마이클 마르쿠카이테스 : Y 자, 이제 명확해졌습니다. 즉, 먼저 교사 없이 네트워크를 훈련합니다. 다음으로 분류기의 가중치를 기록하고 분류기는 이미 교사와 함께 추가로 훈련됩니다. 매우 흥미롭지만 명확하지 않습니다. 신경전도 미세 조정의 가중치가 있다고 가정하고 가중치가 계속 최적화되고 있나요???? 즉, 비지도 사전 훈련을 수행한 후 분류기의 초기 가중치를 설정하여 전역 최소값으로 만듭니다. 그래서 무엇?
"딥" 학습은 역전파 동안 도함수의 감쇠(sigmoid) \ 폭발적인 성장(하이퍼탄젠트) 때문에 의미가 있습니다. 4-5개 이상의 레이어가 있을 때 이 문제는 기본적으로 계층적 비선형 기능 선택을 수행하는 autoencoder 또는 RBM ( PCA비선형으로 여러 번), 상위 레벨 레이어로 작업하기 쉽고 일반적인 backprop을 사용하면 전체 시스템이 이미 대상(교사와 함께)에 따라 빠르게 조정됩니다.
물론 기사가 있는 많은 "전문가"와 ZZ 에서 개를 먹은 사람들이 R 에서 어떤 패키지를 기억하는지 기억합니다.모든 경우에 사용해야하므로 공중에서 말할 것입니다. 어쨌든 아무도 믿지 않을 것입니다. CNN 과 같은 심층 신경망은 작동 방식을 이해하면 손을 사용하여 시장을 예측할 수 없습니다. 이러한 큰 기능 계층 구조는 사진, 비디오 및 NLP 에만 필요하기 때문입니다. BIG HIERARCHY, 우리의 세계는 그렇게 배열되어 있고, 물체는 물체로 구성되어 있습니다. 언어가 계층적이기 때문에 NLP 와 동일합니다. 시장에는 이와 같은 것이 없습니다. 더 작은 소음으로 발생하는 특정 기간을 거래합니다. 투자자는 한 번에 결정을 내리며, 스캘퍼 및 HFT 플레이어, 특히 헤지 거래자, 차익 거래자 등의 결정에 의존하지 않습니다. 그리고 딥 웹의 계층 구조는 연결성을 의미하며, 작은 것이 큰 것을 결정하며, 눈사태는 눈송이로 구성되어 있습니다.
Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова. Курс "Методы обработки больших объемов данных" (осень 2015) Лекция №11 - "Глубокие нейронные сети" Лектор ...
"딥" 학습은 역전파 동안 도함수의 감쇠(sigmoid) \ 폭발적인 성장(하이퍼탄젠트) 때문에 의미가 있습니다. 4-5개 이상의 레이어가 있을 때 이 문제는 기본적으로 계층적 비선형 기능 선택을 수행하는 autoencoder 또는 RBM ( PCA비선형으로 여러 번), 상위 레벨 레이어로 작업하기 쉽고 일반적인 backprop을 사용하면 전체 시스템이 이미 대상(교사와 함께)에 따라 빠르게 조정됩니다.
물론 기사가 있는 많은 "전문가"와 ZZ 에서 개를 먹은 사람들이 R 에서 어떤 패키지를 기억하는지 기억합니다.모든 경우에 사용해야하므로 공중에서 말할 것입니다. 어쨌든 아무도 믿지 않을 것입니다. CNN 과 같은 심층 신경망은 작동 방식을 이해하면 손을 사용하여 시장을 예측할 수 없습니다. 이러한 큰 기능 계층 구조는 사진, 비디오 및 NLP 에만 필요하기 때문입니다. BIG HIERARCHY, 우리의 세계는 그렇게 배열되어 있고, 물체는 물체로 구성되어 있습니다. 언어가 계층적이기 때문에 NLP 와 동일합니다. 시장에는 이와 같은 것이 없습니다. 당신은 당신을 위해 더 작은 소음에 발생하는 특정 기간을 거래하고 있습니다. 투자자는 한 번에 결정을 내리며 스캘퍼 및 HFT 플레이어, 특히 헤지 거래자, 차익 거래자 등의 결정에 의존하지 않습니다. 그리고 딥 웹의 계층 구조는 연결성을 의미하며, 작은 것이 큰 것을 결정하며, 눈사태는 눈송이로 구성되어 있습니다.
