Discussão do artigo "Aplicação prática de redes neurais no trading (Parte 2). Visão computacional"
Artigo muito bom!
Gostei de lê-lo palavra por palavra (por tradução), pois também fiz um experimento semelhante de previsões de mercado baseadas em CNN com implementações do Pytorch.
Obrigado por compartilhar seu trabalho árduo! :)
Seria interessante analisar um ZigZag puro (nos momentos em que o último extremo tiver se formado, é claro).
Muitos padrões poderiam surgir. Provavelmente.
Seria interessante analisar o ZigZag puro (em momentos em que o último extremo tenha se formado, é claro).
Muitos padrões poderiam surgir. Provavelmente.
A única questão é por que a visão computacional é necessária. Um ziguezague pode ser facilmente formalizado em um "cinzel").
A única questão é por que a visão computacional é necessária aqui. Um ziguezague pode ser facilmente formalizado em "cinzéis")
Exatamente o mesmo que as barras com indicadores, que o autor considerou. Somente o ZZ é mais "limpo".
Exatamente o mesmo que as barras com indicadores que o autor considerou. Apenas o ZZ é mais "limpo".
Eu concordo. Uma brincadeira de quem não tem nada para fazer.
O objetivo não é formalizar algo em "cinzéis". O ziguezague é um indicador problemático em geral... Especificamente, fica defasado na dinâmica e não diz nada....
https://youtu.be/mcQH-OqC0Bs, https://youtu.be/XL5n4X0Jdd8
- 2021.01.27
- www.youtube.com
O objetivo não é formalizar algo em "cinzéis". O ziguezague é um indicador problemático em geral... Especificamente, fica defasado na dinâmica e não diz nada....
https://youtu.be/mcQH-OqC0Bs, https://youtu.be/XL5n4X0Jdd8
Andrey, não quero criticar ou "menosprezar" seu trabalho, pois o trabalho em si é poderoso e útil pelo próprio fato e pela oportunidade de aprender.
Mas, ainda assim, parece muito duvidoso que a utilidade prática de tal declaração de problema seja duvidosa. Afinal de contas, a essência das redes convolucionais é detectar e selecionar quaisquer entidades em dados de entrada não formalizados, formalizá-las e passá-las para uma camada totalmente conectada para classificação ou outra coisa. Bem, a saída de uma rede convolucional será principalmente entidades formalizadas, que são formalizadas nesses indicadores; a representação específica é uma questão secundária. Não entendo o que uma rede convolucional pode encontrar, exceto isso. Seu experimento pode apenas garantir isso se você comparar essa abordagem nos mesmos dados com uma rede clássica que é alimentada com dados de indicadores como entrada. Tenho certeza de que a convolução apenas levará mais tempo para aprender e os indicadores não serão melhores. Talvez eu esteja errado e haja algo além do meu entendimento, então seria interessante receber uma refutação.
Andrew, de forma alguma quero criticar ou "menosprezar" seu trabalho, o trabalho em si é poderoso e útil pelo próprio fato e pela oportunidade de aprender.
Mas ainda assim parece que a utilidade prática dessa declaração de problema é duvidosa. Afinal de contas, a essência das redes convolucionais é detectar e selecionar quaisquer entidades em dados de entrada não formalizados, formalizá-las e passá-las para uma camada totalmente conectada para classificação ou outra coisa. Bem, o resultado de uma rede convolucional será principalmente entidades formalizadas, que são formalizadas nesses indicadores; a representação específica é uma questão secundária. Não entendo o que uma rede convolucional pode encontrar, exceto isso. Seu experimento pode apenas garantir isso se você comparar essa abordagem nos mesmos dados com uma rede clássica que é alimentada com dados de indicadores como entrada. Tenho certeza de que a convolução apenas levará mais tempo para aprender e os indicadores não serão melhores. Talvez eu esteja errado e haja algo além de minha compreensão, então seria interessante receber uma refutação.
Concordo totalmente com isso e já comparei. Mas a tarefa desse experimento foi bem diferente: dispensar a representação numérica dos indicadores usados. Mencionei isso na introdução do artigo. A propósito, você pode fazer tudo sem indicadores.... E os resultados também serão positivos. Agora estou preparando-o para ser lançado no trabalho real. Vamos ver o que ele mostrará na prática.....
Concordo plenamente com isso e o comparei. Mas a tarefa desse experimento foi bem diferente: dispensar a representação numérica dos indicadores usados. Mencionei isso na introdução do artigo. A propósito, você pode dispensar os indicadores.... E os resultados também serão positivos. Agora estou preparando-o para ser lançado no trabalho real. Vamos ver o que ele mostrará na prática.....
Entendo, mas, ao mesmo tempo, observo que essa abordagem se encaixa na chamada "universalização dos sistemas de IA", ou seja, quando as mesmas soluções = arquiteturas são usadas para resolver problemas diferentes.
Acredito que ela também permite se livrar parcialmente do processo de pré-processamento de dados. Eu alimento a fonte primária na forma bruta para a "rede", e ela a digerirá como deve, a normalizará etc.
Obrigado pela resposta. Sucesso em seu trabalho :)
- 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 Aplicação prática de redes neurais no trading (Parte 2). Visão computacional foi publicado:
O uso da visão computacional permite treinar redes neurais, usando uma representação visual do gráfico de preços e indicadores. Este método nos permite operar mais livremente com todo o conjunto de indicadores técnicos, uma vez que não requer feed digital para a rede neural.
Antes de preparar uma matriz de imagens, precisamos decidir o que queremos de nossa rede neural. O ideal seria treinar a rede com base nos pivôs, e com base nessa informação, pegar as imagens usadas para desenhar a barra extrema. Visto que, como se viu, este experimento não tem valor aplicado, nos concentraremos em outro conjunto de imagens. Embora, após ler este artigo, no futuro você possa experimentar essa matriz. Isso também poderá ser útil para garantir que as redes neurais tenham um bom desempenho ao classificar usando imagens completas. Mas as respostas da rede obtidas numa série de tempo contínua requerem otimização adicional.
Não complicaremos nosso experimento e nos concentraremos em duas categorias de imagens:
Como podemos ver para treinamento de rede, definiremos o movimento em qualquer direção como o preço que atinge novos valores extremos sequenciais na direção da tendência e, neste momento, tiraremos um instantâneo do gráfico. O momento de reversão da tendência também é importante para o aprendizado de rede. Também tiraremos um instantâneo do gráfico quando o preço atingir a máxima ou mínima diária.
Autor: Andrey Dibrov