Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 346
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
НО.. смысл использования этой технологии не в том что она круче справляется с задачей чем человек а просто удобство, быстрота и высокая производительность...
Они круче справляются, меньше ошибка распознавания
узкоспециализированные нейросети лучше и намного быстрее распознают образы. Другое дело что если объект выходит за рамки обучающей выборки и не может быть распознан корректно, человек подключает другие свои мозговые ресурсы, а в НС они просто не заложены
а прямо "скрытого" они ничего не найдут, надо просто осознанно подходить к выбору предикторов по-моему
А что касается LSTM, они, по моему мнению, должны быть хороши именно для временных рядов, т.к. способны не просто обобщить сигналы на покупку и продажу, но и подстроиться под изменение эффективности предикторов на разных участках, в зависимости от изменений рынка и прошлого поведения предикторов, в этом и будет заключаться "память" НСОни круче справляются, меньше ошибка распознавания
узкоспециализированные нейросети лучше и намного быстрее распознают образы. Другое дело что если объект выходит за рамки обучающей выборки и не может быть распознан корректно, человек подключает другие свои мозговые ресурсы, а в НС они просто не заложены
а прямо "скрытого" они ничего не найдут, надо просто осознанно подходить к выбору предикторов по-моему
ок..ну а ты не пробовал ставить конкретную задачу заведомо решаемую но очень сложную просто чтобы проверить на что действительно способна сеть эксперементально..
например очень зашумленная искусственно сделанная выборка с заведомо детерменированной состовляющей, какая нибудь сложная функция, о которой если бы небыло известно заранее то просто так на глаз ее вычислить невозможно...
может есть какие -нибудь ссылки на такие исследования....
и еще: попробуй сеть с временной задержкой..они наиболее подходящи для предсказания именно временных рядов... я не пробовал так как не сильно в этом шарюкстати а как кто думает, для чего вообще нужны нейронные сети в прогнозировании...объясню:
нужно понять главную вещь - либо нейронки способны извлекать действительно скрытые для глаз, сложные взаимосвязи, либо для того чтобы автоматизировать некий сложный процесс, который неподдается простой формализации например как распознавание образов, с которым тем не менее легко справляется человеческий мозг/глаза, но возникает необходимость в освобождении человека от таких рутинных задач...
ну вот простой пример: распознавание лиц в аэропорту. человек с этой задачей справляется в легкую но стало нужно этот процесс автоматизировать и обычными методами эту задачу не решишь..подключают некии технологии типа нейронных сетей..НО.. смысл использования этой технологии не в том что она круче справляется с задачей чем человек а просто удобство, быстрота и высокая производительность...
а как с этим делов в трейдинге: задача распознавания образов с помощью нейронной сети..зачем? разве человеческий мозг эту задачу решить не может? наподобии распознавания лиц...
из 1000 людей человек в одно мгновение распознает знакомое лицо...
есть ли действительно у нейронных сетей потенциал превышающий биологическую нейронку...
У НС потенциал, превышающий "человеческую нейронку", хотя бы в том-же распознавании лиц и всего и вся.) Это очевидно, вроде. Сокращает трудозатраты людей в десятки, а то и в сотни раз.
Нейронки, в общем, не для прогнозирования. Прогнозирование нейронками, это скорее побочный эффект распознавания (классификации). Типа: солнце на закате красное (распознавание) - завтра день ветренный (прогнозирование).
Хороший трейдер торгует руками как правило лучше любой системы, а автосистемы не потому, что лучше справляются, а чтобы в монитор не пялится и штаны не просиживать.)
У НС потенциал, превышающий "человеческую нейронку", хотя бы в том-же распознавании лиц и всего и вся.) Это очевидно, вроде. Сокращает трудозатраты людей в десятки, а то и в сотни раз.
Нейронки, в общем, не для прогнозирования. Прогнозирование нейронками, это скорее побочный эффект распознавания (классификации). Типа: солнце на закате красное (распознавание) - завтра день ветренный (прогнозирование).
Хороший трейдер торгует руками как правило лучше любой системы, а автосистемы не потому, что лучше справляются, а чтобы в монитор не пялится и штаны не просиживать.)
