08 kwie 2017, 00:14 Ostatnio zgbiam si troch w tematyk sieci neuronowych i zastanawiam e w jaki sposb wykorzysta to w grze na rynkach finansowych Tzn. O ile mam kilka pomysw jakie wartoci przydzieli do neuronw wejciowych, para co wstawi na wyjciu Cen quotjutrzejszquot I np. Jak prognozowana cena jest wysza to byby sygna comprar, jak nisza sygna vender. Kto kto ma dowiadczenie mgby podrzuci jakie wskazwki 08 kwie 2017, 08:49 Nie odpalaem tego u siebie bo nie jestem pewien co siedzi w rodku tego pliku skompilowanego. Moe Tobie uda si to w jaki bezpieczny sposb otworzy i zobaczy czy dziaa czy te por scam. - Dodano: pt 08-04-2017, 13:57 - Z tego co kojarz to jeszcze nikomu nie udao si za pomoc sieci wyprognozowa cen zamknicia - nie szukabym tutaj gralla ie Tobie nagle uda e w tydzie zrobi co co bdzie prognozowa w 55 przypadkw dobrze. Wikszo wrzuca do sieci wskaniki i ich pochodne ktre strasznie si koreluj ze soluços. Nikomu nie udao si wyprognozowa kolejnej ceny za pomoc poprzednich w sieci wic to te wywal. Gdybym mia si bawi z prognoz za pomoc sieci prbowabym chyba z prognozowaniem dynamiki zmian cen lub redniej kroczcej. W przypadku tej drugiej czytaem, e skuteczno prognozy kierunku redniej para ju co w okolicach 90 albo 95 skutecznoci - ale jak wiadomo rednia nie zmienia czsto kierunku. 12 kwie 2017, 13:04 MkubuxK pisze: Gdybym mia si bawi z prognoz za pomoc sieci prbowabym chyba z prognozowaniem dynamiki zmian cen lub redniej kroczcej. W przypadku tej drugiej czytaem, e skuteczno prognozy kierunku redniej para ju co w okolicach 90 albo 95 skutecznoci - ale jak wiadomo rednia nie zmienia czsto kierunku. Te braem pod uwag ustawienie wartoci redniej kroczcej na wyjciu i pewnie na tym si skoczy. 12 kwie 2017, 20:30 Drugim sposobem jest prognozowanie na podstawie zmiennoci jak pisze MkubuxK podobnie jak volatilidade implícita 21 kwie 2017, 12:20 Z sieciami jest sporo problemw. W ogle trzeba zacz od obrbki danych. Znalazem jakie artykuy sugerujce, e jak si pozwoli na zbytnie dopasowanie modelu do niestacjonarnego szeregu czasowego (czyli praktycznie kadego wykresu ceny), para zdolnoci prognostyczne sieci s lepsze. Tu mona przeczyta te rewelacje: researchgate. netpublicatio. Imeseries Problema jest te z samym dobraniem rodzajutopografi sieci. Duym zainteresowaniem cieszya si LSTM (colah. github. ioposts2017-08-Un-ing-LSTMs), czyli sie z quotpamiciquot. Intuicyjnie wydaje si, e taka siec zaprojektowana do uczenia si dugoterminowych zalenoci jest wietna do zastosowania na forexie. Ale nigdy nie spotkaem si z przykadem udanego wykorzystania tego do zarabiania. Syszaem o takich pomysach, eby zamiast cen prognozowa wynik strategii. Czyli sie uczyaby e w jakich warunkach zlecenia danej strategii s zyskowne a w jakich nie. Jej prognoza decydowaaby czy sygna wygenerowany przez strategi ma si zrealizowa na rynku czy nie. Konieczny byby tu jednak jaki system wirtualnych zlece (sie musi si uczy na podstawie wszystkich sygnaw a nie tylko tylko przez ni przepuszczonych) lub uruchomienie strategii na jednym koncie samopas a na drugim kopiowanie po przepuszczeniu przez sie. 25 kwie 2017, 09:41 Para co piszesz brzmi fajnie, szczeglnie wirtualny tester to musi by wietna sprawa. Przypomina para jednak bardziej optymalizacj andando para a frente. Z tym jest taki problema, e jak ze zbioru wszystkich parametrw wybierasz te, ktre dia najlepszy wyniki kocowy w danym okresie (najbardziej zyskown