Neuroprevisão das séries financeiras (com base em um artigo) - página 9
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
No final, após a coleta de estatísticas, podemos concluir que um objetivo de treinamento de equilíbrio máximo nem sempre é uma coisa boa. Mas há uma questão um pouco diferente, como encontrar o objetivo para a NS de trabalhar bem no futuro.
Tentei diferentes variantes do meu Expert Advisor com NS, isto é, por saldo, fator de lucro, pagamento esperado, saque em moeda de depósito e saque em %. E eu olhei para o futuro, tanto antes como depois da otimização.
Parece que se otimizarmos pelo saque mínimo na moeda do depósito e depois selecionarmos este saque mínimo a partir dos resultados da otimização, ambos os forwarders serão bem sucedidos. Se o valor mínimo de drawdown é o mesmo para vários resultados de otimização, você deve escolher aquele que tem o equilíbrio máximo.
Além disso, descobriu-se que se você otimizar pelo mínimo levantamento na moeda do depósito, e depois selecionar o resultado com o fator de lucro máximo, os testes a termo também são bem sucedidos, mas os resultados já são piores do que no caso anterior.
Mas este método dá resultados apenas para uma única EA. Outros Expert Advisors com o mesmo NS, mas inputs diferentes, não têm essa característica e até agora não conseguimos descobrir para eles métodos de definir sinais de resultados de otimização para testes futuros bem sucedidos.
Tentei diferentes variantes do meu EA com NS, ou seja, por saldo, fator de lucro, pagamento esperado, saque em moeda de depósito e saque em %. E eu olhei para o futuro, tanto antes como depois da otimização.
Parece que se otimizarmos pelo saque mínimo na moeda do depósito e depois selecionarmos este saque mínimo a partir dos resultados da otimização, ambos os forwarders serão bem sucedidos. Se o valor mínimo de drawdown é o mesmo para vários resultados de otimização, você deve escolher aquele que tem o equilíbrio máximo.
Além disso, descobriu-se que se você otimizar pelo mínimo levantamento na moeda do depósito e depois selecionar o resultado com o fator de lucro máximo, os testes a termo também são bem-sucedidos, mas os resultados são piores do que no caso anterior.
Mas este método dá resultados apenas para uma EA. Outros EAs com o mesmo NS, mas com entradas diferentes, não têm tal característica e até agora não fomos capazes de identificar para eles métodos de determinação de sinais de resultados de otimização para testes futuros bem sucedidos.
O peso da rede neural requer trilhões de variações, e ha só pode dar 10-18 mil.
portanto, seria correto executar a otimização várias vezes (pelo menos cinco) no modo ha e só então escolher algo adequado.
Acontece que se você otimizar pelo saque mínimo na moeda do depósito e depois escolher este saque mínimo a partir dos resultados da otimização, então ambos os forwarders são bem sucedidos. Se o valor do drawdown mínimo for o mesmo para vários resultados de otimização, você precisa selecionar aquele que terá o equilíbrio máximo.
Além disso, descobriu-se que se você otimizar por um levantamento mínimo na moeda do depósito, e depois selecionar o resultado com o fator de lucro máximo, os testes a termo também são bem-sucedidos, mas os resultados são piores do que no caso anterior.
Mas este método dá resultados apenas para uma única EA. Outros Expert Advisors com o mesmo NS, mas inputs diferentes, não têm essa característica e até agora não conseguimos descobrir para eles métodos de definir sinais de resultados de otimização para testes futuros bem sucedidos.
E o número de negócios é controlado? NS é flexível e se apenas definirmos o drawdown mínimo como uma função alvo de treinamento, ele pode facilmente encontrar uma opção com drawdown zero. Se a arquitetura e a matemática do concreto NS permitir, pode simplesmente encontrar alguns pesos, então haverá poucos negócios (quantidade estatisticamente insignificante), mas nenhum saque... Talvez seja por isso que não funciona com outros insumos e redes?
Muitas vezes uso uma variante semelhante: critério = balanço máximo - drawdown, mas com controle obrigatório do número mínimo de negócios. Isto é, acredito que a NS deve fazer pelo menos 100 negócios por ano, e se mostrar um super resultado, mas com 99 negócios - o resultado é jogado fora automaticamente...
A ponderação da rede neural requer trilhões de opções, e ga só pode dar de 10 a 18 mil.
