Utilização de redes neurais no comércio. - página 5
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
Embora eu não lide com redes neurais no mercado, mas pessoalmente, eu arriscaria um palpite de que a normalização linear comum seria melhor do que a normalização por unidade de variação, já que o re-treinamento da rede sobre novos dados deveria ser muito melhor, sem alterar a lacuna de dispersão potencial de novos dados, o que, naturalmente, não pode ser feito trazendo a série para um centralizado. Com tal normalização, é preciso mudar literalmente tudo na rede, até mesmo os coeficientes de ponderação, ou seja, simplesmente requalificar a rede, em vez de melhorar seus coeficientes de ponderação. Mas isso é apenas uma suposição. Ela precisa ser testada.
Embora eu não lide com redes neurais no mercado, mas pessoalmente, eu arriscaria um palpite de que a normalização linear comum seria melhor do que a normalização por unidade de variação, já que o re-treinamento da rede sobre novos dados deveria ser muito melhor, sem alterar a lacuna de dispersão potencial de novos dados, o que, naturalmente, não pode ser feito trazendo a série para um centralizado. Com tal normalização, é preciso mudar literalmente tudo na rede, até mesmo os coeficientes de ponderação, ou seja, simplesmente requalificar a rede, em vez de melhorar seus coeficientes de ponderação. Mas isso é apenas uma suposição. Ela precisa ser testada.
Eu tenho uma rede que simplesmente se retrai a cada 24 horas. Não sei se isto é um mais ou menos. Mas, contanto que isso seja divertido.
Preciso perguntar ao Prival como obter a distribuição desejada (retangular) a partir de um valor arbitrário em forma analítica.
Privalych provavelmente está dormindo agora, então vou tentar responder por ele. Eu uma vez modelei um valor normal baseado em um valor uniformemente distribuído em [0,1]. Ao mesmo tempo, tive que calcular uma função inversa da função integral gaussiana a partir de uma variável aleatória uniformemente distribuída. Assim, a fim de obter uma variável aleatória uniformemente distribuída de uma variável normalmente distribuída, teríamos que calcular uma função gaussiana integral a partir da primeira.
Por analogia, a fim de obter um valor distribuído uniformemente de um valor distribuído aleatoriamente, você deve primeiro descobrir a função de distribuição integral do primeiro e aplicá-la ao próximo. Espero não ter feito muita asneira.
Oi, Alexey.
Vamos torná-lo lento e claro (especialmente para mim).
Assim, temos distribuído exponencialmente SV do formulário Y=A*exp{-a*X} onde X é a amplitude dos dados alimentados para a entrada NS. Queremos encontrar alguma função mágica f(x), atuando sobre um número de dados de entrada X permite obter sua distribuição retangular no intervalo +/-1. Para fazer isso, você aconselha:
1. Encontre uma função que seja o inverso do gaussiano integral. Encontre o integral: Z=-A/a*exp{-a*X}, agora encontre o inverso: X=1/a*ln(-A/a/Z)
É este o f(x)=1/a*ln(-A/a/a/x) desejado?
Minha rede simplesmente se retrai a cada 24 horas. Eu não sei se isso é um mais ou um menos. Mas, até o momento, é divertido.
Presumo que não esteja no MQL ?
Eu não aceito isso em MQL ?
Eu tenho a grelha reeducada toda vez que saio do mercado, antes de entrar novamente.
Minha grade é requalificada em cada saída do mercado, antes de uma nova entrada.
Qual é a estrutura da rede, quantas entradas, quanto tempo leva para se reciclar, em MQL ou software externo?
Na MQL, algumas dezenas de linhas de código e volume de 9kB.
Grade 100/2/1, arquitetura escalonada arbitrariamente (incluindo número de camadas ocultas). Camada/s oculta com hipertangente, a saída mostra Compra/Venda (sinal). Re-aprendizagem (reaprendizagem) em cerca de 100ms.
Por mais que eu tentei, incrementar os neurônios na camada oculta não dá nenhum aumento significativo no poder computacional, mas torna o treinamento muito mais difícil. Talvez estas peculiaridades estejam relacionadas com a tarefa específica e o resultado não possa ser generalizado.
Na MQL, algumas dezenas de linhas de código e volume de 9kB.
Grade 100/2/1, arquitetura escalonada arbitrariamente (incluindo número de camadas ocultas). Camada/s oculta com hipertangente, a saída mostra Compra/Venda (sinal). Re-aprendizagem (reaprendizagem) em cerca de 100ms.
Por mais que eu tentei, incrementar os neurônios na camada oculta não dá nenhum aumento significativo no poder computacional, mas torna o treinamento muito mais difícil. Talvez estas peculiaridades estejam relacionadas com a tarefa específica e o resultado não possa ser generalizado.
O que você quer dizer com "as escalas de arquitetura arbitrariamente"? Tanto quanto eu entendo, a arquitetura é uma estrutura da rede. E o dimensionamento é o uso de alguma função de racionamento de dados. 100 entradas é um pouco demais. Ou seus 100 é algo mais?
Neutron писал(а) >>
Vamos torná-lo lento e claro (especialmente para mim).
Portanto, distribuímos exponencialmente a SV
Certo Sergey, vamos devagar e com tristeza. Primeiro, vamos lidar com os teoremas gerais. Aqui está um link. Ver os teoremas 24, 25, 26.
Nota: Th 24 trata da função de densidade da distribuição.
Mas Th 25 faz exatamente o que você quer, e se trata da função de distribuição.
Veja também, por diversão, o corolário 8 de Th 26. A terceira fórmula do corolário é exatamente o que eu estava falando quando quis obter o gaussiano do uniforme.
E para sua distribuição exponencial, basta obter sua função de distribuição (integral) de forma ordenada e aplicar Th 25.
P.S. A propósito, a última frase do Exercício 36 me divertiu ("(Nota: ninguém entende dessa maneira.)"). E eu, tolo, foi assim que consegui (Codabase tem uma biblioteca de estatuetas)...