記事"アルゴリズムトレードにおける Kohonen ニューラルネットワークの実用的利用 パートI ツール"についてのディスカッション
今後は、エキスパートの最適なパラメーターを選択する作業にはCSOMDisplayを使い、予測にはCSOMを使うことになるだろう。
残念ながら、この話題はすっかり忘れてしまった。リンク先の記事を読んでも全く理解できなかった。
最適化された3つの入力パラメータがあるとする。コホーネンはクラスタリングを行い、視覚化した。最適なパラメータを見つけることの利便性は？
予測について全く理解できない。できれば、簡単なアイデアも教えてほしい。
将来的には、このような実践例を見てみたい。
エキスパート・アドバイザーに何か追加の入力パラメーターを導入する。そして、その依存性を評価する。
fxsaber:
エキスパート・アドバイザーにいくつかの追加入力パラメーターを導入する。そしてその依存性を評価する。
コホネンでは、これをマップの形で視覚的に行うことができます。もし1桁の数字について話しているのであれば、これは他の手法のためのものです。
Stanislav Korotky:
後編で答えが出るかもしれない。データ分布の法則性が保たれていれば、安定性があるはずである。汎化性をコントロールするために、検証サンプリングを用いてマップサイズや訓練期間を選択することが提案される。
いくつかの使用例は後編にあります。
はい、すみません、検証サンプリングで停止する方法がすでにあるとは知りませんでした。では、例を待ちましょう。）
MQL5/Include/Math/Alglib/dataanalysis.mqhの ClusterizerRunAHCを 参照してください。
取引の機会を逃しています。
- 無料取引アプリ
- 8千を超えるシグナルをコピー
- 金融ニュースで金融マーケットを探索
新しい記事 アルゴリズムトレードにおける Kohonen ニューラルネットワークの実用的利用 パートI ツール はパブリッシュされました:
本稿では、MetaTrader5 で Kohonen マップを使用します。 改善および拡張されたクラスは、アプリケーションタスクを解決するためのツールになります。
継承されたソースコードでは、インプットデータの正規化は行われません。 ただし、インプットベクトルの異なるコンポーネント (フィーチャ) の値の範囲が異なる場合は、重要です。 そして、EAの最適化結果と異なるインジケータのデータをプーリングする場合です。 最適化の結果については、数十千の総利益を持つ値は、シャープレシオの分数や反発係数の1桁の値など、小さな値であることがわかります。
このような異なるスケールのデータを使用して Kohonen ネットワークをやるべきではありません。ネットワークは実質的に大きなコンポーネントのみを考慮し、小さいものを無視します。 この記事内のステップワイズ方法で検討しようとしているプログラムを使用して取得し、最後にここに添付し、以下の画像で見ることができます。 このプログラムでは、3つの成分がそれぞれ [0, 1000]、[0, 1]、[-1, + 1] の範囲内で定義されているランダムなインプットベクトルを生成することができます。 特殊なインプット UseNormalization により、正規化を有効/無効にすることができます。
ベクトルの3次元に関連する3つの面で Kohonen ネットワークの最終的な構造を見てみましょう。第1に、正規化を伴わないネットワーク学習結果です。
インプットを正規化しないKohonenネットワーク学習結果
正規化と同じです。
インプットを正規化した Kohonen ネットワーク学習結果
作者: Stanislav Korotky