Discussão do artigo "Redes Neurais Simples e Econômica - Conecte o NeuroPro com o MetaTrader 5"
Gostaria de aproveitar esta oportunidade para chamar a atenção para meu artigo que descreve florestas aleatórias. A questão é que o artigo usa o pacote Rattle, que não tem apenas florestas aleatórias, mas também vários modelos, inclusive redes neurais. E o pacote oferece a possibilidade de comparar diferentes modelos entre si, o que é uma vantagem indiscutível à luz deste artigo.
Não conheço redes neurais, portanto não posso comparar as redes no Rattle e no artigo. Mas, com a ajuda do Ratte, será possível fundamentar a escolha de um modelo específico e, se for uma rede neural, mudar para um pacote especializado.
O artigo é ótimo, obrigado .
mas transformar fórmulas por meio do bloco de notas está além do bem e do mal ))))
Alguém mais está trabalhando com redes neurais nesse nível?
Com uma variedade tão grande de ferramentas avançadas disponíveis.
Estou pasmo. Isso me faz lembrar dos anos 90.
Alguém mais está trabalhando com redes neurais nesse nível?
Com uma variedade tão grande de ferramentas avançadas disponíveis.
Estou atônito. Estou me lembrando dos anos 90.
Alguém mais está trabalhando com redes neurais nesse nível?
Com uma variedade tão grande de ferramentas avançadas disponíveis.
Estou atônito. Isso me traz lembranças dos anos 90.
O neurônio e o axônio como tal sofreram alguma mudança devido ao desenvolvimento de "ferramentas avançadas"?
G permaneceu o mesmo. Ou suas células nervosas percebem os sinais de estímulo de forma diferente?
Tenho uma pergunta: e se aplicarmos essa abordagem não a um símbolo, mas a três símbolos correlacionados(EURUSD, USDJPY, EURJPY)?
Os dados de todos eles devem ser carregados e processados simultaneamente... Gostaria de saber quais serão os resultados... Com certeza vou testá-lo.
O que significa? O que você quer dizer com "avançado avançado"? Que tal um classificador de gatos do Google?
"Desenvolvido avançado" pode ser visto de duas perspectivas:
1. desenvolvimento do próprio NS (não posso dizer nada).
2. desenvolvimento de outros algoritmos de aprendizado de máquina.
Sobre a segunda pergunta.
Pegando meu artigo. Rattle, que inclui 6 algoritmos qualitativamente diferentes. Pego o arquivo anexado ao artigo. Removo as variáveis zz35 e zz75. Ajusto quatro modelos: ada (modelo de ganho), floresta aleatória, máquina de vetor de suporte SVM e rede neural do pacote nnet. Aqui está o resultado do erro de previsão de tendência identificado a partir do ZZ.
ada = 18,69%
floresta randômica = 16,77%
SVM= 16,92%
rede neural = 24,37%
PS.
A estrutura caret para algoritmos de aprendizado de máquina inclui mais de 140(!) modelos diferentes.
O "desenvolvimento avançado" pode ser visto de dois lados:
1. desenvolvimento do NS propriamente dito (não posso dizer nada)
2. desenvolvimento de outros algoritmos de aprendizado de máquina.
Sobre a segunda pergunta.
Veja meu artigo. Rattle, que inclui 6 algoritmos qualitativamente diferentes. Pego o arquivo anexado ao artigo. Removo as variáveis zz35 e zz75. Ajusto quatro modelos: ada (modelo de ganho), floresta aleatória, máquina de vetor de suporte SVM e rede neural do pacote nnet. Aqui está o resultado do erro de previsão de tendência identificado a partir do ZZ.
ada = 18,69%
floresta randômica = 16,77%
SVM= 16,92%
rede neural = 24,37%
PS.
O shell caret para algoritmos de aprendizado de máquina inclui mais de 140(!) modelos diferentes.
=========================================================================
Resposta ponto a ponto
1) As redes neurais de segunda geração atingiram seu limite de recursos há cerca de dez anos e, aos poucos, foram saindo de cena. A terceira geração de redes neurais, as chamadas "redes neurais profundas", que surgiram e se difundiram em muitas aplicações práticas, apresentam resultados muito bons e não têm a principal desvantagem das redes neurais "superficiais". Você pode se aprofundar nessa direção.
2. qualquer variante de árvores ou florestas oferece melhores resultados do que qualquer rede neural (ou seu conjunto).
3. bons resultados são obtidos com o uso de conjuntos híbridos (bagging). Isso ocorre quando diferentes modelos trabalham simultaneamente em um conjunto.
4. Com relação ao artigo que você escreveu no blog, em que 140 modelos de classificação são comparados. Li uma análise do desenvolvedor do pacote caret sobre esse artigo. Se for interessante, encontrarei o link. De acordo com sua experiência, os melhores resultados são obtidos com bousting e bagging. De acordo com minha experiência, os melhores modelos são o "ada", do pacote de mesmo nome, e o RFnear, do pacote "CORELearn". A propósito, esse último é muito rápido. E o SVM não se mostrou absolutamente bom, bem, exceto por um treinamento muito longo.