감사합니다 영상 꼭 봐야겠습니다. 그러나 나는 Reshetov의 접근 방식을 더 좋아했습니다. 나는 그의 기사를 여기에서 보았고, 여기서 그는 예측기가 어떻게 작동하는지 자세히 설명합니다. 기사의 코드 변경을 기다리고 있습니다. 이것이 중재자가 하는 일입니다. 그리고 저는 데이터 준비 및 교육 전반에 대한 제 자신의 견해를 가지고 있기 때문에 토론에 여러분을 초대합니다 .....
"딥" 학습은 역전파 동안 도함수의 감쇠(sigmoid) \ 폭발적인 성장(하이퍼탄젠트) 때문에 의미가 있습니다. 4-5개 이상의 레이어가 있을 때 이 문제는 기본적으로 계층적 비선형 기능 선택을 수행하는 autoencoder 또는 RBM ( PCA비선형으로 여러 번), 상위 레벨 레이어로 작업하기 쉽고 일반적인 backprop을 사용하면 전체 시스템이 이미 대상(교사와 함께)에 따라 빠르게 조정됩니다.
물론 기사가 있는 많은 "전문가"와 ZZ 에서 개를 먹은 사람들이 R 에서 어떤 패키지를 기억하는지 기억합니다.모든 경우에 사용해야하므로 공중에서 말할 것입니다. 어쨌든 아무도 믿지 않을 것입니다. CNN 과 같은 심층 신경망은 작동 방식을 이해하면 손을 사용하여 시장을 예측할 수 없습니다. 이러한 큰 기능 계층 구조는 사진, 비디오 및 NLP 에만 필요하기 때문입니다. BIG HIERARCHY, 우리의 세계는 그렇게 배열되어 있고, 물체는 물체로 구성되어 있습니다. 언어가 계층적이기 때문에 NLP 와 동일합니다. 시장에는 이와 같은 것이 없습니다. 당신은 당신을 위해 더 작은 소음에 발생하는 특정 기간을 거래하고 있습니다. 투자자는 한 번에 결정을 내리며, 스캘퍼 및 HFT 플레이어, 특히 헤지 거래자, 차익 거래자 등의 결정에 의존하지 않습니다. 그리고 딥 웹의 계층 구조는 연결성을 의미하며, 작은 것이 큰 것을 결정하며, 눈사태는 눈송이로 구성되어 있습니다.
어떤 이유로 대화는 특정 모델의 장점과 단점에 대한 토론으로 끊임없이 빠져 나옵니다.
내 훌륭한 경험에 따르면 모델 자체의 성공적인 거래에 대한 기여는 극히 미미합니다.
결정 요인은 목표와 예측 변수의 결정입니다.
나는 33의 예를 사용하여 33과 같은 명백하고 예시적이며 아름다운 대상 변수가 그런 것이 아니며 더 자세히 살펴보면 극복할 수 없는 장애물로 가득 차 있음을 보여주기 위해 여러 번 시도했습니다.
예측 변수에 대해 이야기한다면 평생 경제학을 다뤄온 사람으로서 다음과 같은 사실이 매우 분명합니다.
예측자는 목표 변수와 관련되어야 함 - 목표 변수에 대한 예측 능력
예측자는 목표 변수를 선행해야 합니다.
경제 예측과 외환 예측을 위한 이 두 가지 기본 사항을 해결하는 데에만 집중한다면 성공은 이 두 가지 매개변수에 의해서만 제공될 것입니다. 그리고 대상과 예측 변수에 가장 적합한 모델을 선택하면 성능을 약간만 향상시킬 수 있으며 재학습 없이 모델의 수명에 대해 합리적인 고려 사항을 제공할 수 있습니다.
다시 한 번, 나는 당신이 목표 변수와 이 특정 목표 변수에 대한 예측 변수의 정당성에 집중할 것을 촉구합니다.
추신.
