Ricerca di un modello arbitrario utilizzando una rete neurale - 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
Pensi che ci sia una differenza tra "descrizioni umane" e "conteggi di reti neurali"?
Una rete neurale è addestrata da esempi, senza entrare nei dettagli delle dipendenze.
Esattamente. Per prima cosa dovreste preparare 100500 esempi di diverse "teste-spalle" per esso e insegnargli su questi esempi.
In realtà, i modelli di prezzo possono essere descritti dalla matematica, non c'è bisogno di NS per questo. Ma cercare di trovare i segni di un falso schema è esattamente il compito di NS.
Pensi che ci sia una differenza tra "descrizioni umane" e "conteggi di reti neurali"?
Una rete neurale è addestrata da esempi, senza entrare nei dettagli delle dipendenze.
Dmitry, spiega più dettagliatamente la tua risposta, sì, non entrano nei dettagli delle dipendenze, ma è la matematica che sta alla base, penso (imho) che alla base delle azioni umane ci sia anche la matematica, essa stessa è più complessa ma anche 1+1=2
è più complesso ma anche 1+1=2
per NS 1+1=2 , ma con una data precisione
per alcuni tipi di NS non tutti i risultati dell'addestramento saranno identici all'addestramento precedente, ma essi (i risultati) saranno uguali alla precisione uguale all'errore di addestramento
La base di NS non è tanto la matematica, (sì, NS formazione è un calcolo matematico), ma è il tipo di NS, la struttura di NS. funzione di attivazione, che cosa si insegna NS classificazione o regressione ... Cioè non si può semplicemente dire che NS mi ha dato questo risultato - è giusto o viceversa NS sta mentendo. NS è una scatola nera, non perché la si voglia chiamare così, ma perché NS usa ilmodello della scatola nera
Dimitri, spiega più dettagliatamente la tua risposta, sì, non entrano nei dettagli delle dipendenze, ma è la matematica che sta alla base, penso (imho) che le azioni umane sono anche basate sulla matematica, in sé è più complessa ma anche 1+1=2
Bisogna sapere un po' come si usano le reti neurali. C'è un'immagine in entrata, c'è un risultato in uscita. Avendo un certo numero di coppie di questo tipo (immagine in entrata - risultato in uscita) la rete di neuroni viene addestrata. E a nessuno importa perché una certa immagine dia un tale risultato, c'è solo un insieme di fatti sperimentati e questo è tutto. Poi l'immagine analizzata viene alimentata all'ingresso della rete addestrata e il risultato viene visto all'uscita.
Bisogna sapere un po' come si usano le reti neurali. C'è un'immagine in entrata, c'è un risultato in uscita. Avendo un certo numero di tali coppie (immagine di ingresso - risultato di uscita), una rete neurale viene addestrata. E a nessuno importa perché una certa immagine dia un tale risultato, c'è solo un insieme di fatti sperimentati e questo è tutto. Poi una rete addestrata riceve un'immagine da analizzare e guarda il risultato in uscita.
Avete ora descritto l'apprendimento con un insegnante. Quando è possibile raccogliere dati storici e chiedere alla rete di trovare la legge matematica (modello) che li descriva il più accuratamente possibile. Ma a volte non ci sono dati storici in quanto tali, ma un mucchio di modelli che devono essere decomposti, ordinati per così dire. Tutto questo viene fatto da diverse reti. Cioè, si progetta un sistema multilivello di IA in cui una rete ordina i modelli e un'altra ne definisce la validità. Domanda: perché abbiamo bisogno del primo NS se possiamo sistemarli matematicamente sugli scaffali SENZA NS? Molto più interessante è la risposta all'altra domanda sulla verità del modello formato.
Vuoi dare un consiglio chiave!!!!!!?????? Lo vedo nei tuoi occhi :-) OK, lo darò come esempio.
Se consideriamo qualsiasi modello come un fatto compiuto (modello formato), allora ci dà solo un momento per analizzare il mercato. Supponiamo di iniziare a fare i nostri calcoli entro la prossima barra dopo che il modello si è formato. Significa, infatti, che il modello stesso ci dà solo il momento in cui dovremmo eseguire il calcolo, ma lasciamo a NS il compito di decidere che tipo di modello è, quali condizioni hanno portato alla sua formazione e cosa è successo quando si è formato. Se consideriamo la condizione che ogni modello ci dà solo il momento di analizzarlo, allora avendo un insieme di 10 modelli otterremo molte più barre per l'analisi. Non c'è bisogno di allenare una rete per "testa spalle", un'altra per "tre soldati", ecc. Ma è necessario informare la NS su che tipo di modello è e si fa molto semplicemente.
