1) La griglia è in grado di recuperare la funzione se i dati di input la contengono. Se nell'ultimo esperimento il valore del periodo dipende dalla volatilità, allora la griglia dovrebbe aver dato qualche stima di questa volatilità, cioè potresti non aver fornito tutti i dati necessari per il recupero.
2) Puoi spremere tutto quello che ti serve da MLP. Usate altre reti quando potete dimostrare matematicamente che l'uso di altre architetture è migliore di MLP.
3)NS2 - veloce, risultato di qualità, facile da trasferire ovunque...
L'errore su quello di prova smette di diminuire... Di solito faccio almeno 3-5 allenamenti, forse di più quando il risultato è più importante, con selezione di neuroni in strati, più precisamente in uno strato. alcuni allenamenti per vedere la diffusione e il minimo.
Secondo me, quando l'errore sul test uno smette di diminuire, è molto probabile che si tratti di sovrallenamento. Come si comporta la rete in OOS, con un errore così minimo su quella di prova?
Se i neuroni sono selezionati correttamente, la rete si comporta assolutamente come in quella di addestramento, tanto più che con un campione di 200 000 si ottiene lo stesso risultato con un campione di addestramento molto più piccolo (più di 5 volte più piccolo).
Vale a dire che a volte selezionando i neuroni possiamo uguagliare gli errori dei campioni di prova e di allenamento.
Se i neuroni sono selezionati in modo errato, l'errore in quello di prova è un po' più grande ma rimane sul campione "generale".
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Accetti la politica del sito e le condizioni d’uso
Signori, buon pomeriggio. Una domanda per gli esperti nel campo delle reti neurali. La linea di fondo è questa. Ho installato statisctica e ho iniziato la mia ricerca con le reti neurali automatiche. Perspetron multistrato. Fissate un obiettivo per capire quanto sono intelligenti le reti neurali nel trovare i modelli. Cosa ho fatto? Ho preso il più usuale LVSS (media pesata linearmente) per le ultime 20 barre. Ho dato l'ultimo valore del LSS come obiettivo (uscita) e gli ultimi 20 punti da cui dipende il valore attuale del LSS. Ovviamente, una persona che conosce gli ultimi 20 punti e la formula di calcolo del LVLS sarebbe in grado di ripristinare il 100% del suo valore. La griglia non conosceva la formula e il suo compito era quello di capirla a modo suo. Risultato - lo stack ha ripristinato l'LFSS al 100%, cioè ha capito come è disposto l'LFSS. Possiamo considerare che ha affrontato il compito perfettamente, cioè se c'è un modello, la rete lo trova davvero. Poi è stato eseguito un esperimento simile con EMA, SAR e oscillatori. Il risultato è lo stesso. 100%. Dopo di che ho deciso di complicare il compito. Ho preso la media adattiva. Vi ricordo che cambia il parametro di mediazione a seconda della volatilità del mercato. La volatilità, a sua volta, è calcolata per un certo numero di barre. Ho inserito tutte le barre necessarie per costruire l'ACS e avviare la griglia. Il risultato è stato molto peggiore del 100%, anche se una persona che conosce la formula ACC e possiede tutti i punti sarebbe in grado di costruire l'ACC al 100%. In realtà la rete è fallita, stiamo parlando di reti neurali automatiche.
Conclusione e domande agli esperti del settore.
1) Ho capito bene che una rete neurale non è in grado di ricostruire una funzione se è intrinsecamente dinamica come nel caso di ACC, anche se ho tutti i dati necessari per il calcolo, perché se la formula è rigidamente statica come nel caso di LFSS o EMA, non ho problemi.
2) Se mi sbaglio, quali reti dovrebbero essere utilizzate? E ha usato MLP nelle statistiche.
3) Ho sentito l'opinione che le reti automatiche e le reti di progettazione propria e...., se posso dirlo, non c'è fondamentalmente molta differenza. È davvero questo il caso?
4) Quali reti e quali programmi consigliate per l'applicazione sui mercati finanziari, in particolare per il compito che ho descritto, cioè ripristinare i valori a partire da tutti i dati conosciuti.
Rispettosamente, mrstock