fin_astrology

Categories:

Линейные и нелинейные астрологические модели в астротрейдинге

Сергей Тарасов

Линейные модели

Что касается линейных и нелинейных моделей в астротрейдинге, то с первыми на самом деле очень просто: в математике такой подход называют «линейной регрессией».

Вот очень простой пример: в Timing Solution  я создал два события в модуле ULE: L1 - «хорошие» аспекты для Солнца (Sun), L2 — «плохие» аспекты для Солнца (Sun):

Теперь я выстраиваю баланс между хорошими и плохими аспектами, для этого я используя формулу L1-L2:

 Мы можем поиграть с весами для L1 и L2, например, можно записать формулу в ULE так: L1-0,75*L2, чтобы скорректировать эту модель по реальной цене.

Мы можем пойти дальше, проанализировать пары планет по отдельности, например: L1 — Солнце 60 Марс, L2 — Солнце 60 Юпитер и т. д. Можно использовать любые комбинации и задать вес для всех планетных пар.

Все, что я описал выше - ЛИНЕЙНАЯ модель, потому что каждый аспект здесь работает отдельно. Например, если аспект Солнце-60-Марс имеет вес +10, это означает, что, когда этот аспект имеет место, у нас больше возможностей увидеть положительный всплеск цены, независимо от того, в каком знаке Зодиака находится Солнце или Марс, независимо от того, директный Марс или ретроградный. Все остальные факторы, вроде нахождения в знаке или скорости планеты, не влияют на работу этого аспекта. Итак, линейная модель, это когда мы знаем вес каждого отдельного аспекта (или любого другого явления).

Нелинейные модели

НЕЛИНЕЙНАЯ модель - это уже более сложная конструкция. Например, мы можем определить следующее:

  • аспект Солнце-60-Марс => вызовет положительный скачок цен  если Солнце находится в огненных знаках Зодиака (Овен, Лев, Стрелец)
  • аспект Солнце-60-Марс => вызовет отрицательный скачок цен, если Солнце расположено в земных знаках Зодиака.

Видите ли, эту модель уже нельзя описать как линейную суперпозицию, мы должны применить здесь нелинейные термины, например, записать формулу в модуле ULE так:

10*L1*L2-7*L1*L3

Где L1 — Солнце-60-Марс, L2 - Солнце в огненных знаках Зодиака, L3- Солнце в земных знаках Зодиака.

Однако, у нас в Timing Solution  есть еще и нейросетевой модуль, и хорошая и уникальная особенность модуля Neural Net заключается в том, что он как раз позволяет выявить эти НЕЛИНЕЙНЫЕ связи.

Эти нелинейные связи что описываются формулой L1*L2 (в модуле ULE) образуются на так называемых скрытых уровнях нейросети (если мы переносим это в модуль Heural Net). Если мы ожидаем более сложных формул, таких как L1*L2*L3, то есть, когда у нас три фактора, работающих вместе => было бы лучше использовать в работе нейросети два скрытых слоя (Hidden Layers).  Настройки по выбору, сколько у вас будет слоев в нейросети, делаются здесь:

Хотя существует теорема Колмогорова, которая утверждает, что это соединение типа формулы L2*L2*L3, мы можем моделировать в нейросети, лишь увеличивая количество нейронов в первом скрытом слое, без добавления второго скрытого слоя. Но я не знаю, как эта теорема работает на практике, современные нейросети (нейросети глубокого обучения) используют много скрытых слоев.

ЛИНЕЙНЫЙ и НЕЛИНЕЙНЫЙ режимы: «pro et contra»

В простых астрологических моделях вы не увидите НЕЛИНЕЙНОГО эффекта. Мне кажется, что там реальность относительно ясна и проста. Но в любом случае я бы рекомендовал использовать для прогнозирования в астротрейдинге нелинейные модели вместо линейных.

Причина в том, что НЕЛИНЕЙНЫЕ модели работают намного стабильнее по математическим причинам.

Например, когда мы оптимизируем ЛИНЕЙНЫЕ модели, мы можем получить следующее (возможные примеры записи формул в ULE):

  • Первая итерация 1.2*L1+0.77*L2
  • Вторая итерация 17*L1-7,89*L2
  • Третья итерация 3712437412*L1-6327778*L2

И так далее.

Как видите, веса планетарных аспектов можно увеличивать при оптимизации без каких-либо ограничений. Особенно, если есть некоторая корреляция между событиями L1, L2, .. (для астро-событий это верно). Итак, мы должны что-то сделать с этой особенностью, и нелинейный подход в нейросетях, IMHO, очень хорош для этого, потому что эта особенность ограничена сигмоидной функцией, которая используется в качестве фильтра в нейросетях, вот как это выглядит:

 F (x) здесь ограничен диапазоном -1 .. + 1 независимо от значения X. Этот факт делает нелинейную модель в нейросети намного более устойчивой, здесь все нарастания бесконечности ограничены сигмоидной функцией.

Поэтому, если вы получаете сообщение «эта модель уникальна», оптимизируйте линейную модель => лучше переключитесь на нелинейную модель. 

Error

Anonymous comments are disabled in this journal

default userpic