Discussão do artigo "Ciência de Dados e Aprendizado de Máquina — Redes Neurais (Parte 01): Entendendo as Redes Neurais Feed Forward"
Hi,
Muito bom seu artigo. Bom trabalho!
Tenho lido sobre rede neural, mas até agora ainda não descobri quais são as vantagens ou diferenças da rede neural quando comparada ao próprio sistema de otimização do MT5.
Por exemplo: Se eu tiver alguma estratégia usando MACD e ATR, posso "treiná-la" para descobrir os melhores parâmetros no sistema de otimização do MT5. E também posso incluir um sistema de pesos nos indicadores ou em outros dados.
Ambos buscarão os melhores parâmetros ou "pesos" no passado para aplicar no futuro.
Talvez eu esteja errado e não tenha entendido toda a ideia.
Você poderia explicá-la? Ou dar alguns exemplos?
- www.mql5.com
A diferença entre a otimização no testador de estratégias e a otimização dos parâmetros da rede neural é o objetivo. No testador de estratégias, tendemos a nos concentrar nos parâmetros que fornecem os resultados mais lucrativos ou, pelo menos, os resultados de negociação que desejamos, o que não significa necessariamente que a rede neural tenha um bom modelo que tenha levado a esse tipo de resultado.
Algumas pessoas preferem colocar os pesos e o viés como parâmetros de entrada dos sistemas baseados em redes neurais(Feed forward, grosso modo), mas acho que otimizar usando o testador de estratégia é basicamente encontrar os valores aleatórios dos melhores resultados(encontrar os ótimos parece depender da sorte), ao passo que, se otimizarmos usando a descida do gradiente estocástico, estaremos nos movendo em direção ao modelo com menos erros nas previsões em cada etapa.
A diferença entre a otimização no testador de estratégia e a otimização dos parâmetros da rede neural é a meta. No testador de estratégia, tendemos a nos concentrar nos parâmetros que fornecem os resultados mais lucrativos ou, pelo menos, os resultados de negociação que desejamos.
Algumas pessoas preferem colocar os pesos e o viés como parâmetros de entrada dos sistemas baseados em redes neurais(Feed forward, grosso modo), mas acho que otimizar usando o testador de estratégia é basicamente encontrar os valores aleatórios dos melhores resultados(encontrar os ótimos parece depender da sorte), ao passo que, se otimizarmos usando a descida do gradiente estocástico, estaremos nos movendo em direção ao modelo com menos erros nas previsões em cada etapa.
Obrigado por sua resposta.
Entendi seu ponto de vista.
Por que você começou da primeira parte?
artigo antigo:
CIÊNCIA DE DADOS E APRENDIZADO DE MÁQUINA (PARTE 01): REGRESSÃO LINEAR
- www.mql5.com
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Você concorda com a política do site e com os termos de uso
Novo artigo Ciência de Dados e Aprendizado de Máquina — Redes Neurais (Parte 01): Entendendo as Redes Neurais Feed Forward foi publicado:
Muitas pessoas as amam, mas apenas alguns entendem todas as operações por trás das Redes Neurais. Neste artigo, eu tentarei explicar tudo o que acontece por trás dos bastidores de um perceptron multicamadas feed-forward de maneira simples.
A função Tangente Hiperbólica.
É dado pela fórmula:
Seu gráfico se parece com o abaixo:
Autor: Omega J Msigwa