Судя по всему, этот год я проведу в исследованиях нейросетей для трейдинга. За то время, что уже потратил на эту тему, у меня сформировалась интересная подборка про нейросети в контексте трейдинга:
- Нейросети как люди: чем тупее, тем лучше для тех, кто их использует.
- Нейросети как люди: одна голова — хороша, а две — лучше.
- Нейросети как люди: не надо оценивать эффективность только по заработанному кэшу.
- Нейросети как люди: если их больше наказывать, чем поощрять, то результат будет стабильнее, но если совсем не поощрять, то результат будет отрицательный.
- Нейросети как люди: их нельзя заставить понять то, чего не существует.
- Нейросети как люди: не только лишь все могут смотреть в завтрашний день.
- Нейросети как люди: перегрузка информацией не улучшает результат.
- Нейросети как люди: специализация важнее эрудиции.
- Нейросети как люди: дисциплина важнее внезапных просветлений.
- Нейросети как люди: никто не вечен.
(Не буду расшифровывать каждый тезис, это можно сделать с помощью ИИ)
Конкретно сейчас занимаюсь генетикой. Генетика — великая сила. Допустим, есть нейросеть на 100 параметров, каждый параметр может быть в диапазоне от -1 до 1 с шагом 0.2. Для полного перебора нужно проверить 10^100 комбинаций. Это число известно как Гугол. Даже во всей вселенной нет столько атомов. Хотя это нейросеть микроскопических масштабов. А вот генетический алгоритм находит почти лучшее решение за несколько сотен поколений на популяции примерно равной количеству параметров.
Почему сравнивается с тупым перебором? А какие ещё варианты? Как градиентными алгоритмами обучить нейросеть на данных, которые нельзя разметить(для моей задачи нельзя разметить). Можно, конечно применять гибридные алгоритмы, но только когда и если упрусь в масштаб.
P.S. Тут Граали не палят.
Подробнее https://smart-lab....