Piligrimus - нейросетевой индикатор. - страница 2

сглаженность - на техническом языке отсечение высокочастотных составляющих

у текущей версии сколько децибел затухания удалось достичь на расстоянии от максимальной частоты полезного сигнала до частоты допустим на октаву выше?

Да, пожалуйста!

К - порядок фильтра. Больше 2 лучше не ставить - сильно увеличивается ФЗ.

И действительно в чем смысл!? Обьясните к примеру на примере,.... так как ваш индикатор похож на обычную среднюю,..........

Нейронные сети представляют собой самообучающиеся системы, построенные на элементах моделирующих принцип действия нейрона человеческого мозга. 

Модель нейрона МакКаллока-Питтса состоит из тела (сомы) и отростков (аксонов), концы которых стыкуются с телами других нейронов. Место стыка называется синапсом. Синапс характеризуется силой синаптической связи w. Если нейрон i имеет синапсы с силами связи wi1, ...,win, то приходящие по ним импульсы от других нейронов (Sj) в нем суммируются и дают на выходе: 



 Модель нейрона.


В качестве функции активации (переходной функции) f() нейросети обычно выбираются: простая ступенчатая функция, симметричная или ассимметричная S-образная функция или линейноступенчатая функции (см. рис.). 

Рис.  Простая ступенчатая, ассимметричная и симметричная S-образные функции активации.


Если обозначить wij, силу связи j-го нейрона на i-ом, то нейросеть, состоящая из n нейронов будет полностью характеризоваться матрицей синаптических связей: 

 
Обычно используют простейшие нейросети, так называемые, слоистые нейросети . Входы нейронов каждого слоя соединены только с выходами нейронов предыдущего. Первый слой называется входным, последний - выходным, а остальные - скрытыми (внутренними ) слоями. Пример обозначения такой нейросети: 4 - 8 - 5 - 3. Это означает, что нейросеть состоит из 4-х слоев: во входном слое 4 нейрона, в выходном - 8, в двух скрытых слоях - 8 и 5. 
Управление (обучение ) нейросетью осуществляется посредством изменения сил синаптических связей в матрице W. Неросеть может быть использована как самообучающаяся система, либо быть предварительно настроена на специально подобранных примерах - образцах (обучение с учителем ). При настройке нейросети для заданного набора входных сигналов сеть генерирует выходные сигналы, которые сравниваются с образцами, отклонения от которых оцениваются с помощью специально подобранной функции потерь (например, равной среднеквадратической отклонений). Далее изменяют матрицу синаптических связей с целью минимизации функции потерь (обычно методом градиентного спуска ). Нейросеть, таким образом, можно отнести к моделям аддитивной, нелинейной и непараметрической регрессии. 

Рис.  Простая ступенчатая, ассимметричная и симметричная S-образные функции активации.



Эффективность работы нейросети является взвешенной оценкой трех ее свойств: 
степени конвергенции - точности с какой модель адаптировалась к заданным входным значениям; 
степени генерализации (обобщения) - точности, с какой модель работает на входных наборах, выходящих за рамки тех, которые ей предлагались; 
стабильности - меры разброса (отклонений) в точности ее прогнозов. 
На перечисленные выше свойства нейросети можно повлиять посредством следующих процедур: 
выбором подходящей функции активации 
выбором подходящей функции потерь 
выбором архитектуры (структуры) сети 
подбором параметров для градиентного спуска 
выбором времени обучения Пример применения нейротехнологий в техническом анализе Основной целью нейронного обучения является построение связей (ассоциаций) между наблюдаемыми формациями. Нейронные сети полезны на этапе принятия решения по сигналам, приходящим от нескольких технических индикаторов. Различные технические индикаторы эффективны при различных состояниях рынка. Как мы уже говорили, трендоследящие индикаторы эффективно работают при наличии тренда, тогда как осцилляторы применимы, когда рынок колеблется в диапазоне. 

Покажем на простом примере (A.-P. Refenes, A.Zaidi ), как в этом случае можно использовать нейронную сеть. Пусть стоит следующая задача: найти смешанную стратегию на основе комбинации двух стратегий, каждая из которых строится по сигналам от двух простых индикаторов: скользящей средней (MA) и отклонения от среднестатистического значения (MV). 

MA - простой индикатор, сравнивающий две скользящие средние с разными периодами усреднения и дающий сигнал на покупку, когда быстрая СС пересекает медленную снизу-вверх, и сигнал на продажу при пересечении сверху-вниз. 

MV - простой индикатор, дающий сигнал на продажу, когда цена оказывается больше своего среднестатистического значения, сигнал на покупку - в противном случае. 

Структура системы показана на Рис. 91. 

На вход системы поступают сигналы индикаторов (0 - короткая позиция, 1 - длинная) и информация об эффективности индикаторов за 2 последних дня (прибыль или убыток), а также текущая рыночная информация. 
На выходе получается три сигнала: 

МА: следовать рекомендации MA-индикатора 

МV: следовать рекомендации MV-индикатора 

NP: ничего не предпринимать 

Каждый выходной сигнал принимает значения в диапазоне от 0 до 1. 

Рис.  Схема нейронной сети для анализа двух индикаторов.


Если оба МА и МV сигналы находятся в состоянии ВКЛ (принимают значения большие 0,5), то выбираются рекомендации сигнала с наибольшим значением, если же NP находится в состоянии ВКЛ, то ничего не предпринимается.

В данном примере применения нейронной сети есть пример ее использования,..... а у вас что она предпологает?

Это случаем не Butterworth?

Вся формула и является объединением нескольких обученных с разными параметрами сетей, и сведенных в один полином со своими весовыми коэффициентами относительно друг друга.

Пересчет всего полинома происходит на каждом тике, т.к. история не меняется, а меняются только котировки нулевого бара, то при их изменении меняются и результаты пересчета на нулевом баре, результаты расчетов на остальных барах остаются без изменения. Никакого перерисовывания нет.

Я этого не проверял.

Я использую нейросеть как фильтр, это несколько другая задача, в отличие от описанной Вами.

вот так всегда.. все на глазок

Вы получили некоторые коэффициенты для своего цифрового фильтра. По сути, это МА со смешными коэффициентами, как и любой цифровой фильтр. А чего вы собственно от него хотели? Что вы хотите отфильтровать и насколько быстро реагировать на изменения?
И как это оптимизировать?

Infinity, Спасибо за объяснение. Очень просто, понятно и логично.

Я понимаю, что такое нейронная сеть, и в примере я вижу смысла больше, чем в данном индикаторе.

На входе кучка непонятных коэффициентов. На выходе средняя. Так не тянет по смыслу даже на экспу.