Makale: Sinir Ağlarını Kullanarak Fiyat Tahmini - sayfa 15
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Postscript.
Taşınan-taşınan ve taşınan ;-)
Bu, tek katmanlı doğrusal olmayan bir NN'nin ağırlıkları için "TAM" analitik çözümdür:
...
Beni güldürdü.
Ancak tüm hesaplama 1 milisaniye sürer.Teorik olarak, herhangi bir NS bir denklem sistemine eşdeğerdir. Ve yeterince basitse, bu sistemi analitik bir biçimde yazmak ve ağırlıklara göre çözmek daha ucuzdur. Ağ (yani eşdeğer denklem sistemi) daha karmaşık hale geldikçe, problemler ve onlarla birlikte zor öğrenme yöntemlerine duyulan ihtiyaç ortaya çıkmaya başlar. Bu gerçeği fark ederek, bir zamanlar ilgi dışı başlayan ağlarla olan tanışıklığımı askıya aldım. Önce bir model bulmanız gerektiğine ve ancak o zaman onu çözmenin en ekonomik yollarını aramanız gerektiğine karar verdim. Bana hala NN yöntemlerinin kullanımının yalnızca çok karmaşık modeller için haklı olduğu görülüyor :).
Acemi bir "sinir araştırmacısı" olarak bana böyle bir şeyi açıklayın ... anladığım kadarıyla, söz konusu ağ çok katmanlı bir algılayıcıdır.
Ve bu ağ türü hangi düşüncelerle seçildi, neden Hopfield, Kohonen veya başka bir ağ değil?
Daha çok felsefi bir soru. Gerçek şu ki, sonsuz sayıda "karmaşık" NS mimarisi var ve yalnızca bir tane maksimum düzeyde basit! Bu tek katmanlı bir algılayıcıdır. Bu durumda, doğrusal olmayan bir aktivasyon fonksiyonu ile uygulanır.
Candida'ya
Teorik olarak, herhangi bir NS bir denklem sistemine eşdeğerdir. Ve yeterince basitse, bu sistemi analitik bir biçimde yazmak ve ağırlıklara göre çözmek daha ucuzdur. Ağ (yani eşdeğer denklem sistemi) daha karmaşık hale geldikçe, problemler ve onlarla birlikte zor öğrenme yöntemlerine duyulan ihtiyaç ortaya çıkmaya başlar. Bu gerçeği fark ederek, bir zamanlar ilgi dışı başlayan ağlarla olan tanışıklığımı askıya aldım. Önce bir model bulmanız gerektiğine ve ancak o zaman onu çözmenin en ekonomik yollarını aramanız gerektiğine karar verdim. Bana hala NN yöntemlerinin kullanımının yalnızca çok karmaşık modeller için haklı olduğu görülüyor :).
Bu doğru. Ayrıca, geleneksel istatistiksel analiz yöntemlerine son veren ve NN lehine bir puan daha veren piyasa VR'sinin doğal durağan olmamasından da bahsedebilirsiniz.
Bu arada, Ulusal Meclis ağırlıkları için denklem sistemlerinin analitik çözümünü buldum. Şek. siyah, NN'nin hata geri yayılımı (ORP) sayısı 1000 ile eğitilmesinin olağan yöntemini gösterir ve mavi, analitik çözümdür. NN'nin öğrenilmesi her adımda gerçekleşir, tahmin bir adım öndedir.
BP'nin trend bölümündeki analitik seçeneğin, bana açık olmayan nedenlerle baltalandığı görülüyor. Ancak ORO yöntemine göre bu görev için hesaplama süresi 10 saniye ve analitik için - 0.001 saniyedir.
10.000 kat daha hızlı performans artışı!
Genel olarak, ağın çalışması büyüleyici. Fiyat trendini hissediyor gibi görünüyor ve tahmininde bir mıknatıs gibi ondan etkilenmiş gibi görünüyor!
Acemi bir "sinir araştırmacısı" olarak bana böyle bir şeyi açıklayın ... anladığım kadarıyla, söz konusu ağ çok katmanlı bir algılayıcıdır.
Ve bu ağ türü hangi düşüncelerle seçildi, neden Hopfield, Kohonen ya da başka bir ağ değil?
Daha çok felsefi bir soru. Gerçek şu ki, sonsuz sayıda "karmaşık" NS mimarisi vardır, ancak yalnızca bir tane maksimum düzeyde basit olan vardır! Bu tek katmanlı bir algılayıcıdır. Bu durumda, doğrusal olmayan bir aktivasyon fonksiyonu ile uygulanır.
...
Genel olarak, ağın çalışması büyüleyici. Fiyat trendini hissediyor gibi görünüyor ve tahmininde bir mıknatıs gibi ondan etkilenmiş gibi görünüyor!
Soru elbette felsefi. Ben de acemiyim. Ama neden, örneğin, olasılıksal bir ağ değil. Özellikle - geçen yılki ünlü olaylardan sonra mı? Doğru, başka bir görev var. Ayrıca tahmin, gözlenen bir parametrenin filtrelenmesine yakınsa, olasılık tahmini, gözlemlenmeyen bir parametrenin filtrelenmesine daha yakındır, ancak karar alanına geçiş sorununu hemen çözer.
PS Bu arada, olasılıklı bir ağın çalışma süresi, çok katmanlı bir algılayıcıdan kıyaslanamayacak kadar azdır ve öğrenme yeteneği daha da kötü değildir.
PPS Şampiyona sırasında Better'ın denge eğrisine baktığımda ben de büyülenmiştim. :-)
Daha derine inmek istiyorum ... Örneğin, NN'nin (gizli katmanlar) karmaşıklığı ne kadar haklı.
Neyin girildiğine bağlı. Barları (artışlarını) doğrudan piyasadan yapıştırırsanız, bu çok haklı olacaktır.
Örneklerinizde bunu görmüyorsunuz, çünkü grafikleriniz düzgün - parçalı monoton. Siz, orada, hatta tek girişi olan Ulusal Meclis bile "kurallar". Onlar. trendi takip eden en ilkel ticaret sisteminin analoğu. NS olmadan bile mükemmel bir şekilde çözülebilecek bir görev. Ne tür çok katmanlı ağlar var ...
Ve sadece yap, beni taşıyor! Gerçek şu ki, NN'nin doğrusal olmayanlığını belirli bir biçimde temsil edersek, ağırlıklar için TAM analitik bir çözüm elde edebiliriz. Bu da, ağ eğitimi için Geri Yayılım yöntemini terk etmenin ve orada herhangi bir 1000 Dönemlik eğitim olmadan tek adımda mümkün olduğunca doğru sonucu almanın mümkün olacağı anlamına gelir !!
NN'nin eğitiminin, işlevi optimize etme görevi olduğunu anlamak gerekir. Ve analitik çözümü, denklem sistemlerinin çözümünden çok daha karmaşıktır. Tek değişkenli lineer regresyon fonksiyonunun analitik hesaplama yöntemine bakın (en basit algılayıcının analogu)... Nasıl buldunuz? Şimdi, çok sayıda değişken varsa ve fonksiyon n'inci derecede doğrusal değilse (çok katmanlı bir NN'ye benzer) çözümün nasıl görüneceğini hayal edin... :-)
NS hayatı kolaylaştırmak için icat edildi. Ve ağı geri yayılım ile eğitmek gerekli değildir. Bu en basit - ama aynı zamanda en yavaş - algoritmadır. Buna ek olarak, büyüklük emirlerini daha hızlı işleyen algoritmalar var.
Daha derine inmek istiyorum ... Örneğin, NN'nin (gizli katmanlar) karmaşıklığı ne kadar haklı.
Neyin girildiğine bağlı. Direkt olarak piyasadan çubukları (artışlarını) yapıştırırsanız, bu çok haklı olacaktır.
Örneklerinizde bunu görmüyorsunuz, çünkü grafikleriniz düzgün - parçalı monoton. Siz, orada, tek girişli Ulusal Meclis bile "kurallar". Onlar. trendi takip eden en ilkel ticaret sisteminin analoğu. NS olmadan bile mükemmel bir şekilde çözülebilecek bir görev. Ne tür çok katmanlı ağlar var ...
ds2, aynı daldırma derinliğine sahiplerse, fiyat tipi VR tahmin ihtiyaçları için kullanılan tek katmanlı bir algılayıcıya karşı çok katmanlı bir algılayıcı lehine tartışabilir misiniz? Argümanı tahmin yeteneği grafiği şeklinde görmek istiyorum.