strategi z jakimi ustawieniami), para masz bardzo devido szanse na, e po prostu dopasowae e do danych historycznych. Eu não sabia o que fazer, então, para tomar jak mwisz, dostajesz co co wyglda wietnie w testach, ale wykada si na nowych danych. Poruszye wan kwesti, po stworzeniu takiej sieci trzeba dodatkowo pilnowa, eby jej nie przeuczy. Tylko tu znowu para nie jest takie proste. Jak si uczy sie rozpoznawa czy dany klient baku bdzie spaca kredyt czy nie, para mamy do czynienia z mniej lub bardziej staym problemem, tipw ludzi spacajcych kredyty nie jest nieskoczenie wiele. Na Forexie natomiast mamy ograniczone dane historyczne i nieskoczenie (teoretycznie) wiele moliwoci rozwoju ceny w przyszoci. Moemy sobie dzieli zbir na dane testowe i walidacyjne i na nich pilnowa, eby sie si nie przeuczya, dawaa dobre wyniki na danych, na ktrych si uczya i na tych, ktrych quotteoretycznie jeszcze nie widziaaquot. Não, ale tu wanie napotykamy problem z ograniczon liczb danych. Przetestujemy modelo raz i wyjdzie, e na danych walidacyjnych bd modelu jest za duy. Não, eu co teraz Zmieniamy parametry i dziaamy tak dugo a na danych walidacyjnych te nam dobrze wyjdzie Spore szanse, e se dopasujemy do jednych eu faço drugich danych zamiast znale dobry modelo. Moemy po kadej zmianie parametrw zmienia dane walidaycjne, no ale wiemy, e s one ograniczone. I koo si zamyka. Osobicie wierz, e uczenie maszynowe moe mie jakie zastosowanie na forex, ale wiele wskazuje na to, e znalezienie jakiej biblioteki do budowy sieci i przepuszczenie przez ni danych z rynku, para dopiero wierzchoek gry lodowej. Kiedy widziaem na MQL5 bibliotek do budowy sieci stworzon przez Polaka, ale nie mog ju tego znale. Jakby si komu udao, to moe jego warto wcign do dyskusji lub poszuka co jemu si udao zdziaa. Kto jest online Uytkownicy przegldajcy para o fórum: Obecnie na forum nie ma adnego zarejestrowanego uytkownika i 1 go Technologi dostarcza phpBB reg Forum Software copiar phpBB Group. Styl weuniversal stworzony przez weeb. OSTRZEENIE O RYZYKU. Transakcje Forex oraz CFD oparte na dwigni finansowej s wysoce ryzykowne dla Twojego kapitau, poniewa straty mog przewyszy depozyt. Dlatego te, Forex oraz kontrakty CFD mog nie por odpowiednie dla wszystkich inwestorw. Nie naley ryzykowa wicej, ni jest si getowym straci. O presente relatório foi preparado como um requisito para o curso: Métodos e algoritmos de inteligência artificial O objetivo deste projeto era um curto - Previsão do prazo da taxa de câmbio da moeda no mercado de câmbio 8211 FOREX. A tarefa foi realizada na rede neural de força. De acordo com as intenções, consegue prever a taxa de câmbio da moeda com probabilidade superior a 50. Para criar a rede neural utilizou o programa: Stuttgart Neural Network Simulator. A data vem da Internet, uma parte deles vem de seu próprio estudo. WST281p Celem projektu by322o przewidywanie kroacutetkoterminowych zmian kursu waluty na rynku walutowym 8211 FOREX. Zadanie zosta322o zrealizowane w oparciu o sieci neuronowe. Zgodnie z zamierzeniami uda322o si281 przewidywa263 kierunek zmiany kursy waluty z prawdopodobie324stwem wi281kszym ni380 50. Do Tworzenia stworzenia sieci u380yto programu Stuttgart Neural Network Simulator. U380yte dane s261 ogoacutelnie dost281pne w Internecie, cz281347263 z nich poddano w322asnej obroacutebce. Przebieg realizacji projektu 8211 tworzenie sieci neuronowej. Okre347lenie prognozowanej