Cтатья: Прогнозирование цен с помощью нейронных сетей - страница 9
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Vinin, вы как-то писали, что занимались НС и даже что на чемпионате ваш советник - это реализация НС. Т.е. по сравнению со мной вы - специалист. Посоветуйте что читать, чтобы разобраться в этой огромной теме. Цель - не только понять принципы действия и построения сетей, но вникнуть настолько, чтобы средствами MQL написать и саму сеть (которую я надеюсь спланировать когда разберусь в вопросе), и всю инфраструктуру, связанную с ее обучением.
Специалистом себя не считаю, но при необходимости сетку всегда могу сделать.
PraVedNiK. А может пора переходить от одного нейрона к нормальной нейронке. Это немного другое,и вообще все другое.
Перцептрон - это линия,которая разделяет 2 класса : зелёные шарики-это "Цена скорее всего пойдёт - Вверх",
красные- "Цена ...- Вниз" . Да,вот беда,существует геморройная область,где эти шарики-лошарики -
расположены вперемежку. Некоторые умники / в том числе - и на этом форуме /, начитавшись книжонок
Шумского и др.,предложат:надо переходить на многослойку,чтобы больше провести этих самых
разделительных линий...Можно так,а можно и не так,ставим фильтр в советнике DiRoLnoDoLgo:
High[1]<High[2] && Low[1]<Low[2] && iOsMA... и High[1]>High[2] && Low[1]>Low[2]&& iOsMA... ,
и он примерно 2/3 этих геморройных шишек удалит,причём - Л Е Г К О!,см.рис.:
Тогда,после этого,разделительную линию провести легче - это значит т о ч н е е.
И д е о л о г и я DiRoLnoDoLgo как раз в этом и заключается : ну хотя бы частично удалить этот
геморрой - ведь результаты проведённого форвард - анализа /за последние 5 мес./ - оказались
вполне Н Е плохими: валовый профит=+16 фигур, мат.ожидание = + 2 фигуры /почти/,прибыльность = 30.
Никогда бы не подумал, что какой-либо человек будет сомневаться в том, что нужно использовать многослойные сетки для улучшения характеристик классификации. =)
Рекомендую почитать что пишет об этом Ян ЛеКун - http://yann.lecun.com/exdb/mnist/index.html. Правда, там предметная область немного другая - распознавание символов. В общем, так или иначе, однослойные сетки показали наихудшие результаты - 8.4%. Однако! Одна из многослойных (двуслойная, с 300 нейронами скрытого слоя) показала очень даже неплохой результат - 1.6% ошибки. Т.е. при добавлении даже одного слоя сетка становится намного "мощнее".
Очень не думаю, что сокращение размеров обучающей выборки - это хороший вариант. Намного лучше добиться большей классовой разделимости. Т.е. преобразовать входные данные таким образом, чтобы не было конфликтов (напр., увеличить временной интервал видимости котировок). Помнится, в книжке от fxclub'а "Трейдинг - ваш путь к финансовой свободе" рекомендовалось подавать на сетку не только пару котировок, а несколько пар.
Да, есть ещё один минус при использовании однослойных сеток: человеку, который захочет построить эту сетку и обучить её, даже не придётся узнавать что такое BackProp и многое другое. Т.е. используя сетки древних архитектур, вероятность того, что в ближайшее время создадутся эффективные сетки новых архитектур уменьшается, что очень и очень плохо, ибо нужно как-то помочь сеттелеретике. =)
Вообщем как человек достаточно давно применяющий нейросети на финансовых рынках, могу сказать одно - главные вещи там не описаны. Я, конечно, не програмирую нейросети - занимаюсь исключительно их ПРИМЕНЕНИЕМ, что является отдельной и очень "тонкой" темой. От неё очень многое зависит. И вот именно это применение и не описано в этой статье - а это одна из главных и основных тем "применение нейросетей на финансовых рынках". От этого многое зависит.... ..... ...
Но это лично моё мнение.....
Вообщем как человек достаточно давно применяющий нейросети на финансовых рынках, могу сказать одно - главные вещи там не описаны. Я, конечно, не програмирую нейросети - занимаюсь исключительно их ПРИМЕНЕНИЕМ, что является отдельной и очень "тонкой" темой. От неё очень многое зависит. И вот именно это применение и не описано в этой статье - а это одна из главных и основных тем "применение нейросетей на финансовых рынках". От этого многое зависит.... ..... ...
Но это лично моё мнение.....
Да уж.
Как человек только немного занимающийся неросетями ( всего 12 лет) могу сказать человеку который давно занимается неросетями, что применение нейро сетей в любой задаче неотделимо от их проектирования (программирования). Основное это два постулата : исходные данные (это отдельная песня), а самое важное - алгоритм обучения. Сети могут все - главное правильно их обучить.
