Поиск набора индикаторов для подачи на входы в нейросеть. Дискуссия. Инструмент оценки результатов. - страница 5

На счёт выбора диапазона очень спорный вопрос. ГА очень долгий, намного дольше чем ОРО - ещё один недостаток.

Интересно узнать у Вас технику подбора диапазона весов, ну или чем Вы руководствуетесь

ГА не для НС-й. Для НС-й есть свои методы обучения(оптимзации). Хотя бы просто потому что не получиться как с ОРО использовать CV.

так :)

 public double evaluate(IChromosome a_subject) {
        this.NNWeights=new double[a_subject.size()]; //создаем вектор весов для нейросети
        for (int i=0;i<this.NNWeights.length;i++)
        {
            DoubleGene g= (DoubleGene) a_subject.getGene(i);
            this.NNWeights[i]=g.doubleValue(); //заполняем вектор весов для нейросети
        }
        net.SetWeights(this.NNWeights); //устанавливаем веса нейросети
        Trade trade =new Trade();
        for ( int i=0;i<this.csv.CSVInputs.length;i++)
        {
            trade.TradeCurrentSignal(net.ComputeForOneNeuronOutLayer(this.csv.CSVInputs[i]),this.csv.CSVPrice[i]);
        }
        
      return 1000000+trade.Profit; //целевая функция должна быть >0
    }

При обучении я учу пока увеличивается целевая функция или пока не надоест( по времени). о переобучении забочусь косвенно - обучающая выборка много больше чем весов в нейросети. дальше, выгружаю в .mq4 ( здесь, возможно, есть ошибка... тестирую . протестировал. все правильно работает.) и смотрю тестером стратегий МТ4 что получилось.

"Сравниваете результат" - вот эту часть вашей мысли я не понимаю... специально переобучать сеть и сравнивать ее результат с результатом сети, обученной на предыдущих периодах? не вижу смысла.

не сравню я все наборы.... перебирать даже 200 наборов входов, на самом деле их больше, долго и мало смысла т.к. можно что-то упустить.

Почему переобучать?! Есть выборка, на которой вы учите сеть. Теперь смоделируйте ее работу, подайте сети выборку с которой она не знакома и сравните результат полученный от работы сети с тем, который ожидался для тестовой выборки.

для Forex, результат того что вы предлагаете, будет определять прогнозирующие способности обученной сети, а не качество обучения...а прогнозирующие способности сети зависят не только от качества обучения, но еще и от структуры сети, способе интерпретации того что выдает сеть и от информации, которая подается в сеть. как раз, что бы лучше понять что подавать в сеть, я и поднял тему данной ветки форума.

Кгм ... причем тут прогнозирующие способности? У вас есть сеть, есть ваша сеть с предполагаемой интерпретацией ее ответов.

Исходя из вашего кода, класс Trade() имитирует в том или ином виде процесс торгов. Открытие позиции, удержание, закрытие.

Исходя из этого вы принимаете решение на сколько подходит вам данная особь. Т.е. вы изначально заложили какое-то правило

интерпретации выходов.

Хм ... идея формирования обучающей выборки: (Next price predictor using Neural Network )

ntr - of training sets

lb - lastBar

// Fill in the input arrays with data; in this example nout=1
for(i=ntr-1;i>=0;i--)
{
outTarget[i]=(Open[lb+ntr-1-i]/Open[lb+ntr-i]-1.0);
int fd2=0;
int fd1=1;
for(j=nin-1;j>=0;j--)
{
int fd=fd1+fd2; // use Fibonacci delays: 1,2,3,5,8,13,21,34,55,89,144...
fd2=fd1;
fd1=fd;
inpTrain[i*nin+j]=Open[lb+ntr-i]/Open[lb+ntr-i+fd]-1.0;
}
}

Спасибо. Посмотрю.

->

->

Похоже, rip и IlyaA никак не поймут, что iliarr использует метод обучения без учителя. Про какую ошибку обучения может идти речь, если целевая функция - прибыль? Или Вы оба думаете, что обучив сеть на истории, прогнать на тестовой истории и сравнить полученную прибыль? Прибыль будет другая, меньше или больше, но другая. Тестовая же история другая. Не путайте с аппроксимацией пожалуйста, где критерием качества аппроксимации является среднеквадратичное отклонение исходной функции и полученной.

->

->

Не пойму, почему такая безапелляционность?

Вот несколько ссылок, попавшиеся по поиску, где говорится об обратном:

http://alglib.sources.ru/dataanalysis/neuralnetworks.php

http://network-journal.mpei.ac.ru/cgi-bin/main.pl?l=ru&n=13&pa=10&ar=3

http://masters.donntu.edu.ua/2004/fvti/solomka/library/article2.htm

http://www.neuropro.ru/memo314.shtml

Я не утверждал и не утверждаю, что GA единственно правильное решение оптимизации для всех задач. Оно просто более универсально, чем любое другое решение, а зачастую и быстрее, легко приспособить для решения практически любой задачи. Другой вопрос, правомерный, возникает, какое необходимое минимальное количество запусков фитнес функции для нахождения оптимального решения. Об этом и нужно говорить, а не о скорости работы непосредственно самих алгоритмов оптимизации. И здесь GA даст фору большинству других алгоритмов.

Могу завести отдельную ветку, если интересно кому, в которой можно будет выкладывать занятные тестовые функции для алгоритмов оптимизации, и выкладывать результаты разных алгоритмов. Думаю, будет весьма полезно не только тем, кто занимается NN, но и любому, кто желает получить оптимальный по многим признакам результат своих трудов.

В Maple или Mathca'е смотрю диапазон весов, в котором работает функция активации. Если область определения какой нибудь функции [-1;1], то какой смысл "рыскать" например в таком диапазоне (-100;100) переменных?