Discussão do artigo "Redes Neurais de Maneira Fácil" - página 7

[Vitaliy Davydov]

Infelizmente, uma rede neural não é uma panaceia. No sentido de que se você alimentar a entrada com lixo, a saída será um lixo, não importa o quanto você a treine e quantas camadas você não faça.

Chamo de "lixo" todos os indicadores embutidos no terminal de negociação e todos os métodos comuns de análise mecânica, que tentam prever seu futuro com base no comportamento passado dos preços.

É por isso que a seleção correta dos sinais de entrada é a base do sucesso ao usar o NS na negociação. Até mesmo a arquitetura do NS não é tão importante quanto bons sinais de entrada (você pode me atirar pedras:) ).

P.S. Gostaria de ver um artigo sobre o uso do aprendizado por reforço.

Estou tentando seguir nessa direção, portanto, preciso de informações adicionais de pessoas experientes.

[ferox875]

Seria ótimo se alguém pudesse fazer um uso prático desse artigo

[Alejandro Funes]

Há algo errado com a função de retropropagação?

Estou criando um especialista muito simples usando essa biblioteca, mas a camada de saída sempre gera os mesmos valores... estou usando apenas duas camadas de saída.

//--- aberto
   m_Trade.SetExpertMagicNumber(symbol.magicnumber);
   
   BackPropagation(symbol);
   
   CArrayDouble *inputVals = new CArrayDouble();
   
   for(int i=0;i<inputNeurons;i++)inputVals.Add((iClose(symbol.name,PERIOD_CURRENT,i)-iClose(symbol.name,PERIOD_CURRENT,i+1))/iClose(symbol.name,PERIOD_CURRENT,i+1));
   
   symbol.Net.feedForward(inputVals);
   
   CArrayDouble *results = new CArrayDouble();
   
   symbol.Net.getResults(results);
   
   Print(results.At(0)," ",results.At(1));

//+------------------------------------------------------------------+
//||
//+------------------------------------------------------------------+
void BackPropagation(CSymbol &symbol)
{
   
   CArrayDouble *targetVals = new CArrayDouble();
     
   if(iClose(symbol.name,PERIOD_CURRENT,0)-iClose(symbol.name,PERIOD_CURRENT,1) > 0)
   {
      targetVals.Add(1);targetVals.Add(0);
   }
   else
   {
      targetVals.Add(0);targetVals.Add(1);
   }
   
   symbol.Net.backProp(targetVals);
}

Seria ótimo se alguém pudesse me dizer se estou perdendo alguma etapa do processo.

Obrigado.

[[Excluído]]

Continuava gerando vazamentos de memória. Estou trabalhando em meu próprio modelo rynna

[[Excluído]]

Vitaliy davydov :

Infelizmente, a rede neural não é uma panaceia. No sentido de que, se houver lixo em sua entrada, o lixo será recebido na saída, não importa quantas camadas não sejam treinadas ou quantas camadas não sejam treinadas.

E eu chamo de lixo todos os indicadores incorporados ao terminal de negociação e todos os métodos comuns de análise técnica que tentam prever seu futuro com base no comportamento passado dos preços.

Portanto, a seleção correta dos sinais de entrada é a base do sucesso ao usar o NS na negociação. Até mesmo a arquitetura do NS não é tão importante quanto bons sinais de entrada (você pode me criticar :)).

PS: Eu gostaria de ver um artigo sobre o uso do treinamento de reforço.

Eu mesmo estou tentando seguir nessa direção, portanto, preciso de informações adicionais de pessoas experientes.

Eu também. Mas achei que a melhor maneira de entender e criar meu próprio algoritmo de aprendizado por reforço é entender primeiro como as redes neurais aprendem.

PS: Eu crio indicadores personalizados com base na ação pura do preço e leio os resultados de meus cálculos no EA. Uma boa maneira de usar dois threads ✔✔.

[[Excluído]]

Nelson Wanyama:
Continuava gerando vazamentos de memória. Estou trabalhando em meu próprio modelo, rynna

O modelo está pronto. Veja o código-fonte e um exemplo simples de trabalho em https://www.mql5.com/en/forum/338341/page4#comment_17770620

Esse é um projeto em andamento. Talvez você queira visitar o tópico de vez em quando para obter algumas atualizações incríveis que ainda estão em desenvolvimento.

