Какие советы вы можете дать по обучению нейронной сети для прогнозирования результатов сетапов на исторических данных, где каждый сетап известен результат: Стоплосс, Профит, Безубыток или Таймаут? Я планирую использовать 1000 свечек для обучения. Надо ли как-то обрабатывать данные свечек (OHLCV) перед обучением? Какие статьи и материалы посоветуете для начала изучения данной темы, учитывая мой опыт миддл/сеньор в JS/PHP и отсутствие знаний в области AI и Python?
1. Для предсказания успешного завершения установки на бирже можно использовать различные методы анализа данных, такие как машинное обучение, временные ряды и другие методы прогнозирования. Важно учитывать как фундаментальные, так и технические аспекты рынка. 2. Для обучения нейронной сети на исторических данных с целью прогнозирования результатов сетапов, можно использовать набор признаков, таких как цены открытия, закрытия, максимальные и минимальные значения, объемы торгов и другие технические индикаторы. Необходимо провести предварительный анализ данных и отбор признаков для оптимального обучения модели. 3. Для начала изучения данной темы можно посмотреть онлайн-курсы по машинному обучению, нейронным сетям и анализу данных на платформах Coursera, Udemy или Khan Academy. Также можно изучить конкретные библиотеки и инструменты для работы с нейронными сетями, такие как TensorFlow, Keras или PyTorch. 4. Для обработки данных свечек перед обучением можно использовать стандартные методы предобработки данных, такие как масштабирование, нормализация, кодирование категориальных данных и т.д. Важно также провести анализ выбросов и отсутствующих данных. 5. Рекомендуемые материалы для изучения темы нейронных сетей и анализа финансовых данных: - "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" от Aurélien Géron - "Deep Learning" от Ian Goodfellow, Yoshua Bengio и Aaron Courville - "Python for Finance" от Yves Hilpisch - Онлайн-курсы по машинному обучению и нейронным сетям на платформах Coursera, Udemy или Khan Academy.
Это задача на классификацию?
Да. Так как у тебя таргет дискретный [Стоплосс, Профит, Безубыток,Таймаут]
Как подойти к задаче?брать и делать, так появятся более конкретные вопросы. Если абстрактно, нейронная сеть это механизм трансоформации данных, у тебя есть входные данные вложенный массив, на языке математики тензоры определенного порядка, если геометрические трансформации например скалярное произведение матриц (тензоров второго порядка), есть желаемый результат вектор из 4 значений которые можно интерпретировать как вероятности, есть функции потерь которые сравнивает "некая трансформация данных" была полезна уменьшила функцию потерь или нет, есть механизм настройки матрицы весов который позволяет понимать как увелечение или уменьшение определенного значения внутри вектора отражается на функции потерь.
Какие слои и структуры?Рекурентная нейронная сеть, функция активации relu, кроме последнего слоя там softmax или что типа того что бы можно трансформировать вывод в вектор вероятностей.
Для обучения планирую скармливать нейронке например 1000Без понятия тюнинг гиперпараметров, а batch size это один из параметров которые тюнятся, делаются после с наблюдением поведения других метрик на тренировочном и тестовом сете.
Надо ли как то предобрабатывать эти свечки или можно скармливать как есть OHLCV?Надо препроцессинг для time series необходим их много гугли, но однозначно надо.