在交易中使用神经网络。 - 页 2

 
一个常见的错误是不包括 "水平 "和 "体积 "测量(期货上的体积)。
 
Neutron писал(а)>> 输入已经剖析过的时间序列,即不是每个柱子,而是可能的关键点。

一般来说,不建议中断时间序列,特别是金融序列--信息丢失.....。

 
StatBars писал(а)>>

二次方函数本身并不能使分布变平...在我看来,在预处理过程中解决数据的静止性问题更为重要。

对了,你给我的公式是W=420,d=14,所以P>50400--你不觉得样本有点大了吗?

不,无论是singhmoid还是双曲线函数都不能使分布均衡。你可以通过绘制函数应用前后的分布图来轻松地检查这一点。你需要在这里应用特殊的方法。

至于样本的 "大小",有可能达成妥协。例如,在可用历史数据长度较小的情况下,可以建议提前停止训练,这样可以避免重新训练的影响,但在这种训练方式下,NS的分类能力在任何情况下都不如在足够大的历史上训练的NS。

在我的经验(小)和文章中的例子的数量并不取决于你提供的...

而根据我的经验--没有矛盾--一切都按照理论进行。

LeoV 写道>>

一般来说,时间序列,特别是金融序列,不建议中断--信息丢失.....。

由于NS训练的复杂性,我们总是被迫在架构复杂性和计算能力之间找到一个折中点。由于我们使用的架构的极限复杂性,我们自然对NS输入的极限维度有一个限制,结果是,我们可以向输入的矢量不超过一些(最多一百个其他),并且必须在数据损失和历史覆盖之间做出选择。有时,重要的是尽可能多地覆盖,并在合理的时间内理解所覆盖的内容(就人工智能而言)。

 
Neutron писал(а)>> 由于训练NS的复杂性,我们总是被迫在架构复杂性和计算能力之间找到一个折中点。由于我们使用的架构的极限复杂性,我们自然对NS输入的极限维度有一个限制,结果是,我们可以给输入的矢量不超过一些(最多一百个),并且必须在数据损失和历史覆盖之间做出选择。有时,必须在合理的时间内(就人工智能而言)涵盖更多内容并理解所涵盖的内容。

追逐神经网络架构的复杂性是没有意义的,因为10-15个神经元就可以轻松顺利地学习1500-2000条的历史,甚至更多。但他们学得越好的历史,将来的工作就越差--过度训练的效果就来了。找到 "正确 "的条目,给国家统计局提供关于符号运动的正确信息,会更有效,更有成效。

 

列昂尼德,重新训练NS没有问题--它是来自于不理解这个有着美丽名字和三个钉子的盒子里面的本质内容。不要采取比最低限度更短的训练样本,你就不必凭直觉来决定什么是更好的,什么是更差的!"。

关于 "正确 "的输入,我100%同意你的观点,这是成功的关键--一切可以为NS-ku解决的问题--必须独立解决。它需要留下解决方案没有的东西,或者是没有理由的困难。例如,给Zig-Zag输入一点意义都没有。在这种情况下,NS的行为是显而易见的--它将学习表面上的东西--ZZ的肩膀的符号交替,这种输入数据是没有用的。

 
Neutron писал(а)>>

列昂尼德,重新训练NS没有问题--它是来自于不理解这个有着美丽名字和三个钉子的盒子里面的本质内容。不要采取比最低限度更短的训练样本,你就不必凭直觉决定孰优孰劣了!

在取样方面也存在问题--很明显,在外汇中存在某些运动规律,这些规律会随着时间的推移而改变。因此,如果样本太大--网络将无法找到这些运动规律,因为它们太多,而且差异太大,太小--它们会很快重新训练。而且不可能找到准确的公式--所以这里很大程度上取决于交易员,而不是NS架构的复杂性。

 

这就对了。直奔主题!

实际上,如果我们直截了当地解决问题,结果发现最佳的抽样长度是P>(W^2)/d, 考虑到市场上过程的非平稳性,最佳的是

P=(4-8)*(W^2)/d.这就是你所谈论的内容。

 
Neutron писал(а)>>

这大概是发生的情况:转换前,转换后,图片不是来自同一个样本,但还是做了很多次,效果是一样的。

 

我可以看到,它是水平的。

但如果你只是用一个类似sigmoid和/或类似的函数来影响输入信号,就不可能是这样的。最有可能的是,如果我们把下图的左右轴延长到直方图中最后一个柱子的一半的距离(为了看到它),奇迹就会消失,我们会看到一个钟形。

否则就会在分析中出现穿孔。

 
Neutron писал(а)>>

我可以看到,现在已经平了。

但不可能是这样的。最有可能的是,如果我们把下图的左右轴延长到直方图中最后一个条形的1.5倍(以便看到它),奇迹将消失,我们将看到一个钟形。

好吧,不然的话,分析中就会有一个穿孔。

在图片中是没有规范化的数据,除了不同的数据,我只是举了一个例子,做了什么(因为它看起来是一个结果)。

这是脚本,你可以用它来看看输出会是什么样子(但不要对输入数据太挑剔,这个脚本只是为了说明问题......)。

//类型0--线性归一化,1--非线性

附加的文件: