Como você praticamente avalia a contribuição de uma contribuição "específica" para o NS? - 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
Também podemos propor a seguinte variante: para simplificar, levamos NS com três entradas.
E aplicar as 20 entradas e deixar o otimizador encontrar a melhor combinação de 3 entradas por si só, por critério, por exemplo, um avanço para um drawdown mínimo.
Algo parecido com isto.
Também podemos propor a seguinte variante: para simplificar, levamos NS com três entradas.
E aplicar as 20 entradas e deixar o otimizador encontrar a melhor combinação de 3 entradas por si só, por critério, por exemplo, um avanço para um drawdown mínimo.
Algo parecido com isto.
Não é bem sexta-feira, mas ...
Há um NS, qualquer NS, há uma entrada A={A1, A2, .... A20}. Treine o NS e obtenha um resultado satisfatório. Como praticamente avaliamos a contribuição de cada elemento de entrada A1, A2, ... A20 a este resultado?
As opções fora do topo da minha cabeça são:
1) De alguma forma, somar e calcular todos os pesos com os quais o elemento passa através da rede. Não estou muito claro como fazê-lo, teria que mergulhar na operação da rede e calcular de alguma forma alguns coeficientes, etc.
2) Tente "zerar" de alguma forma, ou por exemplo, reverter um elemento do vetor de entrada e ver como ele afeta o resultado final. Até o momento, me acomodei a isso.
Mas antes de perceber esta segunda variante, decidi pedir meu conselho. Quem poderia estar pensando sobre este assunto há mais tempo do que eu? Talvez alguém possa me aconselhar sobre algum artigo de livro útil?
Proponho escrever um indicador e executá-lo em uma janela separada.
Linhas indicadoras fariam observações cognitivas muito interessantes.
As linhas indicadoras podem ser: saídas de neurônios; saídas de neurônios após transdutores não lineares; possivelmente saídas de comitês, etc. Tudo depende apenas de seus desejos e fantasias.
Tal visibilidade ajudará a "penetrar" nesta caixa preta e entender como tudo isso acontece/trabalha lá.
Isso é certo. Todos têm uma escolha: ler livros ou desenvolver um vôo de fantasia desenfreado.
Só para que conste, este é o método descrito nos livros.
Talvez não na forma que apresentei aqui, mas essencialmente correta.
O grau de influência de cada entrada é quase impossível de estimar de forma realista .
Não sei. Em relação aos outros insumos, tudo bem. Somente os insumos precisam ser normalizados.
Assim, tomamos as saídas previstas como referência e para cada entrada para todos os padrões, calculamos o erro RMS para algum deslocamento muito pequeno de uma determinada entrada.
A aplicação de uma abordagem baseada em evidências sólidas fora de seu contexto econométrico levanta questões infantis.
Fazendo uma regressão:
Lucro = s(1) * A0 + ... s(n) * A(n)
Estimamos os coeficientes desta regressão.
Imediatamente recebemos
probabilidade de que um coeficiente específico seja igual a zero - apagar tal entrada
probabilidade de todos os coeficientes serem iguais a zero considerados em conjunto
usando elipses, obtemos coeficientes de correlação
realizar o teste para entradas redundantes
realizar um teste sobre entradas em falta
teste para a estabilidade dos valores de coeficiente (avaliar a aleatoriedade de sua mudança)
Um homem inteligente veio e deu uma resposta adulta à minha pergunta infantil) Graças a isso. Não apenas a regressão e a NS não são exatamente a mesma coisa, mas a opção proposta não é, pelo menos, mais simples. Nós estimamos, obtemos, conduzimos, conduzimos, conduzimos... E não está claro como interpretar os resultados obtidos em um sistema bastante diferente. A MACD é boa ou ruim? Um TS pode usá-lo, enquanto o outro não o faz?
Também podemos sugerir a seguinte variante: tomamos um NS com três entradas para simplificar.
Alimentamos todas as 20 entradas e deixamos o otimizador encontrar a melhor combinação de 3 entradas por critério próprio, por exemplo, uma corrida para frente para um drawdown mínimo.
Algo parecido com isto.
Eu fiz exatamente a mesma coisa, mas não peguei nenhuma entrada e criei combinações delas. Excluí entradas e algumas combinações delas e observei o resultado - o que é a mesma coisa. Ligar, desligar - qual é a diferença? Devido às especificidades da implementação, achei mais conveniente excluir.
É isso mesmo. Todos têm uma escolha: ler um livro ou desenvolver um vôo de fantasia desenfreado.
Também já perguntei sobre os livros de artigos. Ninguém sugeriu nada sobre o assunto e você também não. Vá à biblioteca de ciência e tecnologia e reze pela econometria, a única não-ciência?) Embora eu realmente não me importe com os livros, se eu os folheio no banheiro com o objetivo de educação ou cultura, eles são de muito pouco uso prático e não têm soluções prontas, porque são escritos por teóricos fundamentalistas ou por cientistas aplicados sem sucesso. E não importa o quanto você os leia, sem "imaginação desenfreada" eles não são de utilidade prática.
Não sei. Em relação aos outros insumos, tudo bem. Somente as entradas devem ser normalizadas.
Assim, tomamos as saídas previstas como referência e para cada entrada para todos os padrões, calculamos o erro RMS para algum deslocamento muito pequeno de uma determinada entrada.
A propósito, NS é também uma regressão. A mesma dependência da contagem regressiva atual em relação às contagens anteriores. Mas não é essa a questão.
O que o faa sugere é aplicável à regressão linear, e a rede neural é uma regressão não linear.
A propósito, NS é também uma regressão.