Discussion de l'article "Data Science et Machine Learning (Partie 01) : Le Réseau Neuronal à Propagation Avant, ou à Action Directe, Feed Forward Neural Network en anglais, démystifié"
Bonjour,
Très bon article. Bon travail !
J'ai lu des articles sur le réseau neuronal, mais jusqu'à présent, je n'ai pas encore compris quels sont les avantages ou les différences du réseau neuronal par rapport au système d'optimisation MT5 lui-même.
Par exemple : Si j'ai une stratégie utilisant MACD et ATR, je peux l'"entraîner" pour trouver les meilleurs paramètres sur le système d'optimisation MT5. Je peux également inclure un système de pondération dans les indicateurs ou d'autres données.
Les deux rechercheront les meilleurs paramètres ou "poids" dans le passé pour les appliquer dans le futur.
Peut-être que je me trompe et que je n'ai pas compris toute l'idée.
Pourriez-vous l'expliquer ? Ou donner quelques exemples ?
- www.mql5.com
La différence entre l'optimisation sur le testeur de stratégie et l'optimisation des paramètres du réseau neuronal est l'objectif. Sur le testeur de stratégie, nous avons tendance à nous concentrer sur les paramètres qui fournissent les sorties les plus rentables ou au moins les résultats commerciaux que nous souhaitons, ce qui ne signifie pas nécessairement que le réseau neuronal dispose d'un bon modèle qui a conduit à ce type de résultats.
certains préfèrent placer les poids et le biais comme paramètres d'entrée des systèmes basés sur les réseaux neuronaux(Feed forward en gros), mais je pense que l'optimisation à l'aide du testeur de stratégie consiste essentiellement à trouver les valeurs aléatoires des meilleurs résultats(trouver les valeurs optimales semble dépendre de la chance), alors que si nous devions optimiser à l'aide de la descente de gradient stochastique, nous nous dirigeons vers le modèle présentant le moins d'erreurs dans les prédictions à chaque étape.
la différence entre l'optimisation sur le testeur de stratégie et l'optimisation des paramètres du réseau neuronal est l'objectif, sur le testeur de stratégie nous avons tendance à nous concentrer sur les paramètres qui fournissent les résultats les plus rentables ou au moins les résultats commerciaux que nous souhaitons, ce qui ne signifie pas nécessairement que le réseau neuronal a un bon modèle qui a conduit à ce type de résultats.
certains préfèrent placer les poids et le biais comme paramètres d'entrée des systèmes basés sur les réseaux neuronaux(Feed forward en gros), mais je pense que l'optimisation à l'aide du testeur de stratégie consiste essentiellement à trouver les valeurs aléatoires des meilleurs résultats(trouver les valeurs optimales semble dépendre de la chance), alors que si nous devions optimiser à l'aide de la descente de gradient stochastique, nous nous dirigeons vers le modèle présentant le moins d'erreurs dans les prédictions à chaque étape.
Je vous remercie pour votre réponse.
J'ai compris votre point de vue.
Pourquoi avez-vous commencé par la première partie ?
ancien article :
SCIENCE DES DONNÉES ET APPRENTISSAGE AUTOMATIQUE (PARTIE 01) : RÉGRESSION LINÉAIRE
- www.mql5.com
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Vous acceptez la politique du site Web et les conditions d'utilisation
Un nouvel article Data Science et Machine Learning - Réseaux neuronaux (Partie 01) : Le Réseau Neuronal à Propagation Avant, ou à Action Directe, Feed Forward Neural Network en anglais, démystifié a été publié :
Nombreux sont ceux qui les apprécient, mais rares sont ceux qui comprennent l'ensemble des opérations qui se cachent derrière les réseaux neuronaux. Dans cet article, j'essaierai d'expliquer en termes simples tout ce qui se passe derrière les portes closes d'une perception multicouche feed-forward.
La fonction tangente hyperbolique.
Elle est donnée par la formule :
Son graphique se présente comme suit :
Auteur : Omega J Msigwa