Usare le reti neurali nel trading - pagina 33
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
Bello - bello.
Nell'esercito, un mio compagno aveva questa iscrizione tatuata sulla spalla... :-)
Penso che l'argomento non sia coperto, almeno in termini di organizzazione e preparazione dei dati di ingresso alla rete...
Dobbiamo definire l'oggetto con cui stiamo lavorando. Dove hanno questa definizione i neural networkers, con cosa lavorano? Strati, perceptron?
Perché le reti neurali hanno bisogno di strati o percettori? Lascia che se ne occupino gli sviluppatori di reti neurali.
Per un neurista, una rete neurale è una scatola nera.
Tutto ciò che un ingegnere di reti neurali dovrebbe avere per impostare i compiti: valori sugli ingressi e valori sulle uscite - campione che è diviso in due parti - allenamento e test (forward test). Di conseguenza, il compito è quello di garantire che i valori sugli ingressi con la massima probabilità coincidano con i valori sulle uscite della rete neurale nel campione di prova dopo averla addestrata sul campione di allenamento.
Dovete iniziare da qui. Comincia con uno semplice.
Serie stazionaria = Mo e la varianza è una costante. Con ARCH la varianza non solo non è una costante, ma dipende anche dai valori precedenti.
Quando si costruiscono i modelli, un controllo dei residui ARCH dai modelli è obbligatorio, perché la MOC non può essere applicata in presenza di ARCH.
Inizia da qui - non potrebbe essere più semplice.
Non chiedere a me - tutto questo è stato spiegato su questo forum molto tempo fa.
I pattern vengono insegnati per 18 ore e accettati per il credito, con la domanda principale: hai capito che i pattern non dovrebbero essere usati nel trading?
Detto questo, direi che il tuo insegnante era come minimo un po' fuori strada.
Non sono sarcastico, anch'io ero uno studente. Sono curioso, dopo quale risposta è stato dato il credito?
Detto questo, direi che il tuo insegnante era, come minimo, un po' fuori tema.
Non sono sarcastico, anch'io ero uno studente. Sono curioso, dopo quale risposta è stato dato il credito?
Mi dispiace, gli studenti hanno tutti i tipi di specializzazione. L'AT si insegna in quindici giorni a chiunque in DC, mentre l'econometria richiede 5 anni e non tutti la vogliono.
Lo posso ripetere: nell'AT non c'è affatto la questione della probabilità che la previsione si realizzi. Noi crediamo e perdiamo solo e non capiamo perché. In econometria la questione della fiducia nei risultati della modellizzazione è la questione principale. Proprio come nella vita.
Perché le reti neurali hanno bisogno di strati o percettori? Lascia che se ne occupino gli sviluppatori di reti neurali.
Per un progettista di reti neurali, una rete neurale è una scatola nera.
Tutto ciò che un ingegnere di reti neurali dovrebbe avere per impostare i compiti: valori sugli ingressi e valori sulle uscite - campione che è diviso in due parti - allenamento e test (forward test). Di conseguenza, il compito è quello di garantire che i valori sugli ingressi con la massima probabilità coincidano con i valori sulle uscite della rete neurale nel campione di prova dopo averla addestrata sul campione di allenamento.
Caro Yuri, vorrei chiederti di non usare una tale affermazione in senso generale (intendo su tutti i neural networkers). Vedete, chi lavora con le reti neurali (in senso generale) si preoccupa spesso del numero di strati nascosti, e anche periodicamente del numero di neuroni in questi strati nascosti. E anche a volte ci sono difficoltà con la scelta della funzione di attivazione. E a volte bisogna anche scegliere un metodo di discesa del gradiente. Non sono affatto offeso, per niente. Ma comunque hai semplificato troppo la situazione.
D'accordo. I miei post sono fuori tema. Se volete scusarmi.
Mi dispiace, gli studenti hanno tutti i tipi di specializzazione. L'AT viene insegnata in quindici giorni a chiunque in DC, mentre l'econometria viene insegnata per 5 anni e non a tutti.
Posso ribadire: nell'AT la questione della probabilità di esecuzione delle previsioni non è affatto sollevata. Noi crediamo e perdiamo solo e non capiamo perché. In econometria la questione della fiducia nei risultati della modellizzazione è la questione principale. Come nella vita.
Non sto discutendo, l'econometria sei tu, non io. Ho solo tre anni di matematica all'attivo in un dipartimento non matematico. E all'AT non è mai stato richiesto diavere un"intervallo di confidenza". L'AT indica (mostra al trader) il verificarsi di una situazione, dopo la quale un evento accadrà con un alto grado di probabilità. Di regola, da una parte o dall'altra. In altre parole la previsione dell'evento e solo dell'evento. E dov'è esattamente l'obiettivo dell'AT non è mai stato, con rare eccezioni. Più spesso che no, è "dove soffia, è lì che si commercia".
EconMod, ho gettato la bandiera bianca. Ero stanco di operare in questo modo. La verità ha smesso di provare a dire una parola circa 7 pagine fa. Fare la pipì per il gusto di farla, non è il mio genere. Sono stato tranquillo fin da quando ero bambino.
No, certo che non sto facendo il riconoscimento del testo. Non ha senso imparare tutte e cinque le lettere...
Grazie, anch'io sto cercando di essere costruttivo. E pensavo che stessimo parlando di cose diverse. Nel mio lamento sulle difficoltà di classificazione intendevo quanto segue.
Prendiamo il caso classico: l'aereo. La teoria afferma che i dati (nel caso del piano) dovrebbero essere linearmente separabili per produrre una classificazione di successo.
(scusate, non sono riuscito a trovare delle belle immagini, ho dovuto fare delle foto veloci in excel).
Supponiamo di prendere dati con 2 parametri X e Y (il piano...). Li abbiamo attaccati a vettori di unità e abbiamo ottenuto la seguente immagine. Vediamo 5 aree nettamente separate. Qualsiasi SOM può gestire la classificazione in una sola volta e la classificazione sarà solo una classificazione. Ogni nuovo dato cadrà in una delle classi. Le proprietà di ogni classe ci sono note, quindi semplicemente scoprendo in quale classe rientra il nuovo dato, sappiamo immediatamente tutto su di esso. Con tutto ciò che implica...
Purtroppo, i casi classici e quelli pratici, come si dice a Odessa, sono due grandi differenze.
Nel caso pratico abbiamo scaricato i dati e abbiamo ottenuto un'immagine come questa. La classificazione è certamente possibile anche in questo caso, ma non ha alcun valore pratico. Possiamo specificare le stesse 5 classi e la SOM le "disegnerà" onestamente, semplicemente distribuendo uniformemente i centri dei cluster. Il dato appena arrivato andrà da qualche parte. Ma questo "da qualche parte" non ha più senso. Tutti i dati, così come le loro proprietà, sono sparsi uniformemente (affastellati) sul piano. Se crediamo a una tale classificazione e attribuiamo un nuovo dato a una delle classi, ci stiamo solo prendendo in giro.
Questo è il nocciolo del problema, e quello che intendevo in quel mio post. Quindi, non importa come ho guardato il problema, non sono mai riuscito a ottenere dati con una chiara separabilità. Quindi o non c'è alcuna separabilità, quindi non provateci nemmeno. O non ho abbastanza trazione. Madre Natura mi ha benedetto con un po' di autocritica, quindi propendo per la seconda opzione. Perciò mi consulto con vari compagni. Una volta che hai una classificazione chiara, allora puoi lavorare con una griglia di probabilità e la logica fuzzy.
Prendiamo il caso classico: l'aereo. La teoria afferma che per produrre una classificazione di successo i dati (nel caso del piano) devono essere linearmente separabili.
Il piano è un esempio classico, non un caso classico. E questa semplice separabilità è usata in questi esempi solo per illustrare l'idea.
È necessario aumentare gradualmente la dimensionalità del vettore di caratteristiche per costruire una classificazione praticamente accettabile. In questo caso, la separazione delle classi dovrà essere non lineare.