L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 373
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Estratto dall'articolo di Reshetov che spiega come funziona la sua RNN.
"Questo articolo discute in dettaglio il problema dell'overtraining delle reti neurali, identifica le sue cause e propone un modo per risolvere il problema.
1. Perché una rete neurale viene riqualificata?
Qual è la ragione del retraining delle reti neurali? In realtà ci possono essere diverse ragioni:- Il numero di esempi in un campione di allenamento non è sufficiente per risolvere i problemi fuori campione.
- I dati di input sono distribuiti in modo diseguale dal grado di correlazione con i dati di output in diversi campioni, che è molto spesso il caso quando si elaborano dati non stazionari. Per esempio, in un campione di allenamento, la correlazione di qualsiasi parametro di input o di diversi parametri di input rispetto ai valori di output è significativamente più alta che in un campione di test, o peggio, i coefficienti di correlazione in diversi campioni differiscono nel segno. Questo può essere facilmente controllato calcolando i coefficienti di correlazione per tutti i parametri in diversi campioni prima di addestrare la rete neurale. E per sbarazzarsi di questo inconveniente è anche abbastanza semplice - gli esempi di formazione sono distribuiti tra i campioni in modo casuale.
- I parametri di ingresso non sono correlati ai parametri di uscita, cioè non c'è una relazione di causa-effetto tra di loro - non sono rappresentativi e quindi non c'è nulla per addestrare la rete neurale. E controllando le correlazioni tra i dati di input e di output si vedrà una correlazione vicina allo zero. In questo caso è necessario cercare altri dati di input su cui addestrare la rete neurale.
- I dati di input sono altamente correlati tra loro. In questo caso dovresti lasciare i dati di input con la massima correlazione con i dati di output, rimuovendo gli altri dati che si correlano bene con i dati rimanenti.
Tutte le ragioni di cui sopra per il sovrallenamento e i metodi per eliminarli sono di conoscenza comune, in quanto sono stati precedentemente descritti in varia letteratura o articoli sulla tecnologia delle reti neurali. "Solo che non è una rete neurale nel pieno senso della parola, ma un classificatore. Nulla impedisce di utilizzare anche la rete neurale nell'ottimizzatore, con un diverso numero di strati e un diverso periodo di caratteristiche e anche il loro numero, sarebbe ancora meglio.
Leggi di più qui, c'è un intero quadro anche https://www.mql5.com/ru/articles/3264
Bendat J., Pearsol A.
Analisi applicata dei dati casuali: Tradotto dall'inglese: World, 1989.
In. 126
ESEMPIO 5.4. VARIABILI CASUALI DIPENDENTI NON CORRELATE.
Due variabili casuali X e Y sono chiamatecorrelate se il loro momento di correlazione (o coefficiente di correlazione, che è la stessa cosa) è diverso da zero; X e Y sono chiamate non correlate se il loro momento di correlazione è zero.
Due quantità correlate sono anche dipendenti. Infatti, supponendo il contrario dobbiamo concludere che µxy=0, che contraddice la condizione poiché
per le quantità correlate µxy ≠ 0.
L'assunzione inversa non è sempre vera, cioè se due variabili sono dipendenti, possono essere correlate o non correlate. In altre parole, il momento di correlazione di due variabili dipendenti può non essere uguale a zero, ma può anche essere uguale a zero.
Così, la correlazione tra due variabili casuali implica che sono dipendenti, ma la correlazione non implica necessariamente la correlazione. L'indipendenza di due variabili implica che non sono correlate, ma l'indipendenza non può ancora essere dedotta dalla non correlazione.
http://www.uchimatchast.ru/teory/stat/korell_zavis.php
1. nessuno sta analizzando la correlazione - si tratta della scelta dei predittori.
2. Lei ha ripetuto il mio punto tre pagine prima -"La dipendenza è un caso speciale di correlazione. Se due variabili sono dipendenti, allora c'è sicuramente una correlazione. Se c'è correlazione, allora non c'è necessariamente dipendenza".
