Обсуждение статьи "Глубокие нейросети (Часть IV). Создание, обучение и тестирование модели нейросети"
Респект автору, за высокую производительность в написании статей и чувствуется в них научная сила, но ИМХО хотелось, чтобы был еще и практический смысл.
В постановочной части автор указывает, что цель описываемых ним подходов, это упрощение работы с данными(использование неразмеченных) уменьшение количества итераций(эпох) и т.д.
Следовательно предполагаемый результат, это очевидно ускорение процесса обучения многослойного персептрона(MLP) без влияния на результатов его работы(при практически равных результатах).
Тогда у меня возникает вопрос - а с работой персептрона, в виде выявления закономерностей, прогнозирования финансовых рынков у вас уже всё решено и есть подтверждающие примеры!?
Вопрос риторический, т.к. в текущем цикле из 4-х статей я не нашел ни одного примера советника или индикатора, наверное поэтому в ветках этих статей практически и нет, заинтересованных обсуждений со стороны MQL сообщества.
Однако ответ находится в более ранних работах автора - оказывается попытки решения этой проблемы у него, все таки были, но как видно, безуспешные, а на данный момент уже и не работоспособные...
https://www.mql5.com/ru/forum/79058/page6#comment_5791509
- 2017.09.20
- www.mql5.com
Нужны простенькие примерчики. Тут мало академиков сидит.
Добрый день.
Я далеко не академик и даже не программист. Просто практикующий трейдер.
Примеры чего Вам помогли бы понять тему?
Удачи
Если бы предлагаемое применение нейросетей в трейдинге, не лишало его смысла, то конечно, овладение и применение столь мощного инструмента было бы чрезвычайно интересно.
Если бы предлагаемое применение нейросетей в трейдинге, не лишало его смысла, то конечно, овладение и применение столь мощного инструмента было бы чрезвычайно интересно.
Выделенное совсем не понял. Трейдинг лишается смысла при использовании NN ? Может расшифруете? Просто интересно.
Удачи
Выделенное совсем не понял. Трейдинг лишается смысла при использовании NN ? Может расшифруете? Просто интересно.
Удачи
Увы, предлагаемое применение МО в трейдинге, сводится к обучению нейросетей предсказанию движения цены, не на основе смыслового анализа ее динамики, раскрывающего природу текущей рыночной событийности (к чему сети пока не способны), а статистического, - то есть, по сути, - вероятностного подхода, имеющего чисто математическую природу.
Система расчитывающая вероятность события и принимающая "судьбоносные" для трейдера решения, не должна в качестве своих оснований использовать примитивные условно-рефлекторные связи, а должна опиратся на глубокое понимание рыночных процессов, что очевидно любому профессиональному трейдеру.
Однако, примите мое восхищение вашим трудом.
Выделенное совсем не понял. Трейдинг лишается смысла при использовании NN ? Может расшифруете? Просто интересно.
Удачи
не ищите смысла там, где его нет :)) Люди просто хотят немного ближе к рынку, например готовых торговых стратегий, что бы было понятнее.. и на чем им все-таки можно остановиться в этих бесконечных хитросплетениях нейронных сетей + все-таки R здесь вообще мало кто использует, поэтому тяжеловато, тяжеловато.. :) Но статьи очень крутые несомненно у вас всегда
я бы знаете как сделал.. остановился бы на одном каком0то пакете, допустим mxnet, провел все исследования в R показал и рассказал что-то, а потом подключил dll к мт5 этого пакета и показал как пользоваться основными моделями, которые там предложены.. тогда бОльшее кол-во людей могли бы это пощупать отсюда, потому что не каждый даже R захочет ставить.. но это имхо
Добрый день.
Я далеко не академик и даже не программист. Просто практикующий трейдер.
Примеры чего Вам помогли бы понять тему?
Удачи
Далек от науки и от программирования, а учите программировать нейросети, как в том анекдоте, "не умеешь сам - учи других":))
А как практикующий трейдер, можете озвучить какие нибудь успехи работы NN или прибыль от них ограничена гонорарами за статьи?
The article Deep Neural Networks (Part IV) is published . Creation, training and testing of a neural network model :
Author: Vladimir Perervenko
Deep Neural Networks perform the best to model data with clear structures (patterns) such as the data representing the objects in images, where DNN successfully applied to object detection in computer vision and image segmentation. Market price fluctuation is an unstructured data (with no apparent patterns), where it doesn't matter how deep is the NN layers to adding up the features, layer by layer, and expecting to create higher order features representing correct trade signals...
Anyway, I like your articles and your hard attempt to use DNN for trading.
Best,
Rasoul
Deep Neural Networks perform the best to model data with clear structures (patterns) such as the data representing the objects in images, where DNN successfully applied to object detection in computer vision and image segmentation. Market price fluctuation is an unstructured data (with no apparent patterns), where it doesn't matter how deep is the NN layers to adding up the features, layer by layer, and expecting to create higher order features representing correct trade signals...
Anyway, I like your articles and your hard attempt to use DNN for trading.
Best,
Rasoul
This is the right idea, but I do not understand how it relates to the article. See the picture.
You do not see clear structures (patterns)? Can we differently understand this definition?
In the figure, two Zigzags with minimum knee lengths of 38/75 n.
You do not read the articles carefully.
Good luck
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Вы принимаете политику сайта и условия использования
Опубликована статья Глубокие нейросети (Часть IV). Создание, обучение и тестирование модели нейросети:
В статье рассматриваются новые возможности пакета darch (v.0.12.0). Описаны результаты обучения глубокой нейросети с различными типами данных, структурой и последовательностью обучения. Проанализированы результаты.
Есть два способа обучения SRBM: обучать RBM по одному за rbm.numEpochs или поочередно тренировать каждый RBM по одной эпохе за раз. Выбор одного из этих способов обеспечивается параметром rbm.consecutive: TRUE или default — первый способ, FALSE — второй. На рис.5 представлена схема обучения в двух вариантах. С помощью параметра rbm.lastLayer мы можем указать, на каком слое SRBM нужно остановить предобучение. Если 0 — обучаем все слои, если (-1) — верхний слой не обучаем. Это имеет смысл, поскольку верхний слой нейросети нужно обучать отдельно и более длительно. Остальные параметры понятны без дополнительных пояснений.
Рис.5. Два метода обучения SRBM
Автор: Vladimir Perervenko