文章：用神经网络进行价格预测 - 页 10

新评论
 
Sergey_Murzinov:

是的。作为一个只是略微参与神经网络的人（只有12年），我可以告诉一个长期参与神经网络的人，神经网络在任何任务中的应用都与它们的设计（编程）密不可分。主要是两个假设：初始数据（那是一首单独的歌曲），以及最重要的--训练算法。网络可以做任何事情--主要的是正确地训练它们。


我想在训练算法中加入对结果的解释。通过培训取得成果比提供正确的解决问题的方法更容易。如果我们认为价格波动是一个伪随机的时间序列，那么只是应用和解释的问题就会急剧出现 ...
 
Reshetov:
juicy_emad:

我从来没有想过，有人会质疑使用多层网格来提高分类性能的必要性。=)

我建议阅读Jan LeCun所写的内容--http://yann.lecun.com/exdb/mnist/index.html。 然而，那里的主题领域有点不同--字符识别。总之，无论如何，单层网格显示出最差的结果--8.4%。然而!其中一个多层的（双层的，隐藏层有300个神经元）有一个非常好的结果--1.6%的错误。也就是说，即使增加了一层，网格也会变得更加 "强大"。


没错，因为这是一个不同的主题领域，因此要采取不同的方法。标准字体中的字符轮廓是不变的，因此对一个例子进行一次训练是有意义的，例如在几页纸上进行训练，这样神经网络就能高度准确地识别书中的其他字符。

至于金融市场，它是另一个一切都在不断变化和不断运动的领域。因此，复杂的多层板在这里被搞砸了。在字符识别领域的一个夸张的比喻是，如果在一本书的某一页上，一个符号 "A "应该被解释为 "A"，而在下一页上，同样的 "A "已经被解释为 "B"。

由于这个原因，在金融工具历史数据的不同部分确认的相同模式可以在交易信号中得到不同的解释，即在某些部分，它的识别更适合于开长仓和关闭短仓，而在其他部分则相反：开短仓和关闭长仓。

我上面链接的工作使用了MNIST数据库。该数据库包含手写的、非手写的或印刷 的字符图像。

当然，我明白金融市场的一切都处于不断的动态之中，但是冲突的模式（输入是相同的，输出是两个不同的类别）可以通过增加网格输入的信息量来消除，或者（就像上面有人建议的那样）这种模式可以从训练样本中排除。当然，在你在文章中建议的关于使用单层感知器的变体中，有很多冲突的模式。因为，只有4个输入。

我的观点是，单层感知器没有能力解决XOR问题（见明斯基的书），这使得它们有缺陷。

 
rip:

我还会在训练算法中加入对结果的解释。
实现一个学习结果比确保正确的
来解决这个问题。如果你认为价格波动是一种伪随机性的
时间序列，这是一个应用和解释的问题。
...

随着对网络输出的解释，工作开始了。 就是说，问题的陈述就在那里。所以我完全同意你的观点。

 
我想提出的问题是，你到底用什么来创建一个训练样本。这毕竟是最重要的事情。
 
slava1:
我想提出的问题是，你到底用什么来创建一个训练样本。这是最重要的事情。

学习抽样是由常规指标创建的

而什么样的是最亲密的，以及数据的准备

 
为什么？因为没有人要求提供一个算法。只是为了分享他们的想法。
 
slava1:
为什么？因为没有人要求提供一个算法。只是为了分享他们的想法。
这不是一个公共事务。
 
那么我想知道，如果没有人愿意谈论最重要的事情，我们在这里谈论的是什么。
 
slava1:
那么我想知道我们在这里谈论什么，如果没有人愿意谈论最重要的事情。

在这种情况下，这就像一场军备竞赛，没有人相信任何人 :)


训练数据的初始集也可以是{H,L,O,C}.重要的是模式、网络背后的想法和整个系统。

如果想法是正确的，目的是正确的，误差估计的F函数选择是正确的，其结果是网的一定命中率达到当地的

在N个训练纪元后的最小值。进一步的艺术是让网络以最小的损失走出僵局并继续学习。

而在这里，所有的手段都是好的，数据的预处理，建筑师的替换，学习算法--最主要的是普遍实现你所开发的模型。



至于喂养什么，我建议尝试实施雷舍托夫的一个网络，这个论坛上有几个，然后进行评估。

模型、结果--好吧，一切都在你手中。

 
我很早就知道要申请什么了。我想讨论一下可能的模式，可以这么说。如果我们一起工作，通常效果会更好。我自己已经在机器人上工作了一年了。有结果，但不是很稳定。
1...34567891011121314151617
新评论