Quindi, abbiamo scritto un indicatore che può rilevare 5 modelli per l'acquisto e 5 per la vendita, come minimo. Naturalmente l'ordine futuro dei modelli non è noto ed essi appaiono in modo caotico. Credere che tipo di pattern sia, alla NS non interessa molto, guarda il dataset di input nel momento in cui forma uno qualsiasi dei pattern e teoricamente se i pattern differiscono drasticamente, i dataset di input differiranno anche significativamente nella misura in cui la rete lo vedrà. Ma questo non ci basta e vogliamo dire con forza alla rete che tipo di modello è. È molto facile da fare. Gli schemi sono codificati da -5 a +5 e i valori di ingresso sono moltiplicati al primo stadio della conversione dei dati. La moltiplicazione disperde i dati lungo l'asse Y facendo così in modo che i dati di un modello siano moltiplicati per lo stesso numero e spostati di una certa distanza. Di conseguenza, gli ingressi dipenderanno dal tipo di modello. Quindi, quello che abbiamo alla fine:
1. Scriviamo un indicatore di base che definisce i modelli, formando segnali per l'analisi.
2. definire l'insieme dei dati di input
Determinare la struttura interna del NS, i metodi di formazione, i metodi di analisi degli errori, ecc.
4. Nell'indicatore di base fate un buffer per la variabile di uscita. Ricordate che non conosciamo il risultato del modello più recente. Il buffer dovrebbe essere tale che i valori futuri siano attribuiti ai modelli. Quando si salva il file di allenamento si conoscono i risultati di TUTTI i modelli tranne l'ultimo.
5. Elaboriamo un metodo per verificare la capacità di generalizzazione dei modelli ottenuti.
Questo è tutto......
E un altro punto interessante mi è venuto in mente guardando il titolo del thread.
Supponiamo di voler trovare modelli arbitrari usando NS che non conosciamo. Domanda: se non conosciamo i modelli stessi, allora cosa si conosce? Corretto, conosciamo le reazioni a quei modelli, o piuttosto dobbiamo scegliere in quali condizioni cercare noi stessi i modelli. Formuliamo la formulazione del problema:
Per trovare modelli di 5 candele dopo le quali il tasso cambia più del 10% durante le 4 candele successive. Naturalmente possiamo organizzare uno scarico di questo tipo dalla storia e generare un file di formazione contenente solo 5 barre che precedono la reazione del mercato per ogni caso. Poi insegniamo alla rete a mostrare 1 per le barre che precedono ogni aumento e -1 per tutte le altre barre. Dopo l'addestramento, iniziamo a inviare i dati delle ultime 5 barre all'ingresso della rete barra per barra e quando la griglia mostra 1, allora gli ingressi conterranno esattamente lo stesso modello o un modello simile ad esso come nel nostro addestramento.
Con questo approccio non sapremo che tipo di modello è e quali sono i suoi parametri. Si noti che ho limitato 5 barre sugli input quando questo numero è fluttuante, quando durante l'addestramento sintonizziamo anche la finestra di input, allora il numero di risultati di ottimizzazione aumenta molte volte e il numero di modelli diventa il numero di dati salvati quando ogni record è così unico che su 1000 record abbiamo 1000 cluster. IMHO!
Credo che l'approccio abbia il suo posto, anche se ha alcuni limiti. Almeno non infrange nessuna regola critica, come sbirciare, ecc.
Con o senza insegnante - una prospettiva diversa sulla stessa cosa. La situazione e il suo risultato devono essere conosciuti; se non c'è, non si può insegnare nulla. E non hai bisogno del dono di Dio con l'uovo - cioè l'insegnamento e la classificazione.
Quando si impara senza un insegnante, di solito non si conosce il risultato, e in questo caso?
Mihail Marchukajtes:
Michael, la rete neurale funziona un po' diversamente. Non funziona come vuoi tu.
Quando si impara senza un insegnante, il risultato è di solito sconosciuto, quindi come funziona?
Solo la classificazione. La rete impara a distinguere le situazioni (immagini), ma non può sapere cosa fare in quale caso o come chiamare quale immagine.