zmiennej W sieci prognozowany by322 kierunek zmiany kursu waluty USDCHF na nast281pny dzie324. Okre347lenie kierunku jest 322atwiejsze od okre347lenia procentowej zmiany kursu jak i okre347lenia przysz322ej warto347ci tego kursu. Zmienna przyjmuje warto347263 middot 1 8211 gdy na koniec dnia nast281pnego warto347263 Kuršu b281dzie wi281ksza od bie380261cego middot 0 8211 gdy na koniec dnia nast281pnego warto347263 Kuršu b281dzie mniejsza od bie380261cego Gromadzenie zbioroacutew danych Faça danych nale380261cych nie fazer w322asnego opracowania nale380a322y dzienne Kursy USDCHF: warto347263 NA pocz261tku dnia (O), na ko324cu dnia (C), minimalna (L) i maksymalna warto347263 w ci261gu dnia (H) oraz wolumen obrotoacutew dla danego dnia. Podczas przygotowa324 badano roacute380ne warto347ci jakie mo380na por da263 na wej347cie ucz261cej si281 sieci. Ostatecznie wybrano zbioacuter, ktoacutery najlepiej realizowa322 cel w347roacuted przebadanych. Wst281pne przetworzenie danych Na wst281pie zgromadzone dane pos322u380y322y do stworzenia nowych zmiennych wej347ciowych dla sieci, zmienne te s261 mi281dzy innymi wynikiem przeprowadzonych oblicze324 jak i procesu normalizacji. Podczas przygotowa324 badano roacute380ne warto347ci jakie mo380na por wykorzysta263 na wej347ciu ucz261cej si281 sieci. Ostatecznie wybrano zbioacuter, ktoacutery najlepiej realizowa322 cel w347roacuted przebadanych: middot Pierwsze 4 zmienne dla sieci stanowi261 odpowiednie roacute380nice warto347ci obecnych czterech wymienionych kursoacutew O, C, G, H i aktualnych 347rednich krocz261cych wyznaczonych nd podstawie 30 okresoacutew (Badano roacutewnie380 dla 50 okresoacutew). Middot wspoacute322czynnik On Balance Volume (OBV) wyznaczony na podstawie wolumenu odpowiednio podzielony, aby nie zak322oacuteca322 sieci middot indykator Rrelative Strength Index (RSI) (Índice de força reacional). Um 346rednia warto347263 wzrostu cen zamkni281cia z e dni b 346rednia warto347263 spadku cen zamkni281cia z y dni middot indykator Dificuldade de convergência média convergente (MACD). Nieprzetworzone dane, sprawia322y 380e sie263 dzia322a322a z mniejsz261 skuteczno347ci261 b261d378 te380 w czasie uczenia wyst281powa322y du380e zak322oacutecenia. Prezentuj261c sieci zmian281 warto347ci zamiast warto347ci absolutnych, zwi281kszamy jej zdolno347ci prognostyczne. Cztery pierwsze zmienne zosta322y w ten sposoacuteb przetworzone, aby zniwelowa263 niekorzystny wp322yw trendoacutew kursoacutew jak i te380 fakt, 380e na prze322omie lat, 347redni kurs dla danego roku ulega zmianie. Poni380ej przedstawiono jak doboacuter zmiennych wej347ciowych wp322ywa322y nd ostateczny wynik nauki sieci (przedstawiona jest Zmiana warto347ci 347redniego b322281du kwadratowego MSE w zale380no347ci od krotno347ci powtoacuterze324 kolorem Czerwonym oznaczony b322261d z puli testowej um Czarnym z ucz261cej puli): middot Genealógica dla zmiennych wej347ciowych przedstawionych powy380ej: poza middot wymienionymi na pocz261tku zastosowano roacute380nice mi281dzy nast281pn261 um bie380261c261 warto347ci261 Kuršu zamkni281cia Wyst281puj261 zak322oacutecenia w procesie uczenia i brincadeira du380a roacute380nica w b322281dach dla warto347ci ucz261cych i testuj261cych middot poza wymienionymi na pocz261tku zastosowano roacute380nice mi281dzy kursem otwarcia um zamkni281cia Nie ma du380ej roacute380nicy w b322281dach, ale w procesie Uczenia bardzo wolno