Нейронные сети для фундаментального анализа - страница 2
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
Спасибо. Приведённые примеры довольно впечетляющие. Хоте их недостаточно чтобы судить о статистике предсказаний. Если не сложно добавить статистическую проверку. Вот код, который я использую для этих целей. Этот код сканирует все бары в истории и вычисляет коэффициент корреляции между предсказаниями и реальными ценами. Затем все вычисленные коэффициенты корреляции усредняются (нормализуются на количество прогонов). Если средний коэффициент корреляции близок к нулю, то 50% предсказаний предсказывают движение цен в противоположную сторону. То есть, метод не лучше чем подбрасывание монеты. cor[] в коде это вектор индивидуальных коэффициентов корреляции, который строится как индикатор в отдельном окне для каждого бара. Он показывает коэффициент корреляции предсказаний на каждом баре. Усреднённое значение коэффициента корреляции показывается как Comment.
Этот код сканирует все бары в истории и вычисляет коэффициент корреляции между предсказаниями и реальными ценами.
Я посмотрел. В случае, когда данные идут под разными углами, обычно рекомендуют использовать коэффициент квадратичной корреляции R^2, он лучше реагирует на искривление данных.
Но в данный момент, я несколько занят другими разработками, и мне трудно переключиться на измерения разбросов предсказаний.
Фактически, сначала нужно отстроить сеть по заданным целям. То есть что и с какой погрешностью нужно предсказывать. А эта настройка она автоматически включает минимизацию ошибок, которая как раз и опирается на корреляционные разбросы. Оценка R^2 в данном случае несколько лучше, чем скажем дисперсии среднеквадратичного отклонения.
Вообщем на это все нужно спокойное исследовательское состояние и побольше времени. Так что не обессутьте.
Я посмотрел. В случае, когда данные идут под разными углами, обычно рекомендуют использовать коэффициент квадратичной корреляции R^2, он лучше реагирует на искривление данных.
Но в данный момент, я несколько занят другими разработками, и мне трудно переключиться на измерения разбросов предсказаний.
Фактически, сначала нужно отстроить сеть по заданным целям. То есть что и с какой погрешностью нужно предсказывать. А эта настройка она автоматически включает минимизацию ошибок, которая как раз и опирается на корреляционные разбросы. Оценка R^2 в данном случае несколько лучше, чем скажем дисперсии среднеквадратичного отклонения.
Вообщем на это все нужно спокойное исследовательское состояние и побольше времени. Так что не обессутьте.
Понимаю. Согласен. Хотя способ, которым я вычисляю кояффициент корреляции, даёт как положительные так и отрицательные значения в зависимости от наклона. Не подкините ли ссылочку на GRNN алгоритм. Суть то я понимаю, а голову ломать не хочется если уже кто-то написал его. Кстати, кто-то на английской ветке указал вот эту ссылку на probabilistic neural network (PNN), которая может Вас заинтересовать
http://www.hernandezgomez.com/
Понимаю. Согласен. Хотя способ, которым я вычисляю кояффициент корреляции, даёт как положительные так и отрицательные значения в зависимости от наклона. Не подкините ли ссылочку на GRNN алгоритм. Суть то я понимаю, а голову ломать не хочется если уже кто-то написал его. Кстати, кто-то на английской ветке указал вот эту ссылку на probabilistic neural network (PNN), которая может Вас заинтересовать
http://www.hernandezgomez.com/
Я смотрел эту ссылку раньше, еще во время Чемпионата, когда этот испанец на некоторое время попал на первую страницу. Там много ошибок в логике и кодах. А тренировка сети в эксперте, вообще никуда не годится. Человек как бы сделал, что-то стало получаться и поделился подробно, молодец. Но видимо он до конца не разобрался как эта штука работает, и допустил в коде сети принципиальную ошибку, из-за которой все остальное правильно работать не будет. И экспетры в том числе. Потому видимо и опубликовал, в надежде что кто-то разберется и поможет.
Ссылку на GRNN дать не могу. Когда я увидел эту сеть в Neuroshell2, мне понравилось как она работает. Стал искать в Инете коды или хотя бы теорию, и так и не смог найти. Пришлось посидеть, разобраться по данным в Neuroshell2, и когда понял принцип, написал ее сам. Может позже, когда будет чуть побольше времени опишу, как она работает. У нее основа как и у PNN. Только PNN показывает вероятность в каких-то относительных единицах, как задашь, а в GRNN вероятность домножается на текущие данные и получается прогноз.
так серьезно все занимаются нейросетями, как-будто действительно можно прогнозировать на прошлых ценах будущие
Простите, а вы уже докторскую на эту тему защитили что так критично высказываетесь ?
Или вы как обычно бывает потратили 5 минут на на NS2 и не смогли получить результат ?
так серьезно все занимаются нейросетями, как-будто действительно можно прогнозировать на прошлых ценах будущие
Я лично серьезно сетями не занимаюсь. Да и речь скорее идет не о прогнозе будущих цен, а вероятности или тенденции их изменения. Но естественно, если этим вопросом заниматься поверхностно, не понимая до конца сути, то сделать хотя бы приблизительный прогноз вряд ли удастся. А уровень до которого нужно углубляться требуется очень высокий. Потому большинство кто ковырялся с этим и не получил приличных результатов, - разуверились. А кто дошел до этого, тому и верить в это не нужно, а тем более что-то доказывать, потому что истина в доказательствах не нуждается.
Настоящее - есть сумма прошлого и будущего. Поэтому зная прошлое и настоящее - прикинуть приблизительно будущее принципиально возможно.
так серьезно все занимаются нейросетями, как-будто действительно можно прогнозировать на прошлых ценах будущие
Те, кто серьезно занимаются НС, прекрасно знают, что для прогнозов данные технологии не предназначены, поэтому даже не пытаются "забивать гвозди телевизором", а используют сетки по прямому назначению: для классификации паттернов.
Те, кто серьезно занимаются НС, прекрасно знают, что для прогнозов данные технологии не предназначены, поэтому даже не пытаются "забивать гвозди телевизором", а используют сетки по прямому назначению: для классификации паттернов.
Я Вашу семантику не понимаю. Допустим Ваша сеть классифицировала текущий паттерн как buy или sell. Но всем же понятно что это означает что Ваша сеть, хотите ли вы это или нет, предсказывает что цена пойдёт соответственно верх или вниз. Тот же прогноз, который Вы почему-то не любите, а тем не менее используете в Вашей троговле.
Кстати, те кто занимаются "прогнозом", не заинтересованы в точном предсказании каждой цены бара. Для торговли достаточно знать направление движения будущей цен от текущего момента. Приближённое знание также амплитуды такого движения до разворота в обратную сторону, позволяет делать решение на открытие позиции: если предсказанное движение больше заданого ожидаемого профита, то открывать позиции. В противном случае, зная только направление будущего движения цены ведёт к маленькому математическому ожиданию профита.
Те, кто серьезно занимаются НС, прекрасно знают, что для прогнозов данные технологии не предназначены, поэтому даже не пытаются "забивать гвозди телевизором", а используют сетки по прямому назначению: для классификации паттернов.
хорошо, тогда насколько эффективно использовать их по прямому назначению? Почему бы не находить уровни определенным способом, по пробитию которых, устанавливать селл или бай?