Discussão do artigo "Sequência DeMarker (TD SEQUENTIAL) com uso de inteligência artificial (IA)"
Então, onde está a "inteligência artificial", como você afirma? Onde está a rede neural?
1. Duas direções para a NN? Ela resolveu problemas (em sua maioria) de duas formas: regressão e classificação. Com menos frequência, usamos agrupamento e classificação. E há dezenas, se não centenas, de redes neurais. Que tipo de rede neural você já usou?
2) O overfiting não é apenas definido, mas também foram desenvolvidos métodos para reduzir a probabilidade de sua ocorrência. No caso das redes neurais, trata-se de regularização (L1/L2), estabilização (dropout, dropconnect e muitos outros). Portanto, parafraseando uma expressão bem conhecida: todos os modelos são retreinados, mas alguns têm uma probabilidade muito menor disso.
3. Os classificadores podem ser "duros", ou seja, nunca desistem da previsão, e "suaves", que podem se recusar a prever e dizer "não sei". "O "classificador rígido" se torna "suave" após a calibração. Há outras maneiras de "suavizar" um classificador.
4. Bem, a recomendação de reverter os sinais após o primeiro erro no início do dia é excelente.
Se não houvesse vários anúncios preliminares do autor com a promessa de uma revolução no uso de redes neurais, poderíamos deixar passar.
E assim, quanto a mim - nenhum crédito.
Então, onde está a "inteligência artificial", como você afirma? Onde está a rede neural?
1. Duas direções para a NN? Ela resolveu problemas (em sua maioria) de duas formas: regressão e classificação. Com menos frequência, usamos agrupamento e classificação. E há dezenas, se não centenas, de redes neurais. Que tipo de rede neural você já usou?
2) O overfiting não é apenas definido, mas também foram desenvolvidos métodos para reduzir a probabilidade de sua ocorrência. No caso das redes neurais, trata-se de regularização (L1/L2), estabilização (dropout, dropconnect e muitos outros). Portanto, parafraseando uma expressão bem conhecida: todos os modelos são retreinados, mas alguns têm uma probabilidade muito menor disso.
3. Os classificadores podem ser "duros", ou seja, nunca desistem da previsão, e "suaves", que podem se recusar a prever e dizer "não sei". "O "classificador rígido" se torna "suave" após a calibração. Há outras maneiras de "suavizar" um classificador.
4. Bem, a recomendação de reverter os sinais após o primeiro erro no início do dia é excelente.
Se não houvesse inúmeros anúncios preliminares do autor com a promessa de uma revolução no uso de redes neurais, poderíamos deixar passar.
Mas, para mim, é um fracasso.
Bom ... excelente!!! Há os primeiros comentários e é bom ver.
1. Sim, de fato, há muitos tipos de NS, mas os principais são duas direções, classificação e previsão, agrupamento, implica quando as classes não são dois 0 e 1, mas mais. aqui está outro nível de problemas.
2. De fato, nada fica parado, e já existem métodos para reduzir o treinamento excessivo, mas não é fácil identificar o grau de treinamento excessivo.
3. é usado um comitê de duas redes. Cada rede separadamente "não desiste da previsão", como você disse, mas estamos interessados apenas no momento em que o comitê diz simultaneamente "Sim" ou "Não". De acordo com o autor Yuri, um comitê tem um poder de generalização maior do que uma única rede.
4. Sim, de fato, isso deve ser feito com cautela, pois ao virar a rede, você pode cometer um erro pela segunda vez. A questão é que comparamos dois sinais, o atual e o anterior, e, sabendo o resultado do anterior, podemos tirar uma conclusão sobre o sinal atual, sobre sua veracidade etc. De fato, a rede pode simplesmente cometer um erro!!!!.
Bem, eu não prometi nenhum golpe, mas apenas prometi um método de construção CORRETA da TS, porque às vezes algumas pessoas escrevem tantas heresias que se tornam um pouco assustadoras!!!!.
Desculpe, mas o artigo é muito ruim, realmente, realmente... infelizmente. É uma propaganda do otimizador Reshetov e isso é tudo, nada de útil. Veja o exemplo do artigo do Sr. Fomenko sobre florestas e tendências, que, embora seja para iniciantes, mas muito informativo, foi muito mal feito, com todo o respeito.
Vou ser sincero, é minha primeira experiência. E do que você não gostou? Você pode ser mais específico? Talvez algo não esteja claro? Afinal de contas, o objetivo do artigo era informar sobre os métodos que todos podem usar ao criar seu próprio TS, não é necessário adotar meu TS em particular.
Bem.... ótimo!!! Há os primeiros comentários e é bom ver.
