Que mettre à l'entrée du réseau neuronal ? Vos idées... - page 48
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
Un backtest normal coïncide généralement avec la réalité. Dans le cas contraire, il faut s'en débarrasser).
J'ai établi cette classification (par ordre décroissant d'importance) :
1. augmentation de la série originale
2. série originale
3. normalisation de la série initiale dans une fenêtre sc.
4. indicateurs (y compris les rendements)
La valeur de l'erreur ne vous dit rien ? C'est dommage. C'est déjà suffisant pour une évaluation.
J'ai établi les catégories suivantes (par ordre décroissant d'importance) :
1. augmentation de la série originale
2. série originale
3. normalisation de la série initiale dans la fenêtre sc.
4. indicateurs (y compris les rendements)
D'accord, il y aura un backtest pour vous, pas nécessairement de cette NS particulière, peut-être une autre.
x - nombre de transactions, Y - bénéfice accumulé en points d'instrument.
Je n'en ai aucune idée. Je ne me souviens même pas de l'instrument :)
)))
Il n'y a rien à dire.)
Dans un premier temps, le plus souhaitable est d'alimenter la série originale. Mais cela ne fonctionne pas toujours, car les prix sortent de la fourchette d'apprentissage sur les nouvelles données.
Il serait utile de discuter des techniques d'augmentation/différenciation avec le moins de perte d'information possible pour le deuxième cas.
Il manque quelque chose, une sorte de connaissance intermédiaire. Ici, je choisis ces normalisations.
J'ajoute des coefficients pour donner à la fonction d'activation une forme fantaisiste (créer de nouvelles règles), bien que les poids le fassent, mais il n'en reste pas moins que les règles de sortie (quel nombre sort) prennent les formes les plus fantaisistes, mais une chose devient invariable : se souvenir de l'histoire. C'est en quelque sorte logique, mais pour de nouvelles données, c'est mauvais. Elles sont différentes, pourquoi avons-nous besoin de mémoire ?
C'est comme aller à l'université : "Oubliez tout ce qu'on vous a appris à l'école". Ce à quoi je veux en venir, c'est qu'avec ou sans normalisation (données nues) - partout, NS bute sur le fait que tous les modèles sont 50/50. La seule chose est qu'en données nues, le NS est plus stable sur l'avant.... UNIQUEMENT EN PLAT ! Et qui le promet pour demain ou après-demain ? Non, parce que dans ce cas, le NS fait la moyenne des poids pour s'adapter au plus long plat de l'histoire de l'entraînement.
Et si les nouvelles données dépassent ce plat, le NS ouvre la transaction opposée et reste assis jusqu'à la mort. Aucun filtre sur le type de drapeau achat/un_maintenant_vente/un_maintenant_achat ne fonctionne. Le NS s'éteint simplement après avoir reçu le SL fixé. Et c'est là la moitié du problème, la flottaison ne garantit pas une stabilité totale, le NS peut aussi flotter.
L'ensemble de ces conséquences fait qu'il est difficile de considérer tout cela comme une méthode efficace pour faire du profit. L'idée même de NS est.... ne crée pas de nouvelles informations. Elle... la réétiquette. Les nombres 0,2, 0,3, 0,4 sont étiquetés 0,3456. Un autre ensemble de nombres en entrée est étiqueté 0,5367, et ainsi de suite.
Mais cet ensemble, chaque ensemble de nombres, sont des motifs. Le NS prend essentiellement le motif "a" et l'appelle motif "b", le renomme.
Et, pour revenir au début de l'article, ce qui manque, c'est la connaissance de l'apprentissage. Qu'est-ce que l'apprentissage ? Qu'est-ce que c'est en général ? Si l'on ouvre la définition, il y a un éternuement d'abstraction.
Vous prenez deux nombres, vous les multipliez chacun par deux autres nombres - est-ce que c'est de l'apprentissage ? Non. C'est de l'ajustement, de l'adaptation, de l'optimisation.
Le résultat est un "marquage" de l'ensemble des données d'entrée. L'entraînement, c'est lorsque le modèle A nous donne un signal d'ACHAT aujourd'hui et un signal de VENTE demain. Comment cela se passe-t-il exactement ? Quelle est l'astuce ? C'est là tout l'enjeu de l'apprentissage. Le contexte d'apprentissage.
Mais il y a eu des adaptations. Et elles n'ont pas fonctionné. Nous pouvons supposer qu'il manquait quelque chose.
Et changer la période de la moyenne mobile est une adaptation étrange, même si elle est logique. Comment traduire l'apprentissage en chiffres ?
Telle est la question, sans aucun prétraitement des données. Comment le système sait-il ce qu'il doit prétraiter ? L'idée même de prétraitement des données, de "nettoyage du bruit", ressemble déjà à la création de MODÈLES DE TRAVAIL ! - C'est tout. Prenez-les, négociez-les.
Le bruit du marché est appelé bruit du marché parce qu'il est le bruit du marché. D'où cela vient-il ? D'un manuel de physique ? Des mathématiques ? Parce que des graphiques astucieux d'amplitudes et de discontinuités ont montré qu'il y avait quelque chose ?
Vous êtes tous bons, vos articles sont professionnels et académiques, mais ils sont vaguement appliqués au Forex, si ce n'est pas tout à fait vaguement. Nous appelons librement tendance une tendance, plat - plat, bruit - bruit, formation - formation, mais rien ne découle de nulle part.
Nous communiquons dans des langues différentes. Comme si nous avions besoin d'un travail radicalement différent, d'une approche radicalement différente (travailler avec des chiffres). Bien et en conséquence - l'interprétation la plus stricte, sans aucun "système pense", "boîte noire", "NS a décidé", "la formation est incorrecte", "aucune information, quelque chose n'est pas tombé là, donc ça ne rapporte pas".
Il manque quelque chose, une sorte de connaissance intermédiaire.
Le mot "stationnarité" a déjà été entendu ici, mais pas dans le contexte que je souhaiterais.
Je pense simplement, après avoir également fait l'expérience de toutes ces manipulations ingrates :
Il existe des états de marché, que l'on peut obtenir, par exemple, par le biais d'un regroupement.
Si nous combinons les cotations (rendements) de chaque groupe individuel en une ligne et que nous supprimons les cotations des autres groupes, nous obtiendrons dans certains cas une série presque stationnaire. Vous pouvez déjà travailler avec.
En outre, peu importe ce que l'on introduit dans le modèle (de préférence les prix bruts, afin qu'il n'y ait pas de perte d'informations).
Les algorithmes MO fonctionnent bien, il n'est pas nécessaire de les approfondir. Il faut rechercher des séries/lois stationnaires. Ce n'est qu'à partir de ces séries que MOShka prédit régulièrement l'avenir.
Si vous avez d'autres idées sur la manière d'obtenir une série stationnaire ou une régularité stationnaire, c'est toujours la bonne façon de penser.