mytarmailS : 설명 감사합니다. 이제 완벽하게 이해하지만 유전 알고리즘 이 여기에 도움이 될까요? RF 대신 타겟 구현에 대한 흥미로운 아이디어가 많이 있습니다. 시도하고 싶습니다.
좋아, 당신은 생각할 수 있습니다. 예를 들어, 각 반복에서 신경망은 예측에서 목표의 편차를 기반으로 표준 오차 역전파를 수행하지 않지만 이전 버전의 척도에서 실제 거래가 다음과 같이 이상과 다르다는 데이터를 수신한다고 상상해 보십시오. 그리고 그런 수의 점. 그리고 이 정보를 기반으로 가중치를 업데이트합니다. 즉, infa는 병렬 스트림으로 머신으로 이동해야 합니다. 하는 것이 현실일 수도 있습니다.
나 자신에 대해 조금: 나는 프로그래머가 된 적이 없습니다. R은 내가 한 달 동안 공부하는 첫 번째 언어입니다.
다음은 거래 결과에 대한 정보를 제출하여 국회에 교육하는 대략적인 과정입니다. 글쎄, 당신은 당신 자신의 함수를 작성하고 그것을 일부 R 패키지에 사용자 정의 피트니스 함수로 제출하려고 할 수 있지만 먼저 어떤 R 패키지가 이것을 허용하는지 이해해야 합니다. 국회 자체를 작성해야 할 수도 있고 별도의 패키지에 플러스에 작성해야 할 수도 있습니다. ( R 자체는 느립니다.
문제는 매우 이례적인 일입니다. 일반적으로 피트니스 기능은 내가 아는 한 가지 예외를 제외하고 사용자 정의할 수 없습니다. 내가 한 최대값은 교차 검증 중에 선택된 훈련 매개변수 세트의 최대값에 따라 캐럿 패키지에 자체 함수를 작성하는 것이었습니다. 그러나 동시에 기계 자체는 표준으로 훈련됩니다. 즉, 내 솔루션은 당신이 필요로 하는 것이 아닙니다. 이해했나요?
I am trying to implement a customized error function in package neuralnet in R. Normally ’sse’ and ’ce’ which stand for the sum of squared errors and the cross-entropy are used to calculate...
뉴런 학습(역방향 전파)은 일반적으로 다음과 같이 발생합니다. 학습 예제가 여기에 입력되고 결과가 결정되고 필요한 결과와 비교하여 확인되고 오류가 계산됩니다. 또한이 오류를 줄이는 것이 과제입니다. 뉴런의 모든 계산은 초기 데이터에 계수를 곱한 순서에 불과하므로 오류를 줄이기 위해 계수를 얼마나 변경해야 하는지 정확하게 계산할 수 있습니다. 일반적으로 첫 번째 단계에서 오류를 0으로 줄이는 계수를 찾을 수 있지만 아무도 그렇게 하지 않습니다. 왜냐하면 이렇게 하면 특정 예의 오류가 줄어들지만 다른 모든 예에서는 확실히 증가하기 때문입니다.
이 점진적인 오류 감소는 모든 훈련 예제를 차례로 사용하고 반복해서 수행하여 수행됩니다. 즉, 필요한 거래 결과로 Sharpe 비율을 취하여 삽입할 수 없으며 각 교육 예제에 대해 별도로 계산할 수 있는 오류만 수행됩니다. 고유한 함수 중 일부를 사용하여 오류를 계산할 수 있지만 모든 예제가 한 번에 계산되는 것이 아니라 각 훈련 예제에 대해 별도로 계산됩니다. 나는 전체 거래의 가치를 모든 개별 사례로 나누는 방법을 생각할 수 없습니다.
