Практические алгоритмы архитектур нейросетей
Все что пока есть это доделанный код из статьи Сергеева. Перелопатил все что смог нарыть по вариациям сетей Кохонена - теперь пишу свой слой на основе библиотечек с сайта Teuvo хочу классифицировать полный временной ряд данных на двумерной карте, с подачей на 2-3 слойный перцептрон с bp и всё как везде. Качественной информации ко сеткам крайне мало, и если есть то все как клоны. Может кто предложит способ отображения (для классификации) пятимерного вектора на двумерном поле Кохонена ? Сам могу для начинающих сделать статью с подробным разъяснением метода обучения градиентным спуска и в частности обратного распространения ошибки, карты Кохонена более подробно, немного по нечеткой логике, етс. Здесь же все тяготеют к регрессионному типу анализа, т.е. эстерполяцией данных .. считаю это бредом.
А вот кое-кто на форуме утверждает, что это аппроксиматор. Во. По-русски -- усреднятель.
это не просто усреднятель, а подгонятельный усреднятель... :)
я только приведу цитату человека, который в НС разбирается лучше меня... а умники которые не понимают сути прогнозирования пусть дальше херней страдают...
Нейросети - удобный способ "незаметного" решения сложных многомерных уравнений.
Суть нейросетей - уловить экстремум искомой сложной функции. Чаще всего - локальный. Иногда и редко - глобальный. В эффективном поиске глобального помогают генетические алгоритмы.
Другими словами, нейросеть - хороший аппроксиматор некой "очень сложной" функции, скорее даже определенного сочетания нескольких относительно простых функций.
Больше ничего нейросеть не умеет. Да и не должна. Это просто разновидность математического представления информации.
Яркий пример - распознавание изображений. Любое изображение суть набор паттернов. Каждый паттерн - может быть описан неким функционалом. Хорошая нейросеть эти вещи определяет и может найти подобие в других изображениях.
То же самое обстоит и с распознаванием речи.
То же самое обстоит и с прогнозированием - что есть суть экстраполяция аппроксимированной функции.
Немного иной механизм у сетей-классификаторов чего-либо по признакам. Но суть та же.
Интересный способ применения подобных классификаторов - в определении "веса" какого-либо признака.
То етсь нейросеть настраивается, обучается на какой-то паттерн, а потом мы смотрим - что именно в нем является наиболее определяющим и влияющим свойством.
Для трейдинга можно взять и "аппроксимировать" сотню индикаторов на относительно небольшом участке рынка. Это как бы "впечатает" ТЕКУЩИЙ образ участка рынка в нейросеть. (Поэтому для трендов и флетов используются разные сети).
Дальше идем от обратного - можно расклассифицировать индюки по степени "влияния" на рынок. Это нейросеть может.
Можно попробовать экстраполировать значения индюков на пару баров вперед. Это сработает на одном типе рынка и не сработает на другом (тренд-флет).
Можно так же попробовать обучить сеть на паттерн. За счет определенного "порога" ошибки - такой паттерн будет распознаваться хорошо в условиях "некоторой отличимости" паттернов друг от друга.
Японы сделали определенный тип сетей, которые распознают даже масштабированные паттерны, которые могут быть даже повернуты на некоторый градус как в 2-ух, так и в 3-х мерной плоскости. У них это юзалось для распознавания форм черепа.
У нас может - для поиска паттернов на всех ТФ.
В общем - поле тут уже перепаханное. Но чаще всего есть или понимание сетей без понимания рынка и когда их надо применять. Либо наоборот - понимание рынка без понимания сетей (или вера в их "божествееную всесильность").
...
Программер нейросетей должен быть хорошим трейдером, понимающим СУТЬ рынка. Поэтому мало кто серьезно и успешно занимается применением сетей на рынке.
Это очень сложно - быть мастером в двух абсолютно разных областях. И поняв рынок, выработать систему игры...
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Вы принимаете политику сайта и условия использования
Предлагаю здесь организовать обмен опытом и предложениями по практическому конструированию нейросетей.
В частности по алгоритмам в контексте статьи Рецепты нейросетей есть несколько интересных моментов для метода обучения с обратным распространением ошибки, которые в частности выяснялись в ветке Нейронная сеть в виде скрипта, то как к примеру внесение пороговых уровней, локальной по нейронам коррекцией скорости обучения, и фишка - сходимость при обучении сети по тн методу максимальной прибыли.