Discussão do artigo "Gás neural em desenvolvimento: Implementação em MQL5"

Novo comentário
 

Novo artigo Gás neural em desenvolvimento: Implementação em MQL5 foi publicado:

Este artigo mostra um exemplo de como desenvolver um programa MQL5 implementando o algorítimo adaptável de fazer o cluster chamado gás neural em desenvolvimento (GNG). O artigo é destinado para usuários que tenham estudado a documentação de linguagem e têm determinadas habilidades de programação e conhecimento básico na área de neuroinformática.


Autor: Алексей

 

Parece legal :)

Mas ainda não descobri o que é e como usá-lo :)

 
mrProF:

Parece legal :)

Mas o que ele é e como usá-lo, precisamos descobrir mais :)

ele pode ser usado como a primeira camada oculta - para redução de dimensionalidade ou agrupamento em si, pode ser usado em redes probabilísticas e muitas outras opções.
 
alsu:
pode ser usado como a primeira camada oculta - para redução de dimensionalidade ou agrupamento em si, pode ser usado em redes probabilísticas e muitas outras opções.

Obrigado pelo material!

Tentarei aprendê-lo em meu tempo livre :)

 

Obrigado pelo novo artigo sobre um método de rede interessante. Se você analisar a literatura, verá que há dezenas, se não centenas deles. Mas o problema para os operadores não está na falta de ferramentas, mas em usá-las corretamente. O artigo seria ainda mais interessante se contivesse um exemplo de uso desse método em um Expert Advisor.

 
gpwr:

Obrigado pelo novo artigo sobre um método de rede interessante. Se você analisar a literatura, verá que há dezenas, se não centenas deles. Mas o problema para os operadores não está na falta de ferramentas, mas em usá-las corretamente. O artigo seria ainda mais interessante se contivesse um exemplo de uso desse método em um Expert Advisor.

Concordo, que seja um Expert Advisor, um indicador ou um script, mas seria possível ver não apenas como os dados são transformados por meio do NS, mas também o início e as consequências do que está acontecendo, ou seja, como o NS classificando os padrões stoch dá possíveis desenvolvimentos do futuro indicador, por exemplo.....
 

1. O artigo é bom. Ele é apresentado de forma acessível e o código não é complicado.

2. As desvantagens do artigo incluem o fato de que nada é dito sobre os dados de entrada da rede. Você poderia ter escrito algumas palavras sobre o que é a entrada - vetor de cotações para o período/dados do indicador, vetor de desvios de preço, cotações normalizadas ou outra coisa. Para o uso prático do algoritmo, a questão dos dados de entrada e sua preparação são fundamentais. Recomendo usar um vetor de alterações de preços relativos para esses algoritmos: x[i]=preço[i+1]-preço[i].

Além disso, de antemão, o vetor de entrada pode ser normalizado (x_normal[i]=x[i]/M), para o qual o desvio máximo do preço para o período em consideração pode ser usado como M (aqui e abaixo, para fins de brevidade, não escrevo declarações de variáveis): 

M=x[ArrayMaximum(x)]-x[ArrayMinimum(x)];

Nesse caso, todos os vetores de entrada ficarão em um hipercubo unitário com lado [-0,5,0,5], o que aumentará significativamente a qualidade do agrupamento. Você também pode usar o desvio normal padrão ou qualquer outra variável de média sobre os desvios relativos das cotações durante o período como M.

3. O documento sugere usar o quadrado da norma da diferença como a distância entre o vetor de pesos do neurônio e o vetor de entrada: 

for(i=0, sum=0; i<m; i++, sum+=Pow(x[i]-w[i],2));

Em minha opinião, essa função de distância não é eficaz nessa tarefa de agrupamento. Mais eficaz é a função que calcula o produto escalar ou o produto escalar normalizado, ou seja, o cosseno do ângulo entre o vetor de peso e o vetor de entrada: 

for(i=0, norma_x=0, norma_w=0; i<m; i++, norma_x+=x[i]*x[i], norma_w+=w[i]*w[i]);
norma_x=sqrt(norma_x); norma_w=sqrt(norma_w); 
for(i=0, sum=0; i<m; i++, sum+=x[i]*w[i]);
if(norma_x*norma_w!=0) sum=sum/(norma_x*norma_w);

Assim, em cada cluster serão agrupados vetores semelhantes entre si pelas direções das oscilações, mas não pela magnitude dessas oscilações, o que reduzirá significativamente a dimensionalidade do problema a ser resolvido e aumentará as características das distribuições de pesos da rede neural treinada.