지그재그 또는 바 종가로 거래하는 것이 최적의 거래가 아니라는 데 동의합니다. 스프레드, 드로다운, 거래가 열려 있는 기간도 고려하여 거래를 열고 닫는 것이 훨씬 좋습니다. 이동 평균 또는 기타 지표를 사용하는 어드바이저를 만들고 최대 샤프 비율에 대해 최적화하고 이러한 트랜잭션을 필요한 결과로 훈련 데이터에서 사용하는 것이 가능할 것입니다. 그러나 적어도 지그재그에서 안정적인 결과를 얻은 후에는 이와 같이 할 것입니다.
뉴런 학습(역방향 전파)은 일반적으로 다음과 같이 발생합니다. 학습 예제가 여기에 입력되고 결과가 결정되고 필요한 결과와 비교하여 확인되고 오류가 계산됩니다. 또한이 오류를 줄이는 것이 과제입니다. 뉴런의 모든 계산은 초기 데이터에 계수를 곱한 순서에 불과하므로 오류를 줄이기 위해 계수를 얼마나 변경해야 하는지 정확하게 계산할 수 있습니다. 일반적으로 첫 번째 단계에서 오류를 0으로 줄이는 계수를 찾을 수 있지만 아무도 그렇게 하지 않습니다. 왜냐하면 이렇게 하면 특정 예의 오류가 줄어들지만 다른 모든 예에서는 확실히 증가하기 때문입니다.
이 점진적인 오류 감소는 모든 훈련 예제를 차례로 사용하고 반복해서 수행하여 수행됩니다. 즉, 필요한 거래 결과로 Sharpe 비율을 취하여 삽입할 수 없으며 각 교육 예제에 대해 별도로 계산할 수 있는 오류만 수행됩니다. 고유한 함수 중 일부를 사용하여 오류를 계산할 수 있지만 모든 예제가 한 번에 계산되는 것이 아니라 각 훈련 예제에 대해 별도로 계산됩니다. 나는 전체 거래의 가치를 모든 개별 사례로 나누는 방법을 생각할 수 없습니다.
지그재그 또는 바 종가로 거래하는 것이 최적의 거래가 아니라는 데 동의합니다. 스프레드, 드로다운, 거래가 열려 있는 기간도 고려하여 거래를 열고 닫는 것이 훨씬 좋습니다. 이동 평균 또는 기타 지표를 사용하는 어드바이저를 만들고 최대 샤프 비율에 대해 최적화하고 이러한 트랜잭션을 필요한 결과로 훈련 데이터에서 사용하는 것이 가능할 것입니다. 그러나 적어도 지그재그에서 안정적인 결과를 얻은 후에는 이와 같이 할 것입니다.
예, NS는 귀하가 설명한 대로 작동합니다. 각 예에 대해 오류가 계산된 다음 전체 집합을 통과한 후 평균 제곱 오류 또는 오류의 중앙값 또는 평균 절대 오류와 같은 적합성 함수의 값을 얻습니다. 이 값을 기반으로 역전파 알고리즘에서 계산된 기울기에 따라 가중치가 업데이트됩니다.
여기서 우리는 기계 신호에 대한 거래 시뮬레이션을 기반으로 언급된 피트니스 기능 대신 자신의 기능을 추가해야 하는 것에 대해 논의하고 있습니다. 따라서 NN에서 처리하는 각 예에 대해 가상 거래를 생성할 수 있습니다(출력 신호가 미리 결정된 임계값을 돌파하는 경우). 그리고 모든 예가 끝나면 Sharpe와 같은 일종의 통합 통계를 계산하십시오. 그리고 이미 역전파를 통해 가중치를 처리합니다.
아마도 가장 정확하고 올바른 것은 반전 자체에 대해 동일한 지그재그로 가르치는 것, 즉 세 가지 상태를 제공하는 것이라는 것을 알고 있을 것입니다.
2) 거절하다
3) 반전 없음
그러나 배우기 위해서는 반전을 포착하기가 매우 어렵고 관측 수의 왜곡이 있습니다. "반전이 아닌" 클래스가 수십 또는 수백 배 더 많을 것입니다.