Portanto, a coisa certa a fazer seria executar a otimização várias vezes (pelo menos cinco) no modo ha e só então escolher algo apropriado.
Você usa um testador GA para treinar o NS? Como você fez isso e que tipo de NS são eles? Quantas "escalas" você pode "encaixar" usando esta abordagem?
Você usa o testador GA para treinar a NS? Como você fez isso e que tipo de NS são eles? Quantas "escalas" você pode "encaixar" usando esta abordagem?
Enquanto Yuri responde, eu lhe conto o que eu fiz.
Há um total de 21 pesos. As variáveis tomam valores de -1 a 1. Eu fiz a etapa de otimização das variáveis 0,05.
Não posso dar passos menores porque o número de combinações está no limite para o otimizador - 19 dígitos, eu nem conheço tais números.
Ou seja, era o limite para o otimizador, algo como 99999999999999999999999.
Meu tópico: https://www.mql5.com/ru/forum/126476
Você usa o testador GA para ensinar NS? Como você fez isso e que tipo de NS são eles? Quantos "pesos" você pode "ajustar" usando esta abordagem?
20 sinapses.
8 entradas
4 + 3 camadas ocultas
1 saída
todos os neurônios com Fa - tangente hiperbólica
===========
Existem três redes desse tipo. Os resultados de todos os três formam um comitê.
Primeiro é treinada a primeira rede. As saídas das outras duas são zero
Depois, com o primeiro ativado, o segundo é otimizado a fim de diminuir o drawdown ao mínimo, mantendo ou aumentando o lucro
então a terceira rede é conectada às duas já existentes e os pesos são ajustados como no caso anterior
E o número de negócios é controlado? NS é flexível, se simplesmente definirmos o drawdown mínimo como uma função de aprendizagem alvo, NS pode facilmente encontrar uma opção com drawdown zero.
O testador do Metatrader não produzirá nenhum drawdown porque ele calcula por equidade, não por equilíbrio. Isto é, mesmo que todos os negócios sejam lucrativos, o drawdown não será zero de qualquer forma, pois os castiçais têm sombras.
E não é desejável fazer tal ajuste para que não houvesse nenhuma perda de negócios. Tais acessórios, com exceções muito raras, falham nos testes de avanço.
A ponderação da rede neural requer trilhões de opções, e ga só pode dar de 10 a 18 mil.
Portanto, a coisa certa a fazer seria executar a otimização várias vezes (pelo menos cinco) no modo ha e só então escolher algo adequado.
Você está escolhendo a arquitetura de rede neural errada. Na verdade, a grade deve ser tal, que uma pequena mudança nas configurações (pesos e limites) dê o mesmo resultado nas saídas. Se a arquitetura da rede for superengenharia, ela precisa de um ajuste super elegante, e o resultado de tal superengenharia será um supertreinamento (ajuste).
Por exemplo, minha arquitetura é tal que 10 000 passes de GA já são redundantes, ou seja, após a otimização, resultados similares (por balanço, fator de lucro, payoff esperado e drawdown) aparecem com configurações ligeiramente diferentes. Isto permite que a grade produza resultados corretos em uma gama mais ampla de ajustes - é mais espessa.
Explicação do cargo anterior.
Vamos supor que você conseguiu treinar uma rede e é capaz de distinguir entre os padrões 3 e 6.
O objetivo da segunda e terceira redes (no meu caso) é evitar que o Expert Advisor acione quando encontrar os padrões 3 e 6.
Você não está selecionando corretamente a arquitetura da rede neural. De fato, a grade deve ser tal que uma ligeira mudança nos ajustes (pesos e limiares) dê o mesmo resultado nas saídas. Se a arquitetura da grade for ajustada, ela precisa de ajustes super finos, e o resultado de tais ajustes será o excesso de treinamento (ajuste).
Por exemplo, minha arquitetura é tal que 10 mil passes de GA já são redundantes, ou seja, após a otimização aparecem resultados similares (balanço, fator de lucro, payoff esperado e drawdown) com configurações ligeiramente diferentes. Isto permite que a grade produza resultados corretos em uma gama mais ampla de ajustes - é mais espessa.
Todos os pesquisadores de redes neurais discordam desta afirmação.
Quase todos os artigos sobre ns podem ler que quanto melhor a rede, mais neurônios ela tem, mas ao mesmo tempo ela não deve ter muitos deles.
É por isso que a maioria deles tende para redes com 2-3 camadas ocultas.