Использование нейросетей в трейдинге - страница 33

Красавчег - красиво.

В Армейке у корефана эта надпись была наколота на плече... :-)

Считаю сабж темы не раскрыт, хотя бы в части организации и порядка подготовки входных данных в сеть...

Надо определить объект, с которым работаем. Где это определение у нейросетевиков? с чем они работают? Со слоями, персептронами?

Начинать надо отсюда. С простого.

Стационарный ряд = мо и дисперсия константа. у ARCH дисперсия мало того, что не константа, так еще и зависит от предыдущих значений.

При построении моделей проверка на ARCH остатка от моделей обязательна, так как при наличии ARCH МНК применять нельзя.

Паттернам учат 18 часов и принимают зачет, причем основной вопрос: а понимаете ли вы, что паттернами в трейдинге пользоваться нельзя?

При такой постановке вопроса я бы сказал, что Ваш преподаватель был, как минимум, малость не корректен.
Я не ёрничаю, я тоже был студентом. Мне интересно, после какого именно ответа зачет ставился?

Нахрена нейросетевикам какие-то слои или перцептроны? Пущай ими разработчики нейростетей занимаются.

Для нейросетевика нейросеть - это чёрный ящик.

Всё что нужно иметь нейросетевику для постановки задачи: значения на входах и значения на выходах - выборка, которая делится на две части обучающая и тестовая (форвард тест). Соответственно задача состоит в том, чтобы значения на входах с максимальной вероятностью совпадали со значениями на выходах нейросети в тестовой выборке после её обучения на выборке обучающей.

Извините, студенты бывают разных специальностей. ТА учат в течение двух недель любого в ДЦ, а эконометрике 5 лет и не всех желающих.

Могу еще раз повторить: в ТА вообще не поднимается вопрос о вероятности исполнения прогноза. Просто верим и сливаем и не понимаем почему. В эконометрике вопрос доверия к результатам моделирования основной. Как и в жизни.

Нет, конечно, я не буду заниматься распознаванием текста. Бессмысленно с выученными все-то 5 буквами...

Благодарю, я тоже стараюсь быть конструктивным. И мне показалось, что мы говорим о разных вещах. В своем сетовании на трудности с классификацией имелось ввиду следующее.

Возьмем классический случай - плоскость. Теория утверждает, что для производства успешной классификации данные (в случае с плоскостью) должны быть линейно разделимы.

(сорри, красивых картинок под руками не оказалось, пришлось быстренько сделать картинки в екселе)

Допустим, мы взяли данные с 2-мя параметрами X и Y (плоскость же...). Привели к единичным векторам и получили такую картинку. Видим 5 явно раздельных области. Любая SOM справится с классификацией на раз и классификация будет именно классификацией. Любое новое данное попадет в один из классов. Свойства у каждого класса нам известны, поэтому, просто узнав, в какой класс попало новое данное, мы сразу про него всё знаем. Со всеми вытекающими...

К сожалению, классический и практический случаи, как говорят в Одессе - две большие разницы.

В практическом случае мы выгрузили данные и получили такую вот картинку. Классификация, конечно, и в этом случае возможна, но она не представляет никакой практической ценности. Можем задать те же 5 классов и SOM честно их "нарисует", просто равномерно распределив центры кластеров. Вновь пришедшее данное попадет куда-то. Но это "куда-то" никакого смысла уже не имеет. Все данные, как и их свойства, равномерно раскиданы (перемешаны) по плоскости. Если мы верим такой классификации и новое данное приписываем к одному из классов, то мы просто сами себя обманываем.

Вот в чем заключается суть проблемы, и что я и имел ввиду в том своем посте. Т.е. с какой стороны я на проблему не наскакивал, получить данные с внятной разделимостью мне так и не удалось. Т.е. либо разделимость напрочь отсутствует, нефиг и пытаться. Либо у меня тямы не хватает. Природа-матушка не обделила меня некоторой самокритичностью, поэтому пока что я склоняюсь ко второму варианту. Поэтому советуюсь с разными товарищами. Ну и повторюсь, получив внятную классификацию, далее уже можно поработать с вероятностной сеткой и с нечеткой логикой.