어떤 예측 변수를 사용하고 어떤 결과를 가져옵니까?
나는 스펙트럼 분석을 마스터하기 시작했고, 첫 번째 샘플은 지표를 사용하는 것보다 훨씬 더 나은 것으로 판명되었으며, 그것을 통해 실행했습니다. 훈련 및 검증의 오류는 6%로 밝혀졌지만 코드를 R로 전송하기 시작했을 때, 내가 실수하지 않으면 오류가 30%까지 크게 증가했습니다. San Sanych는 재교육이 일반적으로 지금까지 많이 이해되지 않는다고 말합니다.
스펙트럼 분석을 통해 시장을 지배하는 기간을 찾는 방법도 있습니다. 이 기간을 지표로 대체할 수 있습니다. 적응 지표 를 얻고 기록에 적합하지 않습니다. 첫 번째 테스트는 고무적이었지만 힘을 모을 수 없었습니다. 이 모든 더미를 선반 위의 내 머리에 넣기 위해
설명 감사합니다. 이제 완벽하게 이해하지만 유전 알고리즘 이 여기에 도움이 될까요? RF 대신 타겟 구현에 대한 흥미로운 아이디어가 많이 있습니다. 시도하고 싶습니다.
R에서 이것을 할 수 있습니까?
나 자신에 대해 조금: 나는 프로그래머가 된 적이 없습니다. R은 내가 한 달 동안 공부하는 첫 번째 언어입니다.
R에서 이것을 할 수 있습니까?
나 자신에 대해 조금: 나는 프로그래머가 된 적이 없습니다. R은 내가 한 달 동안 공부하는 첫 번째 언어입니다.
다음은 거래 결과에 대한 정보를 제출하여 국회에 교육하는 대략적인 과정입니다. 글쎄, 당신은 당신 자신의 함수를 작성하고 그것을 일부 R 패키지에 사용자 정의 피트니스 함수로 제출하려고 할 수 있지만 먼저 어떤 R 패키지가 이것을 허용하는지 이해해야 합니다. 국회 자체를 작성해야 할 수도 있고 별도의 패키지에 플러스에 작성해야 할 수도 있습니다. ( R 자체는 느립니다.
문제는 매우 이례적인 일입니다. 일반적으로 피트니스 기능은 내가 아는 한 가지 예외를 제외하고 사용자 정의할 수 없습니다. 내가 한 최대값은 교차 검증 중에 선택된 훈련 매개변수 세트의 최대값에 따라 캐럿 패키지에 자체 함수를 작성하는 것이었습니다. 그러나 동시에 기계 자체는 표준으로 훈련됩니다. 즉, 내 솔루션은 당신이 필요로 하는 것이 아닙니다. 이해했나요?
googled it... 네, 직접 작성해야 합니다. 음, 젠장, 이 표준 대상은 너무 제한된 접근 방식입니다.
여전히 찾아야 할 사항:
http://stackoverflow.com/questions/25510960/how-to-implement-own-error-function-while-using-neuralnet-package-in-r
/go?link=https://stackoverflow.com/questions/36425505/own-error-function-include-weights-for-neuralnet-in-r
신경망 패키지를 사용하면 미분할 수 있어야 하는 고유한 피트니스 기능을 만들 수 있는 것 같습니다. 우리는 생각해야합니다 ... 당신은 무엇을 말합니까?
두 번째 링크는 패키지 번호에 있는 코드를 다시 작성해야 한다고 말합니다.
첫 번째 링크에서 실수를 쓸 수 있지만 제안한 개념을 구현하려면 과거 가중치를 알아야 합니까, 아니면 제가 놓친 것이 있습니까? 솔직히 말해서, 나는 신경망의 작업에 대해 매우 약한 아이디어를 가지고 있습니다.
