Consulenti sulle reti neurali, condividendo le esperienze. - pagina 3
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
Nessuno mi ha spinto a farlo, ho solo pensato che fosse interessante).
Nessuno discute che sia interessante!
Ma non si può saltare qualche passo nell'apprendimento di una specialità - non servirà a niente...
Una rete neurale, da sola, non darà il "giusto output" - non è una bacchetta magica. Hai bisogno della giusta idea di una strategia di trading, che darà un risultato decente anche senza una rete neurale...
Nessuno discute che sia interessante!
Ma non si può saltare qualche passo nell'insegnamento di una specialità - non servirà a niente...
Una rete neurale da sola non ti darà il "giusto risultato" - non è una bacchetta magica. Hai bisogno della giusta idea di una strategia di trading, che darà un risultato decente anche senza una rete neurale...
Non sto discutendo l'idea, ovviamente è necessaria. Ma una rete neurale aiuterà anche a testare rapidamente un'idea, o almeno a trovare modi per andare avanti. Io, per esempio, vedo già che 11 ingressi di oscillatori standard, che mostrano tutti +- la stessa cosa, non danno niente. Esattamente allo stesso modo in cui può fare trading con una sola entrata.
Hai ragione sul salto, non è affatto la mia specialità, non sono nemmeno un matematico o un programmatore. Fortunatamente, è sufficiente capire figurativamente cos'è una rete neurale e cosa fa, perché soluzioni già pronte, come questa classe, sono già disponibili. E poi sperimentate, usando la vostra comprensione del mercato per testare alcune idee.
Ora cercherò il mio argomento sulle reti neurali.... Era sul quad, ed è stato molto tempo fa.
http://forum.mql4.com/ru/38550
L'input era la differenza di prezzo con un certo ritardo (l'ordine era qualcosa come alcune ore). L'output è una previsione per diverse ore avanti binaria più o meno.
Tutte le reti sono state ottenute con la forza bruta dell'architettura.
Il problema principale era l'incollaggio di più prove in avanti. Questo dovrebbe essere automatizzato in un buon modo.
Da tutto questo ho capito che la cosa più importante sono gli input giusti, dovrei pensarci... Un qualche tipo di dipendenza nascosta è abbastanza difficile da trovare con una rete neurale, è necessario avere un'idea di qualche tipo di dipendenza inizialmente e poi elaborarla con una griglia.
Riguardo agli ingressi, sì. Ma il fatto è che non si può davvero fare una serie di ingressi "buoni" a colpo d'occhio. Come scoprirli? Dovremmo fare molti input e poi fare una procedura di selezione di un vettore informativo di input. E dovremmo addestrare la rete su questo. E se si trovano input informativi (90% dei casi), allora la rete non è affatto necessaria perché il modello può essere basato su un algoritmo di formazione di regole di qualche tipo e non su una scatola nera.
Sulla dipendenza. La rete non darà alcuna idea della forma di dipendenza. Non è destinato a questo scopo in primo luogo. E ancora una volta torniamo al punto precedente: è necessario trovare caratteristiche informative e usarle per costruire regole statisticamente rilevanti.
Se volete decifrare posso dirvi di più). Ora sono davvero in servizio e non posso dedicare molto tempo alle spiegazioni, ma è un bene che oggi sia venerdì. ))
Riguardo agli ingressi, sì. Ma il fatto è che non si può davvero fare una serie di ingressi "buoni" a colpo d'occhio. Come scoprirli? Dovremmo fare molti input e poi fare una procedura di selezione di un vettore informativo di input. E dovremmo addestrare la rete su questo. E se si trovano input informativi (90% dei casi), allora la rete non è affatto necessaria perché il modello può essere basato su un algoritmo di formazione di regole di qualche tipo e non su una scatola nera.
Sulla dipendenza. La rete non darà alcuna idea della forma di dipendenza. Non è destinato a questo scopo in primo luogo. E ancora una volta torniamo al punto precedente: è necessario trovare caratteristiche informative e usarle per costruire regole statisticamente rilevanti.
Se volete decifrare posso dirvi di più). Davvero sono in servizio ora e non può spendere molto tempo per le spiegazioni, ma è bene, che oggi è Venerdì. ))
In realtà la mia idea era originariamente: addestrare le reti su diversi timeframe, poi filtrare i segnali da quelli piccoli da quelli grandi, cioè ottenere un vantaggio statistico tenendo conto che le reti produrranno una certa percentuale di entrate sbagliate, diciamo, 50-50. Le reti neurali stesse implicano l'elaborazione di una grande quantità di dati, questo è il loro vantaggio, così si può andare non da qualsiasi modello qualitativo specifico, ma per spalmare un gran numero di segnali attraverso il piatto. E non importa cosa succede al suo interno, l'importante è che la rete neurale cerchi di ordinare il tutto. Ma non potrete farlo senza OpenCl, ci vorrebbe troppo tempo. Probabilmente, abbiamo bisogno di reti di terza generazione, come descritto nell'articolo.
