Utilização de redes neurais no comércio. - página 4
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
Penso que decorre de seu cargo que a normalização depende mais dos dados do que da tarefa em mãos.
Sobre a segunda parte: você considera o MA incremental e as séries incrementais?
E em geral, você quer dizer que a rede treinada deve ser insensível aos dados de entrada (a cada entrada individual), ou apenas mudar os dados de entrada e a rede ainda deve fazer previsões?
Sim, a dependência da distribuição de dados afeta a velocidade e a qualidade do aprendizado. Ou seja, a normalização afeta essencialmente a velocidade e a qualidade, respectivamente. Sobre a segunda parte, não, é claro, você não pode enfiar dados completamente diferentes em uma rede neural treinada sobre os mesmos dados, mas apenas o mesmo, descrevendo a distribuição com precisão suficiente. A distribuição, o tipo de dados deve permanecer sempre a mesma. Mas se você treinar uma rede com um tipo de dados descrevendo exatamente o processo, e obtiver resultados muito diferentes usando outros dados na nova rede treinada descrevendo o processo da mesma forma exata, então isto significa que você provavelmente colocou a pergunta errada à rede neural. Os dados devem, em primeiro lugar, descrever completamente o processo e, em segundo lugar, reduzir tal erro de generalização que é adequado em termos de exigir que a rede generalize qualitativamente. Tudo isso acontece literalmente em um nível intuitivo. É inútil pegar um tipo de dado se o processo for completamente descrito, mas é caro fazer a pergunta certa sobre a rede.
Uma ou duas palavras sobre pré-processamento.
Exemplo de fonte: A saída está correlacionada com a entrada (a correlação mais significativa). corr=0,64.
No gráfico: Coordenada X - dados de entrada. Y - Saída necessária
Remover a relação linear. Você não precisa de uma rede para encontrar a dependência linear e, além disso, piorará os resultados da rede neural.
Este é o aspecto dos dados relacionados à decoração.
Você também pode ver pelo primeiro gráfico que a densidade dos pontos de dados está concentrada no centro, e esparsa ao longo das bordas.
Assim, os pontos concentrados no centro darão o principal estímulo ao treinamento da rede, ou melhor, a importância de seu erro excederá a importância do erro dos dados nas bordas. A rede encontrará primeiro a expectativa de amostragem, que está apenas no centro, e depois distribuirá em torno dela observando a condição de erro mínimo.
Portanto, a função de distribuição de freqüência é equalizada, ela nivela a importância do erro e a rede tem um incentivo definido para alcançar o menor erro no centro de distribuição, bem como nas bordas da distribuição de dados.
Com a função sigmoidal, os dados de entrada e saída são distribuídos de forma quase uniforme.
É assim que os dados transformados se parecem. É sobre esses dados que a rede aprende.
Portanto, a nuvem de dados é distribuída uniformemente. Mas vale dizer que existem algumas nuances que não permitem chamar esse pré-processamento de ótimo para a rede.
Também vale a pena notar que todas as conversões são reversíveis e não introduzem imprecisões.
Todos os métodos (em princípio) têm sido discutidos neste tópico.
Função de distribuição de dados após a conversão com uma função sigmoidal, os dados de entrada e saída são distribuídos quase que uniformemente.
StatBars, este procedimento é automatizado, ou você tem que fazê-lo manualmente - para ajustar os coeficientes da função sigmóide?
StatBars, este procedimento é automatizado, ou você tem que fazê-lo manualmente - ajustar os coeficientes da função sigmóide?
Os coeficientes têm de ser ajustados, até agora. Mas eu planejo automatizar... A idéia é que se a função de aproximação for selecionada corretamente, será um retângulo.
Eu automatizei o alinhamento apenas com a função de distribuição de área, mas há tantos momentos "escorregadios" que tive de renunciar a ele...
Sim - eu tenho a mesma coisa.
Preciso perguntar ao Prival como obter a distribuição desejada (retangular) de uma distribuição arbitrária em forma analítica.
E, por que você usa sigmóide como FA e não tangente hiperbólica? As vantagens são óbvias...
E por que você está usando o sigmóide como uma FA em vez de uma tangente hiperbólica? As vantagens são óbvias...
E as vantagens poderiam ser mais detalhadas.
Sim, um neurônio sendo ativado por uma função simétrica aprende duas vezes mais rápido. Além disso, no processo de aprendizagem, alguns dos pesos levam valores próximos a zero, ou seja, o número efetivo de sinapses "funcionais" do neurônio com FA sigmoidal é sempre menor do que o de hiperbólico. Isto não é bom, porque ainda é preciso arrastar sinapses "mortas" para frente e para trás.
Apenas uma simples conversão permite obter um valor de -1 a 1 em sigmóide também. Não há nada de complicado nisso.
Sim, quem pode argumentar com isso?
É só que é uma questão de "calças vestidas, calças despidas".
Sim - eu tenho a mesma coisa.
Preciso perguntar ao Prival como obter a distribuição desejada (retangular) de uma distribuição arbitrária em forma analítica.
E, por que você usa sigmóide como FA e não tangente hiperbólica? As vantagens estão na superfície, afinal de contas...
Eu uso apenas a tangente hiperbólica.