뉴런 학습(역방향 전파)은 일반적으로 다음과 같이 발생합니다. 학습 예제가 여기에 입력되고 결과가 결정되고 필요한 결과와 비교하여 확인되고 오류가 계산됩니다. 또한이 오류를 줄이는 것이 과제입니다. 뉴런의 모든 계산은 초기 데이터에 계수를 곱한 순서에 불과하므로 오류를 줄이기 위해 계수를 얼마나 변경해야 하는지 정확하게 계산할 수 있습니다. 일반적으로 첫 번째 단계에서 오류를 0으로 줄이는 계수를 찾을 수 있지만 아무도 그렇게 하지 않습니다. 왜냐하면 이렇게 하면 특정 예의 오류가 줄어들지만 다른 모든 예에서는 확실히 증가하기 때문입니다.
이 점진적인 오류 감소는 모든 훈련 예제를 차례로 사용하고 반복해서 수행하여 수행됩니다. 즉, 필요한 거래 결과로 Sharpe 비율을 취하여 삽입할 수 없으며 각 교육 예제에 대해 별도로 계산할 수 있는 오류만 수행됩니다. 고유한 함수 중 일부를 사용하여 오류를 계산할 수 있지만 모든 예제가 한 번에 계산되는 것이 아니라 각 훈련 예제에 대해 별도로 계산됩니다. 나는 전체 거래의 가치를 모든 개별 사례로 나누는 방법을 생각할 수 없습니다.
지그재그 또는 바 종가로 거래하는 것이 최적의 거래가 아니라는 데 동의합니다. 스프레드, 드로다운, 거래가 열려 있는 기간도 고려하여 거래를 열고 닫는 것이 훨씬 좋습니다. 이동 평균 또는 기타 지표를 사용하는 어드바이저를 만들고 최대 샤프 비율에 대해 최적화하고 이러한 트랜잭션을 필요한 결과로 훈련 데이터에서 사용하는 것이 가능할 것입니다. 그러나 적어도 지그재그에서 안정적인 결과를 얻은 후에는 이와 같이 할 것입니다.
뉴런 학습(역방향 전파)은 일반적으로 다음과 같이 발생합니다. 학습 예제가 여기에 입력되고 결과가 결정되고 필요한 결과와 비교하여 확인되고 오류가 계산됩니다. 또한이 오류를 줄이는 것이 과제입니다. 뉴런의 모든 계산은 초기 데이터에 계수를 곱한 순서에 불과하므로 오류를 줄이기 위해 계수를 얼마나 변경해야 하는지 정확하게 계산할 수 있습니다. 일반적으로 첫 번째 단계에서 오류를 0으로 줄이는 계수를 찾을 수 있지만 아무도 그렇게 하지 않습니다. 왜냐하면 이렇게 하면 특정 예의 오류가 줄어들지만 다른 모든 예에서는 확실히 증가하기 때문입니다.
이 점진적인 오류 감소는 모든 훈련 예제를 차례로 사용하고 반복해서 수행하여 수행됩니다. 즉, 필요한 거래 결과로 Sharpe 비율을 취하여 삽입할 수 없으며 각 교육 예제에 대해 별도로 계산할 수 있는 오류만 수행됩니다. 고유한 함수 중 일부를 사용하여 오류를 계산할 수 있지만 모든 예제가 한 번에 계산되는 것이 아니라 각 훈련 예제에 대해 별도로 계산됩니다. 나는 전체 거래의 가치를 모든 개별 사례로 나누는 방법을 생각할 수 없습니다.
지그재그 또는 바 종가로 거래하는 것이 최적의 거래가 아니라는 데 동의합니다. 스프레드, 드로다운, 거래가 열려 있는 기간도 고려하여 거래를 열고 닫는 것이 훨씬 좋습니다. 이동 평균 또는 기타 지표를 사용하는 어드바이저를 만들고 최대 샤프 비율에 대해 최적화하고 이러한 트랜잭션을 필요한 결과로 훈련 데이터에서 사용하는 것이 가능할 것입니다. 그러나 적어도 지그재그에서 안정적인 결과를 얻은 후에는 이와 같이 할 것입니다.