Neyin girildiğine bağlı. Direkt olarak piyasadan çubukları (artışlarını) yapıştırırsanız, bu çok haklı olacaktır.
Örneklerinizde bunu görmüyorsunuz, çünkü grafikleriniz düzgün - parçalı monoton.
ds2, aynı daldırma derinliğine sahiplerse, fiyat tipi VR tahmin ihtiyaçları için kullanılan tek katmanlı bir algılayıcıya karşı çok katmanlı bir algılayıcı lehine tartışabilir misiniz? Argümanı tahmin yeteneği grafiği şeklinde görmek istiyorum.
Ağın nasıl çalıştığını anlarsanız, bu çok açık. Tek katmanlı bir ağ yalnızca monoton bağımlılıkları tanımlayabilirken, çok katmanlı bir ağ herhangi birini tanımlayabilir.
NN'nin yeteneklerini ve bilinen MTS türlerini karşılaştırırsak, tek bir katman MACD'nin çalışmasını taklit edebilir, ancak Pessavento kalıplarının dişler tarafından tanınması zaten yalnızca çok katmanlı bir ağdır.
Deneyebilir ve kendiniz görebilirsiniz. Bunun için tüm araçlara ve verilere sahipsiniz.
MQL'de Kolmogorov-Smirnov kriterine göre girdilerin değerlendirilmesini ve Spearman's rank korelasyonunu yazan var mı?
Kayıt olurken bile bu bağlantıya erişim yok. Ya da belki Kâse'ye giden yol orada açıklanmıştır ;-).
http://www.maikonline.com/maik/showArticle.do?auid=VAF0AMGLSL〈=tr PDF 274kbVERİ ÖRNEKLERİ ÜZERİNDEKİ ÇOKLU DEĞİŞKENLERDEN OLUŞAN KARMAŞIK BİR FONKSİYONU MODELLEMEK İÇİN SİNİR AĞ YAPISI
E. V. Gavrilova, O. A. Mishulina, M. V. Shcherbinina Izvestiya RAN. Teori ve Kontrol Sistemleri No. 1, Ocak-Şubat 2007, s. 73-82
Toplamsal gürültünün arka planına karşı ölçülen ve tanımının ayrı alt alanlarında niteliksel olarak farklı dinamik özelliklerle karakterize edilen birçok değişkenli bir fonksiyona yaklaşma problemini ele alıyoruz. Soruna özel bir modüler sinir ağı yapısı LINA kullanılarak bir çözüm önerildi, eğitimi ve işleyişi için kurallar formüle edildi.
Anfisedit'te öğrenirken, sürekli olarak bir hata üretilir:
??? ==> anfisedit kullanılırken hata oluştu
Geçersiz tanıtıcı nesne.
??? Uicontrol Geri Arama değerlendirilirken hata oluştu.
Verileri hazırladım, ancak makaledeki gibi mutlak oranla değil, mum türüne göre. Bir günlük mumun kapanış fiyatı açılış fiyatından büyükse 1, tersi ise -1. İlk başta 10 giriş vardı, ancak dizüstü bilgisayar çekilmedi. Yazıdaki gibi girdi sayısını 4x'e düşürdüm mimari gösteriliyor herşey yolunda görünüyor fakat bir kaç epoch sonra trene bastığınızda eğitim duruyor, grafiğin üstünde ve komutta Train Error yazıyor en başta yazdıklarımı. Sorun nedir? Belki Matlab versiyonu bir şekilde hatalıdır? Matlab 7.0.1.24704 (R14) Servis Paketi 1'e sahibim.
ANFIS ile çalışmadı, bu yüzden NNTool'u denemeye karar verdim. Ayrı girişler sürdüm (her biri 4 giriş), ayrı çıkışlar, belirli parametreler, bir ağ oluşturdum - ancak ağ mimarisini görüntülerken 2 giriş olduğu gösteriliyor.Pekala, yine de trene basıyorum ve bir hata üretiliyor:
==> ağ treni kullanılırken hata oluştu
Girişler ağ için yanlış boyutlandırılmış.
Matrislerin hepsinde 2 satır olmalıdır.
Giriş sayısını ayarlayacak bir yer var mıydı?