разве это не есть противоречие....
ок..ну а ты не пробовал ставить конкретную задачу заведомо решаемую но очень сложную просто чтобы проверить на что действительно способна сеть эксперементально..
например очень зашумленная искусственно сделанная выборка с заведомо детерменированной состовляющей, какая нибудь сложная функция, о которой если бы небыло известно заранее то просто так на глаз ее вычислить невозможно...
может есть какие -нибудь ссылки на такие исследования....
У меня мало опыта, сейчас только имеются результаты улучшения уже работающей стратегии через НС.. т.е. НС, при таких же предикторах, нашла сигналы входа в рынок лучше, чем я сам пытался закодить.. это факт.. Дальше уже как карта ляжет, у меня как бы нет предубеждений, по факту буду смотреть
Про сети с временной задержкой почитаю, спасибо, сам не в курсе
разве это не есть противоречие....
В чем Вы видите противоречие? Я не понимаю.
По пред. посту. Есть шумоподавители на нейронках.
В чем Вы видите противоречие? Я не понимаю.
По пред. посту. Есть шумоподавители на нейронках.
ну как в чем..
У НС потенциал, превышающий "человеческую нейронку", хотя бы в том-же распознавании лиц и всего и вся, но в то же время трейдер в ручную т.е без использования ИИ и у которого потенциал ниже и который со всеми этими задачами справляется гораздо хуже почему то вдруг должен торговать лучше любой системы...
это чистейшее противоречие
и это Юрий, давай на ты, а то меня это вымораживает немного ..все эти Вы пардон мюсье..)
ну как в чем..
У НС потенциал, превышающий "человеческую нейронку", хотя бы в том-же распознавании лиц и всего и вся, но в то же время трейдер в ручную т.е без использования ИИ и у которого потенциал ниже и который со всеми этими задачами справляется гораздо хуже почему то вдруг должен торговать лучше любой системы...
это чистейшее противоречие
и это Юрий, давай на ты, а то меня это вымораживает немного ..все эти Вы пардон мюсье..)
Можно без пардон, но мне на Вы привычней.) Вы как хотите, меня это не беспокоит.
У сложной современной НС мозгов примерно как у таракана. Таракан успешно справляется с достаточно широким кругом задач. Благодаря высокому быстродействию НС, и тому, что вся НС решает только один класс задач, она только с этим классом и справляется, и более ни с чем.
Трейдер может видеть то, чему НС не обучалась (или не научилась)). Мало того, в отличии от НС, он в состоянии справляться с более широким кругом задач. Т.е., даже теоретически, возможности трейдера больше, и он вполне способен торговать лучше НС, если это не требует сверхбыстрой реакции.
Кстати, НС еще и ошибаются. Достоверность 90% для НС неплохой показатель.
Такие прекрасные слова про сети и вообще философские размышления.
При этом не вижу ни то что доказательства, а даже размышлений на тему переобученности сетей
Так все ваши сети переобучены или нет?
ПС.
В начале ветки это был основной вопрос.
Там RNN и RNN3 и его неопубликованная статья на MQL5, а зря. RNN лучше работает в оптимизаторе чем RNN3.
Потому-что в RNN3 ошибка -
данные запрошены для 5 точек, а вероятность расчитываете для 4-х, причем не начинаете с текущего бара а0, а со смещением на период, т.е. с а1. Вероятность вы считаете не для текущего момента, а для точки a1 - потому и результаты плохие для a0))
// Преобразование показаний технического осциллятора RSI в диапазон от 0 до 1 включительно
double a0 = rsi[0] / 100.0;
double a1 = rsi[p] / 100.0;
double a2 = rsi[2*p] / 100.0;
double a3 = rsi[3*p] / 100.0;
double a4 = rsi[4*p] / 100.0;
// Вычисление вероятности
double results=RNN(a1,a2,a3,a4);
т.е. надо =RNN(a0,a1,a2,a3);
Ну и чтобы считать для 5 точек - надо и лог. матрицу увеличить до 32 правил т.е. 25. И т.д. если больше точек/входов надо. Если 10 входов будет, то это 210 = 1024 входных переменных ))) Интересно, МТ5 потянет такое оптимизировать?