예, NS는 귀하가 설명한 대로 작동합니다. 각 예에 대해 오류가 계산된 다음 전체 집합을 통과한 후 평균 제곱 오류 또는 오류의 중앙값 또는 평균 절대 오류와 같은 적합성 함수의 값을 얻습니다. 이 값을 기반으로 역전파 알고리즘에서 계산된 기울기에 따라 가중치가 업데이트됩니다.
여기서 우리는 기계 신호에 대한 거래 시뮬레이션을 기반으로 언급된 피트니스 기능 대신 자신의 기능을 추가해야 하는 것에 대해 논의하고 있습니다. 따라서 NN에서 처리하는 각 예에 대해 가상 거래를 생성할 수 있습니다(출력 신호가 미리 결정된 임계값을 돌파하는 경우). 그리고 모든 예가 끝나면 Sharpe와 같은 일종의 통합 통계를 계산하십시오. 그리고 이미 역전파를 통해 가중치를 처리합니다.
Dr.Trader 에 대한 자세한 설명 감사합니다!
아마도 가장 정확하고 올바른 것은 반전 자체에 대해 동일한 지그재그로 가르치는 것, 즉 세 가지 상태를 제공하는 것이라는 것을 알고 있을 것입니다.
2) 거절하다
3) 반전 없음
그러나 배우기 위해서는 반전을 포착하기가 매우 어렵고 관측 수의 왜곡이 있습니다. "반전이 아닌" 클래스가 수십 또는 수백 배 더 많을 것입니다.
어떤 예측 변수를 사용하고 어떤 결과를 가져옵니까?
나는 스펙트럼 분석을 마스터하기 시작했고, 첫 번째 샘플은 지표를 사용하는 것보다 훨씬 더 나은 것으로 판명되었으며, 그것을 통해 실행했습니다. 훈련 및 검증의 오류는 6%로 밝혀졌지만 코드를 R로 전송하기 시작했을 때, 내가 실수하지 않으면 오류가 30%까지 크게 증가했습니다. San Sanych는 재교육이 일반적으로 지금까지 많이 이해되지 않는다고 말합니다.
스펙트럼 분석을 통해 시장을 지배하는 기간을 찾는 방법도 있습니다. 이 기간을 지표로 대체할 수 있습니다. 적응 지표 를 얻고 기록에 적합하지 않습니다. 첫 번째 테스트는 고무적이었지만 힘을 모을 수 없었습니다. 이 모든 더미를 선반 위의 내 머리에 넣기 위해
두 번째 링크는 패키지 번호를 다시 작성해야 한다고 말합니다.
첫 번째 링크에서 실수를 쓸 수 있지만 제안한 개념을 구현하려면 과거 가중치를 알아야 합니까, 아니면 제가 놓친 것이 있습니까? 솔직히 말해서, 나는 신경망의 작업에 대해 매우 약한 아이디어를 가지고 있습니다.
글쎄, 우선, 나는 이것을 제안하지 않습니다. 나는 당신의 직감을 코딩할 수 있는 형태로 번역합니다. 당신은 기계에 거래 곡선을 합리적인 한도 내로 유지하는 작업을 부여해야 한다고 제안했습니다. ) 할 수 있는 옵션입니다.
둘째, 첫 번째 링크는 방법을 보여줍니다. 설명서에 언급된 유일한 제한 사항입니다. 또한 우리는 무게가 필요하지 않으며 질문을 한 사람이 특별히 필요했습니다. 함수에 가중치를 줄 수는 없습니다. 왜 무게가 필요합니까? 왜 그들에 대해 이야기합니까?
기본적으로 미분할 수 있는 모든 오류 함수를 사용할 수 있습니다.