3. L'entropia incrociata proprio come la correlazione non darà una risposta dalla presenza di dipendenza funzionale
È qui che ho sbagliato - lo ammetto.
Se le variabili casuali sono indipendenti, sono anche non correlate, ma non si può dedurre l'indipendenza dalla non correlazione.
Se due variabili sono dipendenti, possono essere correlate o non correlate.
Solo che non è una rete neurale nel pieno senso della parola, ma un classificatore. Nulla impedisce di utilizzare anche la rete neurale nell'ottimizzatore, con un diverso numero di strati e un diverso periodo di caratteristiche e anche il loro numero, sarebbe ancora meglio.
leggere di più qui, c'è un intero quadro anche https://www.mql5.com/ru/articles/3264
La citazione di cui sopra si riferisce esattamente alle reti neurali nel pieno senso della parola, e questi sono i problemi che sta cercando di risolvere nel suo RNN
Sì, e si risolvono semplicemente enumerando tutti i parametri possibili e confrontandoli con il forward... esattamente la stessa cosa si può fare con NS. La sua RNN è riqualificata allo stesso modo, basta scegliere i parametri stabili più ottimali confrontando il backtest con il forward... tutto è esattamente lo stesso che con NS, solo che nel caso di NS abbiamo bisogno di scegliere non i pesi ma gli input-output nell'ottimizzatore.
Se due quantità sono dipendenti, possono essere correlate o non correlate.
Tutto il resto è alternativismo e umanitarismo.
Finalmente hai capito))) La correlazione dà solo la dipendenza lineare e NS non ha niente a che fare con essa, inoltre per favore non confondete "correlazione per regressione non lineare" e "correlazione non lineare", correlazione sia:
Tutto il resto è alternativo e umanitario.
Di nuovo, quarantacinque....
Che persona strana che sei - sopra il tuo post due post nero su bianco si dice che la presenza o l'assenza di correlazione non significa affatto che ci sia una correlazione e di nuovo la correlazione "dà" qualcosa a qualcuno.
Sto esaurendo le mie mani....
Di nuovo - fortyfold....
Che persona strana che sei - sopra il tuo post due post nero su bianco dice che la presenza o l'assenza di correlazione non significa affatto correlazione e di nuovo la correlazione "dà" qualcosa a qualcuno.
Sto diventando un po' giù di corda....
Lei ha sostenuto che:
Tutto il MO si basa sul fatto che le variabili di input dovrebbecorrelare con la variabile di uscita.
Altrimenti non c'è senso in TUTTI i modelli MO.
Nel Data Mining, in TUTTI I MODELLI DI SELEZIONE DELLE VARIABILI, il meccanismo di massima correlazione della variabile in entrata e della variabile in uscita è implementato:
Quindi hanno fatto un gran casino e si sono messi in imbarazzo.
SZZ "la presenza o l'assenza di correlazione non significa affatto correlazione" - di nuovo - sciocchezze. La correlazione è esattamente ciò che mostra una dipendenza lineare, ma ce ne sono di non lineari che la correlazione non mostra.
Lei ha dichiarato che:
Cioè, hanno fatto un casino, si sono messi in imbarazzo.
ZS "la presenza o l'assenza di correlazione non significa affatto dipendenza" - di nuovo - sciocchezze. La correlazione è esattamente ciò che mostra una dipendenza lineare, ma ce ne sono di non lineari che la correlazione non mostra.
Mi piace quando qualcuno fa rotolare scientificamente qualcuno :))
ZS "la presenza o l'assenza di correlazione non significa affatto dipendenza" - di nuovo - sciocchezze. La correlazione mostra una dipendenza lineare, ma ce ne sono altre non lineari che la correlazione non mostra.
C'è un classico esempio di falsa correlazione: il numero di persone che annegano nelle piscine americane è direttamente e fortemente correlato al numero di film con Nicolas Cage.
C'è una correlazione - dov'è la GRANDE correlazione?