Previsão das taxas de câmbio de moedas usando uma rede neural - página 3
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
Então, seu trabalho deve consistir em uma frase: "Prever a taxa com uma rede neural não é possível". ))) Esse é todo o trabalho do curso ))))
Por que isso é impossível? Muito possível :). Vamos levar nosso Expert Advisor favorito, com o qual ganhamos a vida (todos têm um "cavalo de batalha" assim). Encontramos ali uma regressão linear, ou algo parecido. Substituir a regressão linear por neurônica... Voilá :)
Então, seu trabalho deve consistir em uma frase: "Prever a taxa com uma rede neural não é possível". ))) Esse é todo o trabalho do curso ))))
Isso significa que você está desapontado com as redes neurais e a previsão de mercado em geral? Só de saber quantos anos você vem estudando o campo é estranho ouvir você dizer isso.
Não estudo esta direção do ponto de vista da previsão, mas do ponto de vista de encontrar padrões que possam ser usados com uma probabilidade de lucro de preferência superior a 70% em um determinado momento, ou seja, não em cada nova barra que aparece.
Você deve concordar que estas são coisas fundamentalmente diferentes.
Você não precisa fazer previsões, ou seja, continuar a linha de instrumentos no futuro em cada nova barra para lucrar.
Não estudo esta direção do ponto de vista da previsão, mas do ponto de vista de encontrar padrões que possam ser usados com uma probabilidade de lucro de preferência superior a 70% em um determinado momento, ou seja, não em cada nova barra que aparece.
Você deve concordar que estas são coisas fundamentalmente diferentes.
Você não precisa prever, ou seja, continuar a linha de instrumentos no futuro em cada nova barra para lucrar.
Mas ainda assim, no momento de entrar no mercado, esperamos que no futuro o preço mude na direção de nossa entrada, e esta é a previsão.
Isso significa que você está desapontado com as redes neurais e as previsões de mercado em geral? Só de saber quantos anos você vem estudando esta área, é muito estranho ouvir você dizer isso.
Isto significa que as redes neurais multicamadas não são adequadas para extrapolação (previsão). Eles só estão bem dentro da interpolação.
Em poucas palavras, o método é este:
Quem não acredita nisso, que tente uma tarefa simples, ou seja, ensinar um multicamadas de duas vias para uma tabela de multiplicação em números inteiros de 0 a 9. Em seguida, testar alimentando valores para interpolação, ou seja, quaisquer números reais de 0 a 9, para as entradas. Depois para extrapolação, ou seja, para garantir que pelo menos uma entrada tenha valores menores que 0 ou maiores que 9. A interpolação é feita pela grade, a extrapolação é estragada.
A razão é elementar: as saídas de neurônios sigmóides cortam todos os valores que vão além da faixa ligeiramente maior do que a faixa da amostra de treinamento. Isto é, a sigmoid tem um limite de valores na saída, que não pode ser excedido, não importa qual valor esteja na entrada. Veja o gráfico abaixo: A entrada sigmóide pode ser qualquer valor, a saída sigmóide não pode ser maior que 1 e não menor que 0, ou seja, fora da faixa de saída limitada será uma chatice.
Acontece que, por um lado, graças aos sigmóides, a velocidade de treinamento das redes multicamadas aumenta, pois sem eles os algoritmos de propagação de erros de volta perdem sua convergência. Mas, por outro lado, tais malhas se tornam interpoladores e não podem funcionar adequadamente fora dos limites da amostra de treinamento.
Ainda assim, no momento da entrada no mercado, esperamos que o preço mude na direção de nossa entrada no futuro, e esta é a previsão.
A regressão também não é adequada para interpolação? Por que construir uma grade?
A regressão também não é adequada para interpolação? Por que construir uma grade?
Tente regressão múltipla e rede neural multicamadas e compare o RMS para interpolação. Você também aprenderá que todas as ferramentas têm limites funcionais nos quais elas são mais eficazes.
A regressão também não é adequada para interpolação? Por que construir uma grade?
Uma rede neural multicamadas é um dos métodos não paramétricos de regressão não-linear. Em alguns casos, as redes neurais podem ser abandonadas em favor de métodos paramétricos lineares/lineares/não lineares.