Come formare correttamente i valori di input per il NS. - pagina 11
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
Anche i valori di ingresso non sono una questione semplice. Cosa fornire all'ingresso della rete dipende da molti fattori -
1. Che tipo di rete neurale viene utilizzata.
2. Cosa vogliamo ottenere dalla rete neurale - prezzo o direzione del movimento o punti di inversione o la prossima candela o qualcos'altro.
Quindi dovremmo prima decidere su queste domande, e poi decidere sugli input.
Suggerisco di parlare finora solo di due reti
1. Rete Kohonen
2. MLP.
Il resto lo lasciamo per dopo.
1. La rete neurale è normale a 4-5 strati (propagazione diretta senza anelli, stelle o altro).
2. dalla rete neurale vogliamo ottenere bolle... Oh, no. Per cominciare vogliamo ricevere la direzione del movimento e se possibile una stima della sua forza (una specie di pip).
Per me finora (secondo la mia comprensione) neuronet rimane un approssimatore. Il che significa che sto effettivamente cercando di esprimere una relazione funzionale tra variabili di input e variabili di output. E da qui i miei pensieri sugli input. Non dovrebbero essere troppo complessi e non dovremmo volere troppo nell'output. È più o meno chiaro con le uscite (direzione, altitudine), ma ciò che è per l'ingresso. Mi sto scervellando per il terzo giorno. È molto frustrante che io non possa inventare un tale trattamento del segnale d'ingresso in modo che si trovi sempre in un intervallo fisso. Perché se normalizziamo a un massimo del campione totale, allora c'è sempre la possibilità che in futuro appaia un valore più alto, che la rete non conoscerà e cosa succederà in un caso simile non lo so. Naturalmente ci sono varianti di elaborazione dell'input come seno o sigmoide, ma mi sembra sbagliato, perché voglio avere una compressione lineare .
Per l'uscita probabilmente userò la dipendenza iperbolica. (Su-Dn)/(Su+Dn). La Turchia è allegata.
Propongo di parlare solo di due reti per il momento
1. Rete Kohonen
2. UN MLP
Cos'è MLP - multilayer perseptron?
Kohonen è karachno. Ma probabilmente per la seconda volta. Anche se... sarebbe bene capire cosa e dove.
A proposito, Kohonen sta insegnando senza insegnante, vero?
Cos'è un MLP - perseptron multistrato?
Sì
A proposito, Kohonen sta imparando senza un insegnante, giusto?
Nella versione originale sì. Ma c'è una modifica chiamata Kohonen supervisionata, nel qual caso assegniamo noi stessi un vincitore per ogni modello.
2. dalla rete neurale vogliamo ottenere ba... Oh, no. Per cominciare vogliamo ottenere la direzione del movimento e, se possibile, una stima della sua forza (come in pip).
Non deve essere migliore, basta la direzione. Se funziona, il potere può essere avvitato sopra.
Finora per me (nei miei termini) la rete neurale rimane un approssimatore.
Sì, è così.
Il che significa che sto effettivamente cercando di esprimere una relazione funzionale tra variabili di input e variabili di output. E da qui i miei pensieri sugli input. Non dovrebbero essere troppo complessi e non dovremmo volere troppo nell'output. È più o meno chiaro con le uscite (direzione, altitudine), ma ciò che è per l'ingresso. Mi sto scervellando per il terzo giorno. È frustrante, però, che non riesco a pensare a nessun modo per elaborare il segnale di ingresso in modo che sia sempre in un intervallo fisso.
MACD
Naturalmente ci sono varianti di elaborazione dell'input come sines o sigmoide, ma mi sembra tutto sbagliato, perché voglio avere una compressione lineare .
Qui. Il compito qui non è la compressione ma la divisione, quindi non è una compressione lineare ma una divisione lineare che nemmeno lo XOR sarà in grado di dividere.
Quindi la non linearità deve essere presente. C'è un teorema che qualsiasi perseptron lineare a n strati può essere convertito in un analogico a 2 strati -- input -> output.
Quindi il perseptron lineare è fregato.
Quindi, che dire degli ingressi? Chi ha quali reti e ingressi?
Cercando di alimentare oscillatori limitati, ma i risultati sono lontani come il cielo. C'è un'enorme quantità di lavoro da fare per ottenere delle conclusioni.
MACD
Può avere un aggiornamento massimo.
Qui. Il problema non è la compressione ma la separazione, quindi il risultato non è la compressione lineare ma la separazione lineare, che nemmeno lo XOR può separare.
Quindi la non linearità deve essere presente. C'è un teorema che qualsiasi perseptron lineare a n strati può essere convertito in un analogico a 2 strati -- input -> output.
Ciò che si intende non è la linearità dei segnali di uscita. Si tratta di comprimere linearmente i dati di input prima di alimentarli nella rete. Compressione all'intervallo [0, 1] basata su tutti i dati delle orbite. Se ci sarà una conversione alla gamma da qualche funzione non lineare, otterremo una saturazione per i grandi valori, tra i quali non ci sarà differenza. Questo significa che ci sarà ripetibilità e quindi incoerenza . La compressione deve essere fatta in modo lineare. Ma come, in modo che rimanga massima in futuro. (il mio cervello sibila)?
può avere un aggiornamento massimo.
Sì, certo, ma mi sembra una buona opzione.
Ciò che si intende non è la linearità dei segnali di uscita. Si tratta di comprimere linearmente i dati di input prima di alimentarli nella rete. Compressione all'intervallo [0, 1] basata su tutti i dati delle orbite.
>> Ah, capisco.
Se c'è una conversione in un intervallo da parte di qualche funzione non lineare, otterremo una saturazione per grandi valori, tra i quali non ci sarà differenza. Questo significa che ci sarà ripetibilità e quindi incoerenza . La compressione deve essere fatta in modo lineare. Ma come, in modo che rimanga massima in futuro. (il mio cervello sibila)?
Ecco perché useremo la decorelazione e simili %)