Tudo depende da escolha, da preparação dos dados de entrada e dos dados de saída correspondentes. Aqui está o principal campo de pesquisa.
Há alguns anos, publiquei no fórum os resultados comparativos da rede neural e da RF. A RF está inequivocamente em primeiro lugar. Além disso, agora que a própria direção da RF se expandiu e se ramificou, há muito o que escolher. Não vejo a necessidade de fazer isso agora. Deve-se dizer que há aplicativos nos quais as redes neurais apresentam resultados decentes, por exemplo, em regressão. Mas eu só lido com classificação, e as redes neurais não são fortes nessa área.
Talvez meu artigo sobre esse assunto seja finalmente publicado, e discutiremos o assunto lá.
Boa sorte
SanSanych
Aqui está o link para o artigo sobre o qual eu estava falando. http://appliedpredictivemodeling.com/blog/2014/11/11/some-thoughts-on-do-we-need-hundreds-of-classifiers-to-solve-real-world-classification-problems
Também no artigo há um link para um artigo anterior de David Hand sobre um assunto que você e eu já discutimos antes - resultados ruins após o treinamento com dados reais. São reflexões muito interessantes. Talvez você possa fazer uma tradução resumida?
Pesquisando nos arquivos, encontrei outro artigo sobre o tema da comparação de diferentes algoritmos de aprendizado de máquina.
http://www.cs.cornell.edu/~caruana/ctp/ct.papers/caruana.icml06.pdf
Boa sorte
- 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 Redes Neurais Simples e Econômica - Conecte o NeuroPro com o MetaTrader 5 foi publicado:
Se os programas de redes neurais específicos para negociação parecem ser caros e complexos ou, pelo contrário, muito simples, tente o NeuroPro. Ele é gratuito e contém o melhor conjunto de funcionalidades para amadores. Este artigo irá dizer-lhe como usá-lo em conjunto com o MetaTrader 5.
O programa NeuroPro foi escrito em um dos institutos russos em 1998, sendo ainda relevante nos dias de hoje.
Ele é executado de forma eficiente no Windows XP, Vista e Windows 7. Eu não posso dizer como ele funciona nas versões mais novas do Windows, já que eu não testei nelas.
A versão 0.25 é gratuita e pode ser encontrada em muitos sites pela Internet. O NeuroPro pode criar redes neurais em multi camadas com a função de ativação do tipo sigmóide. Se você só começou a aprender as redes neurais agora, você não precisará de mais recursos nesta fase. Deve-se ter em mente que a interface do NeuroPro está em russo e não foi traduzido para outros idiomas.
Uma rede neural pode ser treinada em um array de dados e, em seguida, testada em outro. Isto é uma característica essencial para os traders, pois ela permite compreender rapidamente se a estrutura da rede selecionada está propensa a overfitting e se ele pode negociar de forma consistente fora dos dados históricos, ou seja, em uma conta real.
Aqueles que gostam de ir mais a fundo, têm a oportunidade de ver os pesos da rede neural, bem como quais são as entradas de rede que mais influenciam no resultado das operações de rede. Os iniciantes não precisam disso, podendo pular esta parte do programa. Esta informação é útil para os traders experientes que procuram o Santo Graal, pois isto lhe permite assumir qual padrão foi identificado pela rede neural e ver onde eles podem continuar a sua pesquisa.
Fora disso, não há recursos significativos no NeuroPro, exceto as várias configurações e utilitários úteis, como o minimizador da estrutura da rede. Essas seções de menu não são de uso obrigatórios, assim, os novatos não precisam complicar as coisas, podendo usar somente as configurações padrão.
Do ponto de vista de um trader, o NeuroPro tem apenas uma desvantagem - a ausência de integração com o MetaTrader 5. Na verdade, este artigo é dedicado principalmente no carregamento dos dados do mercado e indicador do MetaTrader 5 para o NeuroPro e depois transformar a rede neural recebida em um Expert em MQL5.
Avançando o tema, eu posso dizer que a rede neural que nós vamos criar com o NeuroPro será convertido com todos os pesos do neurônio em um script em MQL5 (ao contrário do sistema de incluir DLL´s como em qualquer outro programa de rede neural). Isso vai garantir um trabalho rápido e o uso mínimo de recursos do computador. Isso é uma clara vantagem de usar NeuroPro. Ele pode ser usado para a criação de quaisquer estratégias de negociação, até mesmo de escalpelamento com a exigência de que o Expert tome decisões quase que instantaneamente.
Estratégia de Negociação
Neste artigo não vamos considerar escalpelamento porque o processo de criação, treinamento e teste de Experts de escalpelamento possuem um monte de peculiaridades e vai além deste artigo.
Para fins educacionais vamos criar um Expert simples para o tempo gráfico H1, pelo popular par de moeda EURUSD. Então, vamos deixar nosso Expert analisar as últimas 24 barras, ou seja, o comportamento de mercado no último dia, prever a direção do movimento dos preços na hora seguinte e, em seguida, negociar com base nessa informação.
Fig. 22. Gráfico do saldo após o Expert Advisor ser testado no MetaTester
Autor: Andrew