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
Идея состоит в том, что нейросетям нужно скармливать стационарные ряды, детрендированные и проч. Когда мы убираем тренд, часть информации теряется, я хочу компенсировать это таким же стационарным рядом в виде корреляции исходного ряда с детрендированным. Т.е. на вход нейросети подаем как минимум 2 этих ряда - детренд и корреляцию детренда с исх. рядом, тем самым компенсируем потери
1.Детрендирование это разложение ряда на приращения(моментумы)?
2.Что такое компенсация потерь? Где почитать, а лучше на словах)
3.Что считается стационарным рядом?
1.Детрендирование это разложение ряда на приращения(моментумы)?
2.Что такое компенсация потерь? Где почитать, а лучше на словах)
3.Что считается стационарным рядом?
1. грубо говоря да
2. компенсация потерь это мой термин :), означает что нужно дать классификатору дополнительную информацию о рынке, которую мы убрали детрендированием. Это как бы не очевидный процесс, мы просто добавляем новые признаки в систему, которые должны улучшить обобщающую способность модели
3. стационарный ряд это когда среднее значение и дисперсия постоянны, т.е. нет тенденций (трендов)
Кое что вы можете прочесть в статье СанСаныча https://www.mql5.com/ru/articles/320
1. грубо говоря да
2. компенсация потерь это мой термин :), означает что нужно дать классификатору дополнительную информацию о рынке, которую мы убрали детрендированием. Это как бы не очевидный процесс, мы просто добавляем новые признаки в систему, которые должны улучшить обобщающую способность модели
3. стационарный ряд это когда среднее значение и дисперсия постоянны, т.е. нет тенденций (трендов)
Кое что вы можете прочесть в статье СанСаныча https://www.mql5.com/ru/articles/320
Вот теперь понятно более или менее. Просто во всех статьях терминологии много, с которой не знаком, поэтому иногда не могу врубиться, что там написано.
На счет перпцетронов и пр. Вот чего подумал, если взять пример Решетова, то так понял, что там веса умножаются на индикатор, а индикатор имеет небольшие значения.
То есть там значительную роль оказывает, то что индикатор выше или ниже ноля, а само значение его величина нивелируется.
И есть смысл пробовать подбирать значения весов, чтобы они были ближе к значению индикатора, тогда и величина индикатора будет оказывать значение.
Или лучше брать индикатор с постоянной шкалой к примеру от -100 до 100.
Вот теперь понятно более или менее. Просто во всех статьях терминологии много, с которой не знаком, поэтому иногда не могу врубиться, что там написано.
Вообще почитайте что-нибудь из эконометрики, по моему мнению это единственная внятная научная дисциплина, из которой можно почерпнуть важную инфу для построения рыночных моделей. Например, про анализ временных рядов - один из эконометрических методов. Должно стать еще понятнее :)
Вообще почитайте что-нибудь из эконометрики, по моему мнению это единственная внятная научная дисциплина, из которой можно почерпнуть важную инфу для построения рыночных моделей. Например, про анализ временных рядов - один из эконометрических методов. Должно стать еще понятнее :)
Выше поправил сообщение, про перпцетроны.
Вот теперь понятно более или менее. Просто во всех статьях терминологии много, с которой не знаком, поэтому иногда не могу врубиться, что там написано.
На счет перпцетронов и пр. Вот чего подумал, если взять пример Решетова, то так понял, что там веса умножаются на индикатор, а индикатор имеет небольшие значения.
То есть там значительную роль оказывает, то что индикатор выше или ниже ноля, а само значение его величина нивелируется.
И есть смысл пробовать подбирать значения весов, чтобы они были ближе к значению индикатора, тогда и величина индикатора будет оказывать значение.
Или лучше брать индикатор с постоянной шкалой к примеру от -100 до 100.
Это очень примитивный классификатор, я покрутил его вдоль и поперек. Во первых он не емкий, не добавить туда много входов, во вторых долго оптимизируемый из-за кол-ва весов. Легко заменяется нечеткой логикой при этом кол-во оптимизируемых параметров уменьшается и сама система выглядит более интуитивной. Для полноценного прогнозирования нужно использовать настоящие нейронные сети или случайные леса (по последним хочу статью написать)
Это очень примитивный классификатор, я покрутил его вдоль и поперек. Во первых он не емкий, не добавить туда много входов, во вторых долго оптимизируемый из-за кол-ва весов. Легко заменяется нечеткой логикой при этом кол-во оптимизируемых параметров уменьшается и сама система выглядит более интуитивной
Ну, я пока только его освоил и еще пару штук.
Ну, я пока только его освоил и еще пару штук.
Причем, в комментариях к нечеткой логике он писал, что не разбирался в ней и не знает применима ли она. В то же время, сам написал экспертную систему с правилами (классификатор Решетова), по типу нечеткой логики
там по сути без разницы, потому что что то что другое это просто игра в числа
и переобучается она у него как последняя.. :)
Причем, в комментариях к нечеткой логике он писал, что не разбирался в ней и не знает применима ли она. В то же время, сам написал экспертную систему с правилами (классификатор Решетова), по типу нечеткой логики
там по сути без разницы, потому что что то что другое это просто игра в числа
и переобучается она у него как последняя.. :)
Статью Вашу краем глаза видел. Надо будет внимательно почитать.
Статью Вашу краем глаза видел. Надо будет внимательно почитать.
почитайте, нечеткая модель это тот же персептрон со своими приколюшками, их можно объединить в нейросеть