de définition des signes de résultats d'optimisation pour des tests avant réussis.
Et le nombre de transactions est contrôlé ? NS est flexible et si nous définissons simplement le drawdown minimum comme fonction cible d'entraînement, il peut facilement trouver une option avec un drawdown nul. Si l'architecture et les mathématiques du béton NS le permettent, il peut simplement trouver des poids, de sorte qu'il y aura peu de transactions (quantité statistiquement insignifiante), mais pas de tirage... Peut-être est-ce la raison pour laquelle il ne fonctionne pas avec d'autres entrées et réseaux ?
J'utilise souvent une variante similaire : critère = solde maximal - drawdown, mais avec un contrôle obligatoire du nombre minimal de transactions. Je pense que NS doit faire au moins 100 transactions par an, et s'il montre un excellent résultat mais avec 99 transactions - le résultat est rejeté automatiquement...
La pondération par réseau neuronal nécessite des trillions d'options, et ga ne peut en distribuer que 10-18 mille.
La bonne chose à faire serait donc d'exécuter l'optimisation plusieurs fois (au moins cinq) en mode ha et de ne choisir qu'ensuite quelque chose d'approprié.
Utilisez-vous un testeur GA pour former le NS ? Comment avez-vous procédé et quel genre de SN sont-elles ? Combien de "balances" pouvez-vous "adapter" en utilisant cette approche ?
Utilisez-vous GA tester pour former NS ? Comment avez-vous procédé et quel genre de SN sont-elles ? Combien de "balances" pouvez-vous "adapter" en utilisant cette approche ?
Pendant que Yuri répond, je vais vous dire ce que j'ai fait.
Il y a un total de 21 poids. Les variables prennent des valeurs de -1 à 1. J'ai fait le pas d'optimisation de la variable 0.05.
Je ne peux pas faire de pas plus petits car le nombre de combinaisons est à la limite pour l'optimiseur - 19 chiffres, je ne connais même pas ces chiffres.
C'est-à-dire que c'était la limite pour l'optimiseur, quelque chose comme 999999999999999999999.
Mon sujet : https://www.mql5.com/ru/forum/126476
Utilisez-vous le testeur GA pour l'enseignement des NS ? Comment avez-vous procédé et quel genre de SN sont-elles ? Combien de "poids" pouvez-vous "ajuster" en utilisant cette approche ?
20 synapses.
8 entrées
4 + 3 couches cachées
1 sortie
tous les neurones avec Fa - tangente hyperbolique
===========
Il existe trois réseaux de ce type. Les sorties des trois forment un comité.
Le premier réseau est formé. Les sorties des deux autres réseaux sont nulles.
Ensuite, lorsque le premier est activé, le second est optimisé afin de réduire le drawdown au minimum tout en maintenant ou en augmentant le profit.
puis le troisième réseau est connecté aux deux réseaux existants et les poids sont ajustés comme dans le cas précédent.
Et le nombre de transactions est contrôlé ? NS est flexible, si nous définissons simplement le drawdown minimum comme fonction d'apprentissage cible, NS peut facilement trouver une option avec un drawdown nul.
Le testeur de Metatrader ne produira pas de drawdown zéro parce qu'il calcule par l'équité et non par le solde. C'est-à-dire que même si toutes les transactions sont rentables, le drawdown ne sera de toute façon pas nul, car les chandeliers ont des ombres.
Et il ne serait pas souhaitable de faire un tel ajustement de manière à ce qu'il n'y ait pas du tout de transactions perdantes. Ces raccords, à de très rares exceptions près, échouent aux tests de résistance.
La pondération par réseau neuronal nécessite des trillions d'options, et ga ne peut en distribuer que 10-18 mille.
La bonne chose à faire serait donc d'exécuter l'optimisation en mode ha plusieurs fois (au moins cinq) et de ne choisir qu'ensuite quelque chose de convenable.
Vous choisissez la mauvaise architecture de réseau neuronal. En fait, la grille devrait être telle qu'une légère modification des paramètres (poids et seuils) donne le même résultat sur les sorties. Si l'architecture de la grille est sur-ingénierie, elle a besoin d'un réglage très fin, et le résultat de cette sur-ingénierie sera un sur-entraînement (ajustement).
Par exemple, mon architecture est telle que 10 000 passages de l'AG sont déjà redondants, c'est-à-dire qu'après l'optimisation, des résultats similaires (par solde, facteur de profit, gain attendu et drawdown) apparaissent avec des paramètres légèrement différents. Cela permet à la grille de produire des résultats corrects dans une plus large gamme de paramètres - elle est plus résistante.
Explication du message précédent.
Supposons que vous ayez réussi à former un réseau et qu'il soit capable de distinguer les modèles 3 et 6.
Le but des deuxième et troisième filets (dans mon cas) est d'empêcher le conseiller expert de se déclencher lorsqu'il rencontre les modèles 3 et 6.
Vous ne sélectionnez pas correctement l'architecture du réseau neuronal. En fait, la grille doit être telle qu'une légère modification des paramètres (pondérations et seuils) donne le même résultat dans les sorties. Si l'architecture de la grille est modifiée, elle doit être réglée très précisément, et le résultat de ces modifications sera un sur-entraînement (ajustement).
Par exemple, mon architecture est telle que 10 000 passages de l'AG sont déjà redondants, c'est-à-dire qu'après l'optimisation, des résultats similaires (solde, facteur de profit, gain attendu et drawdown) apparaissent avec des paramètres légèrement différents. Cela permet à la grille de produire des résultats corrects dans une plus large gamme de paramètres - elle est plus résistante.
Tous les chercheurs en réseaux neuronaux ne sont pas d'accord avec cette affirmation.
Dans presque tous les articles sur les ns, on peut lire que plus le réseau est performant, plus il a de neurones, mais en même temps, il ne doit pas en avoir trop.
C'est pourquoi la plupart d'entre eux s'orientent vers des réseaux comportant 2 ou 3 couches cachées.