1. Sim, de fato, há muitos tipos de NS, mas os principais são duas direções, classificação e previsão. O agrupamento implica quando as classes não são duas 0 e 1, mas mais.
2. De fato, nada fica parado, e já existem métodos para reduzir o treinamento excessivo, mas não é fácil identificar o grau de treinamento excessivo.
3. um comitê de duas redes é usado. Cada rede separadamente "não desiste da previsão", como você disse, mas estamos interessados apenas no momento em que o comitê diz simultaneamente "Sim" ou "Não". De acordo com o autor Yuri, um comitê tem um poder de generalização maior do que uma única rede.
4. Sim, de fato, isso deve ser feito com cautela, pois ao virar a rede, você pode cometer um erro pela segunda vez. A questão é que comparamos dois sinais, o atual e o anterior, e, sabendo o resultado do anterior, podemos tirar uma conclusão sobre o sinal atual, sobre sua veracidade etc. De fato, a rede pode simplesmente cometer um erro!!!!.
Bem, eu não prometi nenhum golpe, mas apenas prometi um método de construção CORRETA de TS, porque às vezes algumas pessoas escrevem tantas heresias que se tornam um pouco assustadoras!!!!.
1. Um classificador pode prever 10, 100, 1000 classes e continuará sendo um classificador. CLASTERIZAÇÃO é a divisão de um conjunto de dados não rotulados em grupos com base em determinados atributos.
2. Não é fácil determinar o momento do início do treinamento excessivo, mas é muito fácil.
3. De fato, um comitê de modelos fornece (nem sempre!) o melhor resultado. Mas, no seu caso, não se trata realmente de um comitê.
Boa sorte
Infelizmente, minha crítica não se refere à qualidade literária do artigo, que é bastante normal, mas ao seu conteúdo semântico. Você não disse nada de interessante.
Você considera algum escorredor "Demark" aleatório e quer ensiná-lo a ganhar com a ajuda do NS. Essa é uma abordagem sem saída; em vez do Demark, você pode inserir qualquer indicador, e o significado não mudará. E se esse filtro específico é um bom recurso, você não explicou por que é assim. Então, tudo o que realmente é sobre ML e engenharia de recursos , é que tudo fará o otimizador Reshetov ... mmm.... bem, isso é ... isso é para um artigo de público específico, então, para "carne", mas a carne não pode nem mesmo entender como jar executar, lá você precisa apenas executar em mt e observar como o processo de drenagem ))).
Explique de forma sucinta e concisa, com imagens e fórmulas, como o otimizador de Reshetov funciona, já que o ponto principal está nele, como ele extrai chips, como ele classifica, por que ele faz isso melhor do que este ou aquele método convencional de extração de chips e classificação, com exemplos e conjuntos de dados para que todos possam ser convencidos, refinar em geral, enquanto é ruim.
E jogue fora todas as letras, especialmente sobre as comparações de Reshetov com Stradivarius, caso contrário, parecerá que você e Reshetov são uma pessoa física, de modo que nem mesmo Lecun elogia))))) Fiz o download do Reshetov's sorts, mas não consegui entender o algoritmo das fontes, o que pode levar cerca de uma semana, mas não há tempo para um algoritmo provavelmente estranho, que até mesmo conjuntos de dados de 2 dígitos, por algum motivo, não querem comer))))) Eu queria ver como ele faz a máscara particionada para distribuições bidimensionais....
Eu estava falando sobre isso no artigo, que você pode usar qualquer TS como base. Eu usei o Demark pelos motivos que descrevi no artigo (há uma janela, sinais em picos e depressões). A questão é criar um polinômio que terá uma generalização da variável de saída, e com que ajuda você fará isso, não faz diferença. O principal são os dados de entrada que devem ser o motivo do preço, já que interpretamos o trabalho de qualquer TS para o preço.
Encontrei esse recurso depois de editar o artigo. Aqui ele explica com mais clareza o trabalho do otimizador. Será muito útil para desenvolvedores de IA, o que eu não sou, observe https://sites.google.com/site/libvmr/home/theory/method-brown-robinson-resetov.
- sites.google.com
1. Um classificador pode prever 10, 100, 1.000 classes e continuará sendo um classificador. CLASTERIZAÇÃO - divisão de um conjunto de dados não rotulados em grupos com base em determinados atributos.
2. Não é fácil determinar o momento do início do treinamento excessivo, mas é muito fácil.
3. De fato, um comitê de modelos fornece (nem sempre!) o melhor resultado. Mas, no seu caso, não se trata realmente de um comitê.
