Que mettre à l'entrée du réseau neuronal ? Vos idées... - page 81
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
Le problème des nombres.
...
...
Les échantillons, chacun des n nombres, introduits dans les entrées X[0 ... n-1] pendant l'apprentissage, devraient être pré-entraînés (normalisés) de manière à ce qu'ils soient ÉGAUX les uns aux autres, toutes choses étant égales par ailleurs.
...
Encore une fois :
Je pense que l'entraînement ne devrait pas se faire avec tous les échantillons disponibles k, mais seulement avec ceux qui ont un score "décent" (j'utilise un tel mot) d[k].
Cependant, pour créer un échantillon "valable", nous avons toujours besoin de tous les échantillons k avec leurs scores d[k].
...
Les niveaux de support et de résistance constituent l'une des options (ce n'est qu'un exemple) permettant de formaliser les informations figurant sur un graphique sous la forme d'un nombre sans terme (en leur conférant un facteur de force objectif par rapport à d'autres informations graphiques). Supposons qu'ils soient formalisés. Le cours rebondit ou les franchit.
Dans ce cas, les nombres indiquant chaque prix successif sur le graphique seront la même fenêtre MinMax, mais la valeur maximale sera ce niveau C/R. Si le prix est proche de ce niveau, cela signifie que la valeur maximale est la même. Si le prix est proche de ce niveau, alors 0,9 (-0,9) et plus proche de 1.
Si le prix en est éloigné, il est plus proche de 0. Si un prix se trouve d'un côté du niveau et l'autre de l'autre côté, nous changeons la polarité de chaque côté : d'un côté plus proche du niveau - ce sont des maxima négatifs, et de l'autre côté - des maxima numériques positifs. Ce n'est qu'une esquisse, un exemple de ce que les nombres devraient être.
Il ne s'agit pas simplement d'une position par rapport à d'autres nombres dans la fenêtre, mais d'un reflet du contexte du marché. Autre option : nous exprimons des modèles à travers des nombres. Nous avons ici un schéma de chandelier A d'une bougie, après lequel le prix augmente 55 fois sur 100 dans l'historique. Le schéma suivant AB (combinaison de deux bougies) est suivi de 48 hausses et de 52 baisses.
La troisième combinaison de chandeliers ABC (combinaison de trois chandeliers) donne 53 à la hausse et 47 à la baisse. Nous avons ici un modèle avec une surpondération historique à la hausse, l'autre à la baisse, le troisième à la hausse : 5, -1, 3. Nous combinons dans une fenêtre, nous normalisons dans la plage de -1..1 et nous aurons des nombres pour l'entrée du NS :
1, -1 et0,4286. Ceci est un exemple du fait que le facteur quantitatif, décisif pour le NS mathématique, contient des informations objectives sur le marché et que la tâche du NS est de choisir parmi ces informations objectives celles qui peuvent être utiles pour un trading stable, et non pas d'extraire frénétiquement quelque chose des déchets absolus que constitue l'ensemble numérique moyen pour l'entrée du NS.
Les normalisations L1, L2. (régularisations) sont décrites. En général, elles sont déjà intégrées dans le mode opératoire.
S'il y a beaucoup plus de déchets que de bons exemples (ce qui est le cas pour un ensemble de données de change typique), aucune approche ne sera utile.
Il est obligatoire que je décrive la théorie : le but de NS est de filtrer les TS brutes qui montrent quelque chose, pas de chercher le graal.
Pas de chercher le graal. Et j'ai décrit l'approche : rechercher manuellement n'importe quel TS qui montre au moins un peu de résultats. Et le filtrer avec NS. Voici le TS original.
Inapte à la négociation, mais montrant des signes de vie .
Et voici la même, seulement filtrée par Python NS : LSTM-key.
Si elle n'apparaît pas dans la réalité, mais qu'elle est tirée du testeur, elle est quand même surajoutée.
Et voici comment se comporte la convolution (CNN) Backtest du TC simple brut original : 2000-2021
Méthode de travail : - chercher un TS, le vérifier sur le forward : il ne devrait au moins pas se vider.
Évaluer subjectivement son travail : - avant d'ouvrir une position, on enregistre des informations sur le graphique (expérimentalement - n'importe lesquelles) - dans l'ensemble d'entrée (je l'ai fait avec un script) - on enregistre le résultat de la transaction dans l'objectif pour l'ensemble d'entrée enregistré précédemment - on passe par toute la période d'entraînement.
- soumettre au NS et l'entraîner - ajouter "if (.... && out > Open_level)" à la condition d'ouverture de la position - optimiser dans MT5 : tourner et retourner le relais de seuil (le seul paramètre à optimiser dans l'optimiseur du testeur MT5) - choisir l'ensemble que vous aimez, par exemple ci-dessous - le même graphique que le premier ci-dessus, mais "filtré" par le NS.
- vérifier l'avenir 2021-2025
E n entrée : 1000 ( !) prix normalisés (je rêve toujours de l'idée de formuler et de concevoir un contexte de marché pour le NS. Et la première chose qu'il devrait contenir : un grand nombre d'unités d'information.
