Обсуждение статьи "Практическое применение нейросетей в трейдинге (Часть 2). Компьютерное зрение"
Very nice article!
I enjoyed reading it word by word (by translation) as I also did a similar CNN based market predictions experiment with Pytorch implementations.
Thanks for sharing your hard work! :)
Было бы интересно анализировать чистый ЗигЗаг (в моменты, когда последний экстремум сформировался, конечно).
Многие паттерны могли бы вырисовываться. Наверное.
Было бы интересно анализировать чистый ЗигЗаг (в моменты, когда последний экстремум сформировался, конечно).
Многие паттерны могли бы вырисовываться. Наверное.
Вопрос только зачем тут компьютерное зрение. Зигзаг ведь легко формализуем в "чиселки")
Вопрос только зачем тут компьютерное зрение. Зигзаг ведь легко формализуем в "чиселки")
Ровно настолько же, насколько и бары с индикаторами, которые рассматривал автор. Только ЗЗ "чище".
Ровно настолько же, насколько и бары с индикаторами, которые рассматривал автор. Только ЗЗ "чище".
Согласен. Баловство от нечего делать.
Смысл в том, что бы не формализовать что-то в "чиселки". Зигзаг, вообще проблемный индикатор... Конкретно запаздывающий в динамике и ни о чем не говорящий...
https://youtu.be/mcQH-OqC0Bs, https://youtu.be/XL5n4X0Jdd8
- 2021.01.27
- www.youtube.com
Смысл в том, что бы не формализовать что-то в "чиселки". Зигзаг, вообще проблемный индикатор... Конкретно запаздывающий в динамике и ни о чем не говорящий...
https://youtu.be/mcQH-OqC0Bs, https://youtu.be/XL5n4X0Jdd8
Андрей, нисколько не хочу критиковать или "принизить" вашу работу, сама работа мощная и полезная самим фактом и возможностью учиться.
Но всё таки очень кажется что практическая польза именно такой постановки задачи сомнительна. Ведь суть сверточных сетей - обнаружить и выделить какие-либо сущности в неформализованных входных данных, формализовать их и передать дальше на полносвязный слой для классификации или ещё куда-то. Ну так ведь на выходе свёрточной сети в основном будут формализованные сущности, которые и так формализованы в этих индикаторах, конкретное представление - вопрос вторичный. Никак не пойму что может найти сверточная сеть, кроме этого. Ваш эксперимент может просто в этом убедиться если сравнить на одних и тех же данных этот подход с классической сетью, которой на вход подавать данные индикатора. Уверен свёртка будет просто дольше учиться и метрики не будут лучше. Возможно я ошибаюсь и есть что недоступно моему пониманию, тогда было бы интересно получить опровержение.
Андрей, нисколько не хочу критиковать или "принизить" вашу работу, сама работа мощная и полезная самим фактом и возможностью учиться.
Но всё таки очень кажется что практическая польза именно такой постановки задачи сомнительна. Ведь суть сверточных сетей - обнаружить и выделить какие-либо сущности в неформализованных входных данных, формализовать их и передать дальше на полносвязный слой для классификации или ещё куда-то. Ну так ведь на выходе свёрточной сети в основном будут формализованные сущности, которые и так формализованы в этих индикаторах, конкретное представление - вопрос вторичный. Никак не пойму что может найти сверточная сеть, кроме этого. Ваш эксперимент может просто в этом убедиться если сравнить на одних и тех же данных этот подход с классической сетью, которой на вход подавать данные индикатора. Уверен свёртка будет просто дольше учиться и метрики не будут лучше. Возможно я ошибаюсь и есть что недоступно моему пониманию, тогда было бы интересно получить опровержение.
Полностью с этим согласен и сравнивал. Но задача в этом эксперименте ставилась совсем иная - обойтись без числового представления используемых индикаторов. Я об этом отметил в введении к статье. К стати, можно вообще без индикаторов... И результаты так же будут положительными. Сейчас готовлю к запуску в реальную работу. Посмотрим, что покажет на практике...
Полностью с этим согласен и сравнивал. Но задача в этом эксперименте ставилась совсем иная - обойтись без числового представления используемых индикаторов. Я об этом отметил в введении к статье. К стати, можно вообще без индикаторов... И результаты так же будут положительными. Сейчас готовлю к запуску в реальную работу. Посмотрим, что покажет на практике...
Понятно. Замечу заодно такой плюс, что такой подход укладывается в русло т.н. "универсализации систем ИИ", т.е. когда для решения разных задач используются одни и те же решения=архитектуры.
Он же полагаю частично позволяет избавиться от процесса предобработки данных. Скормил первоисточник в сыром виде "сети", а она уже сама переварила как ей надо нормализовала и т.п.
Спасибо за ответ. Успехов в трудах :)
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Вы принимаете политику сайта и условия использования
Опубликована статья Практическое применение нейросетей в трейдинге (Часть 2). Компьютерное зрение:
Применение компьютерного зрения позволит обучать нейронные сети на визуальном представлении ценового графика и индикаторов. Данный метод позволит нам более свободно оперировать всем комплексом технических индикаторов, так как не требует их цифровой подачи в нейронную сеть.
Перед подготовкой массива изображений нам необходимо определиться — чего же мы хотим от нашей нейронной сети. В идеале было бы обучить сеть на точках разворота. И исходя из этого посыла выхватить изображения, на которых будет отрисован крайний экстремальный бар. Поскольку, как оказалось, прикладного значения данный эксперимент не имеет, мы остановимся на другом наборе изображений. Хотя, ознакомившись с материалом этой статьи, в дальнейшем вы можете поэкспериментировать и с таким массивом. Это будет даже полезно для того, чтобы удостовериться, в том, что нейросети отлично выполняют задачи классификации на законченных образах. Но отклики сети, полученные, на непрерывном временном ряде, требуют дополнительной оптимизации.
Наш эксперимент усложнять не будем и остановимся на двух категориях изображений:
Как мы видим, для обучения сети движение в каком либо направлении мы будем определять как достижение ценой новых последующих экстремальных значений в направлении тенденции и в этот момент времени делать снимок графика. Для обучения сети важен и момент разворота тенденции. Также будем делать снимок графика, когда цена достигнет дневных максимума или минимума.
Автор: Andrey Dibrov