4.Foi observado corretamente que é necessário definir um critério de parada para o treinamento da rede. O critério de parada deve determinar o número necessário de clusters da rede treinada. E ele (o número), por sua vez, depende do problema geral a ser resolvido. Se a tarefa for prever uma série temporal para 1-2 amostras à frente e, para isso, por exemplo, for usado um perseptron multicamadas, o número de clusters não deve ser muito diferente do número de neurônios da camada de entrada do perseptron.

Rede neural híbrida

Em geral, o número de barras no histórico não excede 5.300.000 no gráfico de minutos mais detalhado (10 anos*365 dias*24 horas*60 minutos). No gráfico horário, são 87.000 barras. Ou seja, a criação de um classificador com o número de clusters superior a 10000-20000 não se justifica devido ao efeito de "overtraining", quando cada vetor de cotações tem seu próprio cluster separado.

Peço desculpas por possíveis erros.

 

1. Obrigado, fiz o melhor que pude por você:)

2. Sim, eu concordo. Mas ainda assim os insumos - esse é um grande problema separado, sobre o qual você pode escrever dezenas de artigos.

3 - E aqui eu discordo completamente. No caso de entradas normalizadas, a comparação de produtos escalares é equivalente à comparação de normas euclidianas - expanda as fórmulas.

4. Já que o número máximo de clusters já é um dos parâmetros do algoritmo.

max_nodes

Eu procederia, por exemplo, da seguinte forma: meça o erro do vencedor nas últimas N etapas e avalie sua dinâmica de alguma forma (por exemplo, meça a inclinação da linha de regressão). Se o erro ainda estiver diminuindo e os dados de treinamento já tiverem se esgotado, vale a pena considerar a suavização deles para suprimir o ruído ou, de alguma forma, eliminar o déficit de exemplos.

 

3. não entendo onde está a equivalência das fórmulas. A fórmula para o cosseno do ângulo entre os vetores(x,w)/ (|x|||w|) é "não muito" semelhante a |x-w|^2. A normalização das entradas não altera as diferenças fundamentais entre essas medidas:

 

A equivalência é que o máximo da distância sempre corresponde ao mínimo do produto escalar e vice-versa. A relação no caso de vetores normalizados é mutuamente inequívoca e monotônica, de modo que não importa se é preciso calcular o quadrado da distância ou o ângulo.

 

Oi Alex,

Obrigado pela explicação clara sobre o assunto.

Seria possível compartilhar algum código prático para a reconstrução do preço futuro, por exemplo, a partir de sinais ótimos.

A ideia é:

1. Entrada (fonte): várias moedas (18)

2. Destino: Sinal ideal da moeda que gostaríamos de prever (figura: 2. Optimal_Signals)

3. Encontrar uma neuroconexão entre Source e Destination e explodi-la na negociação.


2. Optimal_Singnals


Outra pergunta sobre a reconstrução de NN:

É possível, em vez de amostras aleatórias, usar nossas amostras, como na figura 2:

Nosso cérebro pode reconstruir a imagem em menos de um segundo, vamos ver quanto tempo leva para a NN fazer o mesmo, apenas uma brincadeira, não é um desafio.

NN_Man


As amostras geradas aleatoriamente não são muito interessantes de se ver, pois não há nenhum significado por trás delas ou seu uso; no entanto, se pudermos desenhar nós mesmos os pontos com algum significado por trás deles, será muito mais divertido :-0).

GNG-1

12
Novo comentário