Reti neurali - pagina 20

[name]

Dopo aver "masticato" (superficialmente però - ancora bisogno di tempo) sembra che non useremo mai ANN in modo efficace. Noi (le piccole patate) non abbiamo abbastanza soldi per l'hardware necessario per usare ANN come dovrebbe essere usato

[hughesfleming]

Da solo....perché tutta questa negatività?

Non è così complicato. Per prima cosa bisogna capire cos'è che si sta cercando di prevedere. Il problema successivo è il rumore. Dovete assicurarvi che il vostro modello non sia ingannato dalla casualità e dal bias del data mining. Ci sono strumenti gratuiti là fuori che vi permetteranno di sviluppare una prova di concetto prima di spendere un sacco di soldi in hardware.

Se state prevedendo la tendenza, per esempio, dovete vedere se il vostro modello ha un vantaggio rispetto a una semplice media. Se state prevedendo i punti di svolta, cercate prima di tutto di vedere se potete superare una trasformata di Fourier. Se il vantaggio è piccolo, allora dovete chiedervi se il tempo di formazione vale lo sforzo. Non importa se si usa una rete neurale o una delle varie macchine vettoriali di supporto, si affrontano comunque tutti i problemi di adattamento delle curve del passato per prevedere il futuro. Fuori dal campione questi sistemi tendono a fallire perché qualsiasi successo che potreste aver avuto nei vostri test potrebbe ancora essere dovuto alla casualità. Nessuna quantità di denaro investito in hardware risolverà questo problema.

Ora questi strumenti possono essere utili, ma è necessario controllare le proprie aspettative. Se un modello può migliorare una strategia di pochi punti percentuali, con il tempo e un gran numero di operazioni, ne uscirete vincenti.

saluti,

Alex

[name]

hughesfleming:
Sul mio....perché tutta questa negatività?

Questo non è così complicato. Per prima cosa dovete capire cos'è che state cercando di prevedere. Il problema successivo è il rumore. Dovete assicurarvi che il vostro modello non sia ingannato dalla casualità e dal bias del data mining. Ci sono strumenti gratuiti là fuori che vi permetteranno di sviluppare una prova di concetto prima di spendere un sacco di soldi in hardware.

Se state prevedendo la tendenza, per esempio, dovete vedere se il vostro modello ha un vantaggio rispetto a una semplice media. Se state prevedendo i punti di svolta, cercate prima di tutto di vedere se potete superare una trasformata di Fourier. Se il vantaggio è piccolo, allora dovete chiedervi se il tempo di formazione vale lo sforzo. Non importa se si usa una rete neurale o una delle varie macchine vettoriali di supporto, si affrontano comunque tutti i problemi di adattamento delle curve del passato per prevedere il futuro. Fuori dal campione questi sistemi tendono a fallire perché qualsiasi successo che potreste aver avuto nei vostri test potrebbe ancora essere dovuto alla casualità. Nessuna quantità di denaro investito in hardware risolverà questo problema.

Ora questi strumenti possono essere utili, ma è necessario controllare le proprie aspettative. Se un modello può migliorare una strategia di pochi punti percentuali, con il tempo e un gran numero di operazioni, ne uscirete vincenti.

saluti,

Alex

Alex

Grazie per la risposta

Il motivo per cui ho detto quello che ho detto è che, a meno che non siamo ben dotati di hardware, il calcolo ANN sarà sempre "incompleto". E poi si arriva a quello che stiamo già facendo: stimare usando la nostra NN

[hughesfleming]

Ok...capito. Se hai voglia di sperimentare, ho fatto un layout di un modo per usare Rapidminer con metatrader qui nel caso tu non abbia visto il thread. https://www.mql5.com/en/forum/181252

[name]

hughesfleming:
Ok...capito. Se hai voglia di sperimentare, ho fatto un layout di un modo per usare Rapidminer con metatrader qui nel caso tu non abbia visto il thread. https://www.mql5.com/en/forum/181252

Alex

Grazie per tutto il tuo aiuto

[nevar]

Trovare algos redditizi con l'IA dipende tutto dai tuoi input e questa è un'arte, non una scienza. Quando stavo cercando diversi algos per il live trading sono arrivato a un incrocio Recurrent Neural Network-Restricted Boltzmann Machines in python Modeling and generating sequences of polyphonic music with the RNN-RBM - DeepLearning 0..1 documentation and Bernoulli Restricted Boltzmann Machines feature extractor and LogisticRegression classifier in python Restricted Boltzmann Machine features for digit classification - scikit-learn 0.15.2 documentation.They sound quiet interesting does anyone have any experience with any of these two algorithms for live trading ?

[tampa]

Neuro trend clonato (indicatori + modello)

neurotrendnncloned.rar

[Joakin]

Link utile: Tutorial sulle reti neurali

[seekers]

Reti Neurali Artificiali: artificial_neural_networks.pdf

In questa nota forniamo una panoramica dei concetti chiave che hanno portato all'emergere delle Reti Neurali Artificiali come paradigma principale per le applicazioni di Data Mining. Le reti neurali hanno attraversato due grandi periodi di sviluppo: i primi anni '60 e la metà degli anni '80. Sono state uno sviluppo chiave nel campo dell'apprendimento automatico. Le reti neurali artificiali sono state ispirate da scoperte biologiche relative al comportamento del cervello come una rete di unità chiamate neuroni. Si stima che il cervello umano abbia circa 10 miliardi di neuroni, ognuno collegato in media a 10.000 altri neuroni. Ogni neurone riceve segnali attraverso sinapsi che controllano gli effetti del segnale sul neurone. Si ritiene che queste connessioni sinaptiche giochino un ruolo chiave nel comportamento del cervello. L'elemento fondamentale di una Rete Neurale Artificiale è il modello matematico di un neurone

[seekers]

previsione_abilità_ma_no_profittabilità_-_valutazione_empirica_di_algoritmi_genetici_ottimizzati_tr.pdf

Questo articolo valuta la performance di diverse regole tecniche di trading popolari applicate al mercato azionario australiano. I valori ottimali dei parametri delle regole di trading nel periodo campione dal 4/1/82 al 31/12/89 vengono trovati utilizzando un algoritmo genetico. Queste regole ottimali sono poi valutate in termini di capacità di previsione e redditività economica durante il periodo out-of-sample dal 2/1/90 al 31/12/97. I risultati indicano che le regole ottimali superano il benchmark dato da una strategia buy and hold corretta per il rischio. Le regole mostrano alcune prove di capacità previsionale e di redditività per l'intero periodo di prova. Ma un esame dei risultati per i sottoperiodi indica che gli excess return diminuiscono nel tempo e sono negativi durante gli ultimi due anni. Inoltre, una volta effettuato un aggiustamento per il trading bias non sincrono, le regole mostrano pochissime prove di redditività, se non nessuna.