INVESTOX-Forum

Hallo Frank,

probier es mal mit einem extrem kurzen Trainingszeitraum (ca. 1 Jahr), 100 Inputs und max. 10.000 Epochen. Dann kommst Du locker auf 0,4.

Hallo,
es bringt doch nichts, nur auf die Korrel im Trainingszeitraum zu schauen, auf die Gleichmäßigkeit der Werte innerhalb der Zeiträume kommt es an. Außerdem ist die absolute Korrel vom eingestellten Output abhängig.

Viele Grüße

Fritz

Hallo,

@ Fritz
ich sehe das mit der Gleichmäßigkeit der Werte genauso wie Du. Aber was meinst Du mit "absoluter Korrelation" genau? Dieser Begriff ist mir bei Korrelationen nicht geläufig. Daß übrigens die Korrelation vom Output des NN abhängig ist, sehe ich nicht als Manko, ganz im Gegenteil, es ist doch gerade wichtig, daß die Korrelation zwischen Prognose (also dem Output des NN) und dem zu prognostizierenden Wert berechnet wird. Und dann hängt selbstverständlich die Korrelation von der Prognose des NN ab. Oder habe ich Dich jetzt völlig falsch verstanden?

Hallo Megaklaus,
ich war im Urlaub, deshalb erst jetzt meine Antwort.
Mit absoluter Korrelation meine ich natürlich den absoluten Wert der Korrelation. Bekanntlich kann dieser positiv oder negativ sein.

Das die Korrelation auch vom eingestellten Output abhängt habe ich nicht als Manko bezeichnet, kann hier Deinen Gedanken also nicht folgen.
Ich wollte lediglich darauf hinweisen, das unterschiedliche Prognoseziele bei gleichen Inputs unterschiedliche Korrelationen ergeben.
Eine Vergleichbarkeit ist also dann nicht gegeben.

Viele Grüße

Fritz

Hallo Fritz,

Korrelationen sind schon vergleichbar. Ein Variablen-Paar, welches eine positive Korrelation hat, verhält sich umgekehrt zueinander als ein Variablen-Paar, welches eine negative Korrelation hat. In diesem Sinne läßt sich also durchaus das Verhalten zweier völlig verschiedener Variablen-Paare miteinander über die Korrelation vergleichen. Ein anderer Vergleich,der außerdem möglich ist, betrifft den Betrag der Korrelation. Ein Variablen-Paar welches eine Korrelation von z.B. +/- 0.4 hat, besitzt einen geringeren statistischen Zusammenhang als ein Variablenpaar, welches eine Korrelation von z.B. +/- 0.6 hat.

Übertragen auf ein NN mit Prognoseziel 1 und Progneseziel 2 bedeutet das Folgendes: Ist die Korrelation von NN zu Prognoseziel 1 z.B. positiv und von NN zu Prognoseziel 2 z.B. negativ, dann geht die Prognose des NN im Falle des Prognoseziels 1 oft in die richtige Richtung, bei Prognoseziel 2 dagegen oft in die umgekehrte Richtung. Nehmen wir an, daß die Korrelation zwischen NN und Prognoseziel eins 0.4 ist und für Prognoseziel zwei -0.5 ist, dann ist in diesem Fall die Prognose des NN für Prognoseziel 2 besser als für Prognoseziel 1. Man muß dann aber die prognostizierte Richtung für Prognosziel 2 umdrehen. Insofern ist also ein Vergleich zwischen verschiedenen Korrelation bzgl. verschiedener Variablen-Paare sehr wohl möglich.

Dieser Umstand der Vergleichbarkeit von Korrelationen wird in der Statistik übrigens in vielen Rechenverfahren insbesondere in der multivariaten Statistik benutzt, wo teilweise riesengroße Korrelationsmatritzen Grundlage von allen möglichen Berechnungen sind.

Demzufolge kann ich Dir also nicht recht geben.

Aber vielleicht meinst Du auch etwas anderes. Die Brauchbarkeit eines NN ist stark abhängig von den Daten, die das NN für die Prognosen bekommt. Und die Qualität und Brauchbarkeit von Daten lassen sich natürlich nicht durch einfache Korrelationsberechnungen bestimmen. Dazu ist gesunder Menschenverstand wichtiger als Statistik.

Tschüß

Hallo Megaklaus,
Ich habe den Eindruck, wir sprechen unterschiedliche Sprachen. Ich kenne mich schon ein wenig aus in der Materie und benötige keine Grundlagenerklärung.
Was ich sagen wollte ist schlicht und ergreifend die Tatsache, das bei der Betrachtung der Qualitätskennziffern eines NN die Korrelation auch vom Prognoseziel abhängt, bei unterschiedlichen Prognosezielen damit also keine unmittelbare Vergleichbarkeit nur an Hand der ausgewiesenen Korrelation erfolgen darf.
Vergleiche hierzu auch das Handbuch von Investox.
Zitat:
Die Bedeutung der absoluten Werte der Fehlermaße hängen auch vom gewählten Prognoseziel ab. In manchen Fällen kann bereits eine Korrelation von 0.3 gewinnbringende Prognosen bedeuten, in anderen lässt sich vielleicht selbst eine Korrelation von 0.8 nicht sinnvoll einsetzen.

Allgemeiner gesagt: Ein Neuronales Netz, das auf ein sehr ehrgeiziges Prognoseziel trainiert wird, bringt vielleicht bei wesentlich schlechteren Trainingsresultaten einen besseren praktischen Nutzen in Handelssystemen als ein Netz, das sehr gute Ergebnisse hat, aber nur eine sehr einfache Prognose leisten muss.
Insofern empfiehlt es sich, die Fehlermaße in erster Linie als Vergleichsmaße einzusetzen: d.h. zum Vergleich von Netzen mit gleicher Output-Definition, zum Vergleich der Qualität von Trainings-, Evaluierungs- und Kontrollzeitraum oder auch zur Beurteilung der Entwicklung während einer GA-Optimierung.

© 2002 Andreas Knöpfel

Viele Grüße

Fritz