Tuttavia, naturalmente, i suoi commenti sono interessanti. Cercherò di armeggiare con l'indicatore precedentemente suggerito. Accoppiato con zigzag (2 uscite), dà qualcosa di incomprensibile. Ridurrò il numero di ingressi e lo lascerò solo sull'uscita.
Non ho sentito di nessuno che faccia soldi fissi con i muwings).
Siete consapevoli che tutti i modelli sono in ritardo rispetto agli indicatori lineari, nel qual caso la rete neurale è inutile.
In generale, ho avuto questa idea fin dall'inizio: addestrare le reti su diversi TF, poi filtrare i segnali dai piccoli TF da quelli grandi, cioè ottenere un vantaggio statistico su questo, tenendo conto che le reti produrranno una certa percentuale di input sbagliati, diciamo, 50-50. Le reti neurali stesse implicano l'elaborazione di una grande quantità di dati, questo è il loro vantaggio, così si può andare non da qualsiasi modello qualitativo specifico, ma per spalmare un gran numero di segnali attraverso il piatto. E non importa cosa sta succedendo al suo interno, l'importante è che la rete neurale cerchi di ordinare il tutto. Ma non potrete farlo senza OpenCl, ci vorrebbe troppo tempo. Probabilmente, abbiamo bisogno di reti di terza generazione, come descritto nell'articolo.
Tuttavia, naturalmente, i suoi commenti sono interessanti. Cercherò di armeggiare con l'indicatore precedentemente suggerito. Accoppiato con zigzag (2 uscite), dà qualcosa di incomprensibile. Ridurrò il numero di ingressi e lo lascerò solo sull'uscita.
Al lavoro ho sviluppato un modello di classificatore binario per 10 variabili discrete per input. Li ho selezionati in modo intelligente tra 76 caratteristiche. La previsione è cosiddetta maggioritaria - se la frazione di uno è fortemente superata, allora uno. La qualità del classificatore si è rivelata non peggiore di una foresta casuale di 150 alberi usando tutto il mio vettore di caratteristiche di 76 variabili! Inoltre, il modello semplice costruisce regole leggibili dall'uomo, mentre la foresta è una scatola nera.
A proposito, un normale perceptron multistrato può essere usato per selezionare le caratteristiche analizzando i pesi su una rete addestrata. Probabilmente sapete che la rete impara peggio su input correlati, su coppie input-output che si contraddicono a vicenda. Perciò, per setacciare i cattivi input, bisogna passare al setaccio.
Leggi la selezione di cartelli informativi o caratteristiche. Non è un buon approccio alimentare la rete con molte incertezze.
Ho sviluppato un modello di classificatore binario al lavoro con 10 variabili discrete come input. Li ho selezionati in modo intelligente su 76 caratteristiche. La previsione è cosiddetta maggioritaria - se la frazione di uno è fortemente superata, allora uno. La qualità del classificatore si è rivelata non peggiore di una foresta casuale di 150 alberi usando tutto il mio vettore di caratteristiche di 76 variabili! Inoltre, il modello semplice costruisce regole leggibili dall'uomo, mentre la foresta è una scatola nera.
A proposito, un normale perceptron multistrato può essere usato per selezionare le caratteristiche analizzando i pesi su una rete addestrata. Probabilmente sapete che la rete impara peggio su input correlati, su coppie input-output che si contraddicono a vicenda. Quindi, per eliminare i cattivi input, bisogna passarli al setaccio.
Sì, questo sembra essere chiamato la maledizione della dimensionalità :) Infatti, nel mio caso, un mucchio di oscillatori identici sull'ingresso, tutto questo deve essere rimosso e ne rimane uno.
Un'altra domanda - quando si normalizzano i dati per gli ingressi, è meglio normalizzare tutti i vettori simultaneamente, in un ciclo, considerando i valori max e min dell'intero set, o normalizzare per ogni ingresso separatamente, considerando max e min di ogni particolare vettore?
Nessuno discute che sia interessante!
Ma non si può saltare qualche passo nell'apprendimento di una specialità - non servirà a niente...
Una rete neurale, da sola, non darà il "giusto output" - non è una bacchetta magica.
Hai bisogno della giusta idea di una strategia di trading, che darà un risultato decente anche senza la rete neurale...
Allora non avete bisogno di una rete neurale.