Boa sorte
1. Concordo, a diferença entre um classificador e o agrupamento em um professor e sem, nesse caso.
2 - É interessante ouvir um futuro ganhador do prêmio Nobel em reaprendizagem, porque a pergunta é realmente interessante não só para mim. É por qual método? ???? E é possível detectar o grau de aprendizado excessivo?
3. O que o faz tão determinado que este não é um comitê???? como assim???? Interessante......
OK, você está insinuando que, se Reshetov é um Stradivarius, você não passa de um Mozart.
Proponho fazer isso, eu lhe darei um conjunto de dados, você aprenderá com ele e me dará um classificador treinado, não importa o frasco ou a serialização, o principal é que ele deve ser utilizável em alguns cliques, e eu o executarei em um conjunto de teste, que você não viu, se o classificador valer a pena (por exemplo, compare-o com o XGB ) .Em seguida, continuaremos a conversa sobre as criações de Reshetov, eu apenas pegarei e analisarei o código de suas fontes, de modo que será mais fácil entender do que entender o método Brown-Robinson e o vetor Shackley etc.
Publicarei os resultados com os dados e seu modelo. Por enquanto, é apenas mais uma caixa preta com publicidade simples, da qual existem dezenas de milhares, e sinto muito, mas não posso me dar ao luxo de passar uma semana analisando-a, sem provas de que não é pior do que o XGB.
Ótimo plano!!! Estou querendo experimentar isso há algum tempo. Você me envia um arquivo para treinamento, eu lhe envio um modelo, testo-o e publico os resultados. OK?
OK, você está insinuando que, se Reshetov é um Stradivarius, você não passa de um Mozart.
Proponho fazer isso, eu lhe darei um conjunto de dados, você aprenderá com ele e me dará um classificador treinado, não importa o frasco ou a serialização, o principal é que ele deve ser utilizável em alguns cliques, e eu o executarei em um conjunto de teste, que você não viu, se o classificador valer a pena (por exemplo, compare-o com o XGB ) .Em seguida, continuaremos a conversa sobre as criações de Reshetov, mas pegarei o código de seus códigos-fonte, de modo que será mais fácil entrar no assunto do que entender sobre o método Brown-Robinson e o vetor Shackley etc.
Publicarei os resultados com os dados e seu modelo. Por enquanto, é apenas mais uma caixa preta com publicidade simples, da qual existem dezenas de milhares, e sinto muito, mas não posso me dar ao luxo de passar uma semana analisando-a, sem provas de que não é pior do que o XGB.
HMM. Mozart parece orgulhoso. Entretanto, é a preparação do dado e a escolha da variável de saída que desempenham um papel IMPORTANTE. Como posso saber se suas entradas são adequadas para a descrição da saída? MAS, como se diz, é o otimizador que determinará se suas entradas correspondem ao resultado. A questão é a seguinte. Posso selecionar inputs que interpretarão bem o output no conjunto de treinamento, mas os inputs terão um desempenho ruim no OOS. Isso sugere que o input não é a causa do output. Outra coisa é que, quando a entrada é de fato um motivo para a saída, o desempenho da rede no treinamento e no OOS será o mesmo. Considere o seguinte.
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Você concorda com a política do site e com os termos de uso
Novo artigo Sequência DeMarker (TD SEQUENTIAL) com uso de inteligência artificial (IA) foi publicado:
Neste ativo, vou discutir como, "cruzando" uma estratégia muito importante e uma rede neural, é possível se envolver com sucesso na negociação. Falaremos sobre a estratégia "Sequential" de Thomas DeMarker com o uso de sistemas de inteligência artificial (IA). O trabalho será APENAS segundo a primeira parte da estratégia, utilizando os sinais "Instalação" e "Interseção".
Só quero mencionar que se pode selecionar absolutamente qualquer estratégia de negociação para a integração de inteligência artificial - até mesmo o comum cruzamento de MA. Em qualquer caso, em cada estratégia, o principal a levar em conta será momento da tomada de decisão. Na verdade, analisar cada barra é uma utopia, e, portanto, é necessário identificar em que momentos, em quais barras vamos estudar a situação do mercado. É para isso que serve a estratégia de negociação. Os métodos de análise, repito mais uma vez, podem ser absolutamente quaisquer - desde o cruzamento de MA a construções fractais -, a principal coisa neste caso será obter um sinal. No nosso caso, na "Sequential", estamos interessados na janela de pixels verdes, dentro da qual vamos determinar o comportamento do mercado e fazer uma conclusão sobre a verdade ou falsidade deste sinal.
Fig. 1. Indicador TDSEQUENTA by nikelodeon.mql5
Autor: Mihail Marchukajtes