Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 48
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Há algum tempo que experimento com o RNeat, e concluí que ele não pode ser tratado da mesma forma que as redes neurais convencionais.
Obrigado por partilharem as vossas descobertas, é muito interessante...
Tomei o seu exemplo com íris e o reescrevi para caber nos meus dados e recebi um erro, o que está errado, não entendo. Eu quero saber se você tentou usar seus dados assim como a íris, qual foi o resultado em comparação com a grade normal?
Eu experimentei um pouco mais com o RNeat e cheguei à conclusão de que ele não pode ser tratado da mesma maneira que as redes neurais convencionais.
1) Ao contrário dos modelos convencionais, o treinamento RNeat não utiliza dados brutos. O modelo é uma espécie de gerado aleatoriamente, melhorado e só no final é testado em dados brutos. Tipicamente, os modelos usam dados brutos, constroem sua lógica sobre eles e depois usam a amostragem de validação para ver se a lógica do modelo está correta, ou se ele simplesmente aprendeu os exemplos brutos. Ao contrário dos outros, o RNeat não é capaz de memorizar os dados em bruto, pois não sabe nada sobre eles, tudo o que o modelo sabe são os resultados necessários e o quão próximo está deles.
2) A validação cruzada não vai ajudar a melhorar os resultados da frente. Todos nós parecemos concordar que é possível treinar um modelo normal, executar algumas validações cruzadas e, de alguma forma, lidar com os erros em todas as amostras para a pontuação final de aptidão física do modelo. Como o RNeat não conhece os dados brutos, não se importa se os dados estão em um treinamento ou em uma amostra de teste, ele ajustará sua lógica para o resultado desejado em qualquer caso. Teoricamente, ele "aprenderá" (mais precisamente, mude :) ) com todas as amostras que são usadas na função de fitness. Tudo o que você pode fazer é treinar o modelo com a precisão certa e esperar que ele não treine demais, uma abordagem bastante arriscada para forex. A validação cruzada só pode ser utilizada após o treino como uma estimativa final de um possível resultado no teste inicial, e de forma alguma utilizar esta amostra de validação dentro da função de aptidão.
Por favor me diga exatamente que você tentou substituir seus próprios dados além da íris, quais foram os resultados comparados com a rede usual?
Tenho usado dados do forex (eurusd d1 há um ano), o modelo já vem aprendendo há um dia, ele mostra sua melhor estimativa = 0,017 (quanto mais melhor, para a íris foi 0,7). Até agora nenhum resultado real, o modelo mostra 50% de erro mesmo nos dados do treinamento e eu tenho que deixá-lo aprender por mais alguns dias.
No treinamento de validação cruzada, os parâmetros são captados. Há algum parâmetro neste NS? Tem de haver.
O modelo está ficando cada vez mais complicado e está adicionando mais e mais neurônios. Há um parâmetro que define o número máximo de neurónios para limitar o seu crescimento. E um segundo parâmetro que define o número de indivíduos na genética. Normalmente, quanto mais, melhor, um limite é introduzido para poupar memória e tempo, é melhor usar o valor máximo permitido para si em vez de pegar.
O modelo, a julgar pelas descrições, tem um preço para cada neurônio e conexões entre eles, por isso procura usar o menor número possível de neurônios. Se o treinamento for bem sucedido, o modelo alcançará a precisão necessária antes de atingir o número máximo de neurônios.
Adicionei dados de forex (eurusd d1 para um ano), o modelo já está aprendendo por um dia e mostra sua melhor estimativa = 0,017 (quanto mais melhor, para Iris foi 0,7). O modelo mostra 50% de erro mesmo nos dados do treinamento e eu tenho que deixá-lo aprender por mais alguns dias.
Artigo interessante sobre a estimativa de modelos de classificação.
Eu tentei 3 métricas diferentes para estimar modelo no subconjunto de preditores: Precisão como neste artigo; modelo R^2; e apenas a média de erro do modelo média(abs(y-x)/(max(y)-min(y)), onde X é vetor de resultados de predição e Y é resultado requerido).
A precisão das funções de fitness era boa, mas eu tive um problema com poucos exemplos na amostra, a precisão sai muito escalonada. Dois modelos, semelhantes em qualidade, acabaram de dar o mesmo resultado. Mas se há muitas amostras de treinamento e validação, seria uma boa métrica. Eu não posso dizer nada sobre as demais métricas descritas no artigo.
R^2 em geral se comportou de forma estranha, poderia até ser negativo, enquanto mais de 50% dos resultados foram corretos, em geral eu não gostei.
O erro médio me assentava melhor. Passo a passo como em precisão não está presente, porque substituo na fórmula o resultado da regressão, mesmo antes de arredondar para as classes 0 ou 1. Mesmo que dois modelos dêem o mesmo resultado para as aulas, ainda posso determinar o melhor, em termos de quanto o resultado da regressão está "mais próximo" dos resultados desejados.
Há muitos palpiteiros?
Cerca de 400
Tipos aqui que sabem pelo menos um pouco sobre a análise espectral de Fourier. Preciso de ajuda.
Porque é que não está claro? Nós decompomos uma função periódica em harmónicos e obtemos um espectro.
Isso é verdade, mas a minha tarefa é diferente...
Preciso encontrar semelhanças na PA aquelas áreas que estão próximas umas das outras, a proximidade pode ser medida por correlação, métrica euclidiana, etc... De acordo com as minhas experiências compreendi que tais métricas não são adequadas para a minha tarefa penso que se adequam muito bem à procura de proximidade através da amplitude, fase, frequência... Mas como tal não se faz ideia, por isso pergunto quem sabe como e o quê, o que é correcto, o que não é, como deve ser em geral.
P.S. você pode em particular, não para fora, em princípio, a conversa não é sobre o assunto deste ramo e é pouco provável que alguém interessante
O que não está claro aí? Nós decompomos uma função periódica em harmónicos e obtemos um espectro.
Também podemos decompor um único pulso, que não é periódico de todo)