Никогда бы не подумал, что какой-либо человек будет сомневаться в том, что нужно использовать многослойные сетки для улучшения характеристик классификации. =)
Рекомендую почитать что пишет об этом Ян ЛеКун - http://yann.lecun.com/exdb/mnist/index.html. Правда, там предметная область немного другая - распознавание символов. В общем, так или иначе, однослойные сетки показали наихудшие результаты - 8.4%. Однако! Одна из многослойных (двуслойная, с 300 нейронами скрытого слоя) показала очень даже неплохой результат - 1.6% ошибки. Т.е. при добавлении даже одного слоя сетка становится намного "мощнее".
Именно, что это совсем другая предметная область, а потому и другой подход. Очертания символов в стандартных шрифтах неизменны, а посему есть смысл единожды обучить сеть на одном примере, например на парочке страниц, чтобы нейронка с высокой точностью распознала символы в остальных страницах книги.
Что касаемо финансовых рынков, то это другая область, где все постоянно меняется и находится в непрерывной динамике. А посему сложные многослойки здесь обламывают зубы. Утрированная аналогия в области распознавания символов, что если бы на одной странице книги символ "А" следовало бы интерпретировать как "А", а на другой, тот же самый "А" интерпретируется уже как "Б".
По этой причине один и тот же паттерн распознанный на разных участках исторических данных финансовых инструментов может интерпретироваться в торговые сигналы совершенно по разному, т.е. на одних участках его идентификация более адекватна для открытия длинных позиций и закрытия коротких, в тоже самое время, как на других участках все наоборот: открытие коротких и закрытие длинных.
смысл: ...
Никогда бы не подумал, что какой-либо человек будет сомневаться
в том, что нужно использовать многослойные сетки для улучшения
характеристик классификации. =)
Рекомендую почитать что пишет об этом Ян ЛеКун - http://yann.lecun.com/exdb/mnist/index.html. Правда, там предметная область немного другая - распознавание
символов. В общем, так или иначе, однослойные сетки показали
наихудшие результаты - 8.4%. Однако! Одна из многослойных (двуслойная,
с 300 нейронами скрытого слоя) показала очень даже неплохой результат
- 1.6% ошибки. Т.е. при добавлении даже одного слоя сетка становится
намного "мощнее".
Именно, что это совсем другая предметная область, а потому и
другой подход. Очертания символов в стандартных шрифтах неизменны,
а посему есть смысл единожды обучить сеть на одном примере,
например на парочке страниц, чтобы нейронка с высокой точностью
распознала символы в остальных страницах книги.
Или бумага одинаково белая и качественная.
Нет это также изменчивая задача, если все так как Вы пишите то и нейросети не нужны, достаточно простого сравнения.графический очертаний
смысл: ...
Никогда бы не подумал, что какой-либо человек будет сомневаться
в том, что нужно использовать многослойные сетки для улучшения
характеристик классификации. =)
Рекомендую почитать что пишет об этом Ян ЛеКун - http://yann.lecun.com/exdb/mnist/index.html. Правда, там предметная область немного другая - распознавание
символов. В общем, так или иначе, однослойные сетки показали
наихудшие результаты - 8.4%. Однако! Одна из многослойных (двуслойная,
с 300 нейронами скрытого слоя) показала очень даже неплохой результат
- 1.6% ошибки. Т.е. при добавлении даже одного слоя сетка становится
намного "мощнее".
Именно, что это совсем другая предметная область, а потому и
другой подход. Очертания символов в стандартных шрифтах неизменны,
а посему есть смысл единожды обучить сеть на одном примере,
например на парочке страниц, чтобы нейронка с высокой точностью
распознала символы в остальных страницах книги.
Или бумага одинаково белая и качественная.
Нет это также изменчивая задача, если все так как Вы пишите то и нейросети не нужны, достаточно простого сравнения.графический очертаний
2. Книгу одного издания все станки печатают одинаково. Если по разному, значит - это брак.
3. Для одного и того же издания бумага имеет один и тот же формат: например, "формат 70х100 1/16. Печать оффсетная. Усл. печ. л. 37.4". Бумага, тоже должна соответствовать стандарту. Ну и наборы шрифтов не отличаются большим разнообразием, дабы не портить зрение читателям.
Ну в общем, задачи распознавания образов для областей, где существуют стандарты, например, полиграфия и областей, где таковые отсутствуют, например, финансовые рынки, совершенно разные и вероятности ошибок в решениях, тоже отличаются соответственно.
Можно объяснить еще проще: если бы алгоритмы распознавания образов для финансовых рынков ошибались с такой же частотой, как и алгоритмы распознавания образов для печатных текстов, то ... (дальше можно не продолжать, т.к. итак все было бы ясно).