b322261d jest zmniejszany Wyodr281bnienie zbioru danych Zbioacuter danych trenuj261cych sk322ada322 si281 z 1750 wektoroacutew trenuj261cych, natomiast lic Zba wektoroacutew testuj261cych 250, przy czym wektory te s261 kolejne w szeregu czasowym po wektorach trenuj261cych. Wyboacuter odpowiedniej architektury sieci Wybieraj261c architektur281 sieci oparto si281 o literatur281, informacjach zdobyte na Internecie oraz w322asnych proacutebach. Zdecydowano si281 na sieci oparte na algorytmie wstecznej propagacji b322281du. Wg literatury dla sieci trzywarstwowej liczba neuronoacutew w warstwie ukrytej powinna si281 roacutewna263 sumie zmiennych wej347ciowych i wyj347ciowych. Taki wariant przyj281to, lecz poni380ej przedstawiono tak380e wykresy MSE dla innych sieci: middot 7-8-1 sie263 podstawowa: middot Sie263 czterowarstwowa7-10-10-1: Trenowanie sieci Po przygotowaniu zmiennych wybraniu, sieci przyst261piono do trenowania sieci. Najpierw zainicjowano losowe Wagi dla po322261cze324, nast281pnie proacutebowano nauczy263 sie263 wykorzystuj261c roacute380ne warto347ci parametroacutew dla algorytmu ucz261cego - wstecznej propagacji8211 wspoacute322czynnik nauki (Wn) i maksymaln261 roacute380nic281 mi281dzy zmienn261 wytrenowan261 um zmienn261 w322a347ciw261 (DIF). Analizuj261c kilka przypadkoacutew przyj281to: Wn0.05, Dif0.2. Badan261 sie263 wytrenowano korzystaj261c z 40000 powtoacuterze324, wi281ksza liczba bardzo powoli zmniejsza322a b322261d szacowania. Wyniki testu wytrenowanej sieci Po wytrenowaniu sieci sprawdzono poprawno347263 dzia322ania sieci na 250 zmiennych testuj261cych, poroacutewnano wynik otrzymanych z sieci z rzeczywistymi. Przyj281to, 380e je380eli warto347263 otrzymana z sieci roacute380ni si281 o warto347263 mniejsza ni380 okre347lona (), wtedy sie263 prawid322owo przewidzia322a wynik. W ten sposoacuteb otrzymano nast281puj261ce wyniki: middot dla 0.3 skuteczno347263 sieci wynosi. 38 middot dla 0.4 skuteczno347263 sieci wynosi. 56 middot dla 0.45 skuteczno347263 sieci wynosi: 63 Tworz261c dez projekt podj281to si281 zadania teoretyczni du380o 322atwiejszego ni380 przewidzenie przysz322ej warto347ci, w dodatku przewidywane wyprzedzenie by322o tylko jedno dniowe. Mimo wszystko problema nie nale380a322 do prostych. Na wynik i poprawno347263 sieci ma wp322yw bardzo wiele zmiennych, takich jak przyj281te zmienne, ilo347263 wektoroacutew ucz261cych, architektura sieci, przyj281ta metoda uczenia sieci, wspoacute322czynniki dla odpowiedniego algorytmu. Jak ju380 wcze347niej napisa322em analizowanym problemem zajmuj261 si281 roacute380ni naukowcy, instytuty badawcze, po347wi281caj261c na a lata. Z pewno347ci261, graj261c na rynku walutowym 8211 Forex, nie nale380a322oby bezgranicznie ufa263 stworzonej podczas tego projektu sieci. Mimo wszystko wyniki uzyskane daj261 wi281ksz261 szanse na poprawne stwierdzenie kierunku ni380 przys322owiowy rzut monetom. Dalszym rozwojem projektu, mog322oby by263 okre347lenie procentowej zmiany kursu waluty, b261d378 te380 przewidywanie kierunku zmiany z d322u380szym wyprzedzeniem. Bibliografia middot Sieci neuronowe, algorytmy genetyczne i systemy rozmyte Danuta Rutkowska, Maciej Pili324ski middot Sztuczne sieci neuronowe i metody statystyczne. Wybrane zagadnienia finansowe Dorota Witkowska middot Sieci neuronowe 8211 Prognozowanie finansowe i projektowanie systemoacutew transakcyjnych U380yty programa:
No comments:
Post a Comment