[Evgeniy Scherbina]

Dmitriy Gizlyk:

A técnica dos 5 Porquês baseia-se em perguntas sequenciais em que cada pergunta responde ao motivo da pergunta anterior. Por exemplo, analisamos um gráfico e um gráfico de preço crescente e construímos perguntas (as perguntas são respondidas de forma abstrata para explicar a técnica):
1. Onde negociar - Comprar
2. Por que comprar? - Porque é uma tendência de alta
3. Por que uma tendência de alta? - A MA50 está subindo
4. Por que a MA50 está subindo? - O preço médio de fechamento de 50 candles com um deslocamento de 1 é menor do que o preço médio de fechamento dos últimos 50 candles.

etc.
Como as perguntas são sequenciais e têm uma relação de causa e efeito, criamos camadas para seguir essa relação. Se usarmos apenas duas camadas, a relação de causa e efeito se perderá, a rede neural analisará várias opções independentes e escolherá a melhor.

Estou lendo isso e pensando: isso parece fazer sentido.

Mas não faz! Eu crio uma rede neural com uma camada e ela produz bons resultados. Acrescento uma segunda camada, e o resultado é pior.

Portanto, o número de camadas não é determinado pelo raciocínio lógico, mas pelo resultado do trabalho. Você não tem o resultado do trabalho, você não pensou se é uma estratégia, então parece que é algo com algo.

E também. Por que você acha que comprar e vender são decisões de rede neural diferentes? A compra e a venda são a mesma decisão de comprar um ativo. Caso contrário, isso é um completo absurdo. Você vai alimentar as entradas com valores negativos do oscilador para obter uma saída menor que zero e com valores positivos para obter uma saída maior que zero? Mas, na verdade, se o oscilador estiver abaixo de zero, é uma zona de sobrevenda, e você deve comprar, não vender.

Em resumo, pense no resultado e as coisas tomarão imediatamente uma direção diferente. Pobre, pobre Rosenblat...

[Dmitriy Gizlyk]

Evgeniy Scherbina:

Estou lendo isso e pensando: isso parece fazer sentido.

Mas não faz! Eu faço uma rede neural com uma camada e ela produz bons resultados. Acrescento uma segunda camada, e o resultado é pior.

Portanto, o número de camadas é determinado não pelo raciocínio lógico, mas pelo resultado do trabalho. Você não tem o resultado do trabalho, não pensou se é uma estratégia, então acha que é algo com algo.

E também. Por que você acha que comprar e vender são decisões de rede neural diferentes? A compra e a venda são a mesma decisão de comprar um ativo. Caso contrário, isso é um completo absurdo. Você vai alimentar as entradas com valores negativos do oscilador para obter uma saída menor que zero e com valores positivos para obter uma saída maior que zero? Mas, na verdade, se o oscilador estiver abaixo de zero, é uma zona de sobrevenda, e devemos comprar, não vender.

Em suma, pense no resultado e as coisas tomarão imediatamente uma direção diferente. Pobre, pobre Rosenblat...

Usando 1 neurônio, você chega à função de autocorrelação.
E falando sobre compra e venda, sim, em ambos os casos é apenas comprar ativos diferentes. E a rede neural toma a decisão de comprar um ou outro ativo com base na análise dos mesmos dados fornecidos à entrada. E a decisão é tomada com base na análise da amostra de treinamento. No decorrer do treinamento, os coeficientes de ponderação mudam, e seu sinal pode mudar para o sinal oposto.

[Aleksey Mavrin]

Aleksey Mavrin:

O método 5 é semelhante a uma árvore de decisão, e a área de pesquisa de uma solução/causa é gradualmente reduzida. Ainda assim, não está claro como isso está relacionado ao fato de que 4 camadas são usadas no NS em tal estrutura. Entendo que a estrutura seria complicada, por exemplo, a segunda camada é alimentada com a saída somada da primeira camada e o sinal de entrada inalterado, etc.

Você pode me dizer se já se baseou em algum outro trabalho que utilizou essa base para escolher o número de camadas? Ou esse é seu know-how?

s.s. O trabalho é bom, obrigado.

Você pode responder a isso?

[Dmitriy Gizlyk]

Aleksey Mavrin:

Você pode responder a isso?

Método 5 - por que dado figurativamente. O número de camadas geralmente é escolhido de forma experimental. Na literatura, é mencionado que as redes com uma camada oculta são usadas para problemas em que os objetos podem ser divididos em duas partes linearmente. Aumentar o número de camadas permite resolver problemas mais complexos.