Conseiller pour un article. Des tests pour tous les arrivants. - 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
Vous n'avez pas à le résoudre. Il suffit de trouver une longueur suffisante d'échantillon d'entraînement pour un cas particulier, et c'est très facile à faire.
À mon avis, cette question est beaucoup plus facile à résoudre. Je me suis assis et j'ai expérimenté avec différentes fenêtres d'optimisation et j'ai trouvé cette méthode :
Nous exécutons la première optimisation. Nous recherchons un forward réussi ou pas très réussi avec un drawdown décent. Déplacez le curseur dans un graphique jusqu'au bas de ce très fort drawdown et vous verrez la date dans une infobulle. Décalez la fin de la fenêtre d'optimisation à cette date précise. Nous exécutons une optimisation supplémentaire et recherchons un forward réussi, et nous constatons qu'un miracle s'est produit : l'ajustement a égalisé notre drawdown précédent et l'a transformé en une zone rentable, et le forward est réussi, comme il l'était avant cette astuce.
Théoriquement cette méthode est certainement meilleure, car dans ce cas notre TS a appris à éliminer le drawdown, ce qu'il n'était pas capable de faire auparavant, car il n'avait pas de pouvoirs télépathiques et nous lui avons dit quelle était son erreur. Et sur le plan pratique, elle est toujours écrite avec une fourche, c'est-à-dire que nous devrions vérifier en plus si cette méthode est adéquate, car la surface de la fenêtre pour les tests prospectifs a diminué.
Le matériel pour l'article est déjà complètement assemblé, il ne reste plus qu'à mettre tout cela en ordre, ajouter quelques images et vous pouvez l'envoyer pour publication.
En bref, l'article traite d'un réseau neuronal doté d'un système expert intégré (qu'est-ce que les rédacteurs de papier peuvent imaginer en échange d'une rémunération ?) et répond aux questions suivantes
1. Pourquoi un réseau neuronal a-t-il besoin d'une interpolation ? Vraiment, pourquoi en avait-il soudainement besoin ?
2. Un neurone qui a été entraîné pour une approximation correcte sur des données stationnaires et cohérentes peut-il interpoler ? Exposé de l'exemple d'une régression logistique, qui est à son tour un neurone. Les propagandistes de la régression logistique resteront insatisfaits. Les médecins ravageurs désapprouveront également ce gribouillage, car il est aujourd'hui de bon ton d'utiliser la régression logistique pour calculer des diagnostics informatiques.
3. Comment créer un système expert pour une interpolation correcte : conditions nécessaires et suffisantes ? Un système expert est essentiellement une couche de réseau neuronal, mais pas une boîte noire, car il possède une base de connaissances constituée de règles facilement interprétables, comme les autres systèmes experts. Si quelqu'un a quelque chose à cacher, il est préférable de ne pas lire ce genre de choses, mais d'utiliser des boîtes noires.
4. Est-il possible de réentraîner un réseau de neurones avec un système expert à bord ? Qui l'interdit ?
5. Comment entraîner automatiquement le système expert sur l'ensemble des exemples d'entraînement afin de ne pas avoir à créer et corriger manuellement sa base de connaissances ? Bien entendu, les exemples d'entraînement sont des signaux de négociation, c'est-à-dire que nous utilisons les lectures d'indicateurs techniques ou d'oscillateurs pour entraîner le système à négocier, mais pas pour reconnaître les iris d'un certain Fisher. Mais il est quand même plus pratique et plus fiable de gratter la base de connaissances avec les mains, surtout avec des courbes et en poussant de certains endroits, que de confier cette affaire à des algorithmes stupides.
6. Comment éliminer le sous-entraînement d'un réseau neuronal avec un système expert ? C'est certainement une question étrange, car tout le monde a l'habitude de se battre avec des reconversions et des ajustements. Mais l'auteur est manifestement déterminé à lutter contre quelque chose de mal.
7. Avantages et inconvénients des réseaux neuronaux courants par rapport à un réseau neuronal avec un système expert à bord ? L'auteur est allé trop loin en termes d'inconvénients, car aujourd'hui, il est probable qu'il se vante de quelque chose comme : savoir-faire, solution brevetée, on ne trouve guère d'analogues, recommandations des meilleurs éleveurs de chiens et dentistes, il ne peut y avoir d'inconvénients, seulement des avantages, commander et acheter tout de suite, alors que le stock est déjà épuisé, etc.