) Il s'agissait d'une méthode simple d'exploitation des NS jusqu'à ce que nous trouvions comment lui apprendre à rechercher des CT par lui-même. Je suppose que nous devrons nous plonger dans la section du MOE sur l'apprentissage sans professeur, l'exploration de données, etc.
La vérité est enfouie quelque part là-dedans. Notes sur le NS : le recyclage représente 99% du travail. En d'autres termes, pour arriver à ce résultat (ci-dessus), vous avez dû passer une demi-journée à mettre en place l'architecture. Il n'y a pas de bâton de voshleb sur les paramètres hyperparamétriques.
Et il existe des dizaines et des centaines de façons de "peaufiner" quelque chose, vous ne pouvez pas tout apprendre. Mais dans le processus de sélection, vous comprenez ou ressentez le vecteur de la direction de la pensée.
À l'heure actuelle, en repensant à toutes les années d'efforts consacrées à ces réseaux, je peux affirmer avec certitude qu'il n'y a pas assez de fonctionnalités pour sélectionner les modèles. 1) Initialiser les poids de manière aléatoire.
Ok. 2) L'entraînement démarre et voici la partie la plus intéressante : 3)Chaque ensemble de poids devrait être vérifié sur la marche avant par des critères définis par l'utilisateur: par exemple, par le facteur de récupération. 4) Dès que la marche avant s'est améliorée - sauvegarde automatique (autosave) du modèle avec le graphique de profit affiché à l'écran.
T ous les graphiques sauvegardés doivent être visibles et faire l'objet d'un défilement afin que l'utilisateur puisse visualiser la progression en parallèle. 5) À l'itération suivante, si le modèle s'est détérioré (sur-apprentissage ou simple jeu de poids infructueux), revenez au modèle précédent et modifiez le taux d'apprentissage.
Nous continuons jusqu'à ce que les taux d'apprentissage s'améliorent. 6) Si les taux d'apprentissage ne s'améliorent pas ou si l'utilisateur n'aime pas le vecteur de progression des résultats de l'apprentissage, nous interrompons la formation et la recommençons avec une nouvelle initialisation des poids.
7) Nous modifions ce processus de base en y ajoutant des fonctionnalités supplémentaires sur demande : par exemple, nous introduisons l'auto-ajout de neurones à de nouvelles couches d'apprentissage, nous modifions les fonctions d'activation ou les fonctions de perte, les fonctions d'optimisation (Adam to BFG+momentum et autres), et ainsi de suite.
End'autres termes, nous créons un moteur de recherche maximalement utile pour trouver un modèle qui fonctionne. Et nous ne faisons pas tout cela à la main. L'espace des poids est une carte de l'espace, dans laquelle il y a un nombre infini de points blancs.
Avec chaque nouveau poids, le nombre de combinaisons possibles de résultats de multiplication sur les mêmes combinaisons infinies de nombres d'entrée dépasse la marque du nombre d'étoiles dans le ciel. Chaque initialisation est un point sur cette carte, un point de taille infiniment petite. Et l'apprentissage est une randonnée vers les points voisins. Si un groupe de points donné est très éloigné du point "grêle", il vaut mieux l'éliminer immédiatement et recommencer l'apprentissage. Une nouvelle initialisation des échelles est un autre point aléatoire sur cette immense carte.
Une formule (méthode) idéale pour trouver l'ensemble nécessaire à la NS (en analysant cette carte d'une manière ou d'une autre) est tirée de la section "fiction".
La réinitialisation constante avec un nouvel entraînement est au moins la méthode la plus simple et la plus accessible pour s'approcher de la meilleure configuration de réseau neuronal.
Pour l'instant, en repensant à toutes les années d'efforts consacrées à ces réseaux, je peux affirmer une chose avec certitude : il n'y a pas assez de fonctionnalités pour la sélection de modèles.
Oui, c'est la prochaine étape du problème - ensuite la dérive des données et le critère d'arrêt de la CT.
Les normalisations L1, L2. (régularisations) sont décrites. Généralement déjà intégrées dans le MO.
Les normalisations L1/L2 peuvent supprimer des modèles faibles mais statistiquement significatifs.Ce n'est pas différent de l'attribution sans fondement d'anciennes valeurs de puissance aléatoires à de nouvelles valeurs de puissance aléatoires (tant qu'il y a quelque chose à résumer à ns-ka).
Oui, c'est la prochaine étape du problème - ensuite la dérive des données et le critère d'arrêt du CT.
Si nous parvenons à un résultat garantissant le fonctionnement du modèle (groupe de modèles) formé pour les +-~N prochaines périodes, le problème sera résolu simplement par un arrêt anticipé et une formation supplémentaire. En d'autres termes, la résolution du problème principal résoudra également le problème secondaire.
La méthode mathématique ne fonctionne qu'ici, c'est-à-dire le filtrage des valeurs d'entrée par priorité sans changer les valeurs et leur nombre.Deux modèles synchrones devraient être, l'un est un filtre et l'autre est un prédicteur.Le fait que vous poursuivez sans fin ces bruits ne fera jamais rien de bon.Vous devez combiner tout ce qui est possible et plus dans cette méthode.Je n'ai aucune idée de la façon de l'assembler dans une mise en œuvre appropriée, mais le fait que l'information est exacte est hors de question.Que vous le croyez ou non, c'est à vous de le faire.
Développez la pensée.