Vous trouverez également en annexe de cet article les codes sources d'un réseau neuronal avec système expert écrit en mql4 et mql5 sans utiliser de bibliothèques externes et de dll. L'article lui-même explique les principales caractéristiques des algorithmes en cours de route. Et cela n'a aucun sens, car tous les grappilleurs savent pertinemment que les codes sources doivent être soigneusement cachés des regards indiscrets, que les témoins doivent être supprimés et que toute trace doit être effacée.
Telles sont les tartes.
Le problème de l'ajustement est que certaines personnes n'analysent que les résultats d'optimisation individuels (runs). Mais il faut les considérer comme un tout - le résultat global des zones optimales. Dans ce cas, le forward n'est pas nécessaire.
Par exemple, nous avons un système sur une seule machine avec un optimum - la période de la machine. J'ai optimisé et obtenu un tas d'ensembles de valeur des ensembles, en les classant par PF par exemple. Bien sûr, la probabilité que les exécutions individuelles soient aléatoires est élevée et nous devons les vérifier avec, par exemple, le forward. Mais si l'on considère non pas les séries individuelles, mais la zone optimale et le résultat qui s'y trouve, alors il est presque impossible de faire correspondre un résultat positif dans la zone optimale dans différentes parties de la série. Bien entendu, cela dépend de la largeur de la zone optimale et de la sensibilité des résultats de l'exécution à un changement minimal de l'optimum. C'est-à-dire que le maintien de la zone optimale est un signe de robustesse et d'anti-adaptation. Et l'avance n'est bonne que lorsqu'elle est utilisée une fois. Si vous l'utilisez à plusieurs reprises pour le même système, il fait partie de l'échantillon de formation.
P.S.
L'heure à laquelle un système particulier fonctionnait est également un paramètre système. Par exemple, l'un d'eux a travaillé de 2005 à 2011. Il s'agit de sa plage de valeur optimale - la durée de vie. En optimisant l'histoire, on cherche presque à trouver des systèmes avec le maximum de cette fourchette. Mais le système ne doit pas fonctionner éternellement. C'est pourquoi, lorsque nous fixons une période d'essai, nous devons tenir compte du fait que nous devons la choisir arbitrairement et exiger que le système fonctionne dans toute cette plage - ce n'est qu'une phrase vide de sens. Si vous décidez de chercher pendant 10 ans, vous le faites). Imha, assez longtemps pour que cela donne le niveau de confiance souhaité dans les résultats. Cela dépend du nombre de transactions et de la répartition des transactions rentables/perteuses.
Avals:
Mais si l'on considère non pas les parcours individuels, mais la zone optimale et le résultat sur cette zone, il est presque impossible de maintenir un résultat positif sur la zone optimale à différents endroits de la ligne.
Oui, je pense que c'est la même chose, mais dans une autre veine. La zone optimale est-elle une sorte de filtre de lissage des résultats ?
c'est comme une valeur moyenne de l'indice cible (facteur de profit par exemple) dans une certaine gamme d'optiques.
Il est important que l'éventail des options ayant une valeur cible moyenne suffisante soit suffisamment large et soit maintenu dans toutes les parties du test. Certains parcours peuvent se retrouver temporairement dans la zone de perte, mais en moyenne, la fourchette devrait rester rentable. Le système est robuste si cela est vrai pour chaque option.
L'idée n'est donc pas d'estimer la robustesse d'une exécution individuelle, mais de l'option dans son ensemble.
Par exemple, décider que le QI d'une personne dépend de sa taille. Optimisez-le sur 1000 cellules et obtenez un QI moyen maximal de 162 cm de haut. Ensuite, ils ont commencé à faire des tests sur d'autres personnes et cela s'est avéré moins bon)). Mais s'il s'avère que, dans chaque échantillon, les personnes mesurant par exemple 160-170 cm ont un QI moyen plus élevé, il y a beaucoup moins de chances que ce soit le hasard que pour une seule valeur (parce qu'il y a plus de personnes dans l'échantillon). Et cela signifie qu'en soi, la dépendance du QI par rapport à la taille a sa place.
Nouvelle version dans le fichier joint, cette fois avec gestion de l'argent (pourcentage non agressif du dépôt) :
Nouvelle version dans le fichier joint, cette fois avec gestion de l'argent (pourcentage non agressif du dépôt) :
Le problème de l'ajustement est que certaines personnes n'analysent que les résultats d'optimisation individuels (runs). Mais il faut les considérer comme un tout - le résultat global des zones optimales. Et alors l'avant n'est pas nécessaire.