나는 통화 쌍의 관계를 탐구합니다. 놀라운 결과를 얻었습니다. 특히:
통화 쌍 EURUSD와 GBPUSD는 서로 관련이 없습니다. 그리고 이것은 널리 출판된 상관관계에도 불구하고. 이 쌍에서 VAR 모델을 구축하는 것은 희망이 없습니다.
나는 33의 예를 사용하여 33과 같은 명백하고 예시적이며 아름다운 대상 변수가 그런 것이 아니며 더 자세히 살펴보면 극복할 수 없는 장애물로 가득 차 있음을 보여주기 위해 여러 번 시도했습니다.
예측 변수에 대해 이야기한다면 평생 경제학을 다뤄온 사람으로서 다음과 같은 사실이 매우 분명합니다.
예측자는 목표 변수와 관련되어야 함 - 목표 변수에 대한 예측 능력
예측자는 목표 변수를 선행해야 합니다.
경제 예측과 외환 예측을 위한 이 두 가지 기본 사항을 해결하는 데에만 집중한다면 성공은 이 두 가지 매개변수에 의해서만 제공될 것입니다. 그리고 대상과 예측 변수에 가장 적합한 모델을 선택하면 성능을 약간만 향상시킬 수 있으며 재학습 없이 모델의 수명에 대해 합리적인 고려 사항을 제공할 수 있습니다.
다시 한 번, 나는 당신이 목표 변수와 이 특정 목표 변수에 대한 예측 변수의 정당성에 집중할 것을 촉구합니다.
추신.
나는 통화 쌍의 관계를 탐구합니다. 놀라운 결과를 얻었습니다. 특히:
통화 쌍 EURUSD와 GBPUSD는 서로 관련이 없습니다. 그리고 이것은 널리 출판된 상관관계에도 불구하고. 이러한 쌍에서 VAR 모델을 구축하는 것은 희망이 없습니다.
AUDUSD는 주요 통화 쌍과 전혀 관련이 없습니다.
여기에 동의하지만 수정하고 싶습니다. 주로 첫 번째 요점에 대한 설명. 대상과 관련이 있는 것이 아니라 대상에 대한 이유입니다. 즉, 예측 변수가 변경되고 대상이 변경되었으며 그 반대의 경우도 마찬가지입니다. 그리고 두 번째 점은 단순히 사라집니다. 사전에 필요하지 않습니다. 입력이 종료의 이유가 되기에 충분합니다. 글쎄, 다시, 모두는 당신이 일하는 곳을 잊어 버립니다. 증권 거래소에서 가장 중요한 것은 가격입니다. 가격 변경 및 모든 TS의 원인이 되는 항목을 찾으십시오. 모든 TS가 제대로 작동할 것이라고 장담합니다. 그러나 그것은 단지 비밀입니다! 아무에게도 말하지 마세요.... 여러분은 제 글을 똑같이 읽어야 합니다. 내가 PR과 그 모든 것을 하지 않는다고 생각하지 마십시오. 물론 저만 독자가 될까봐 걱정입니다 :-) 농담입니다. 그래서 읽고 나면 많은 질문이 사라질 것입니다. 여기서 AI 자체(그리드가 있다고 가정) 외에도 엿보기 등이 발생하지 않도록 지표를 사용하여 데이터 수집을 적절하게 구성해야 합니다. 나는 이 기사가 시장에 대한 접근 방식 중 하나를 설명한다고 생각합니다. 그리고 예전에는 네트를 너무 좋아해서 결국 트레이딩이 뒷전이었습니다. 나는 원칙적으로 실험하기 위해 무역을하는 전문가가 지금 여기에 있다고 생각합니다 .....
글쎄요, 거래에서 Deep Neural Networks 를 사용하는 것과 관련하여 여기에는 합리적인 입자가 있지만, 네트워크가 시계에 작동한다는 것을 암시하는 조작의 수는 상당히 많이 수행되어야 합니다. 그러나 분석은 다음부터 시작합니다. 분, 1분 요약, 5분 일반화 등 . 임호
마이클 마르쿠카이테스 : 여기에 동의하지만 수정하고 싶습니다. 주로 첫 번째 요점에 대한 설명. 대상과 관련이 있는 것이 아니라 대상에 대한 이유입니다. 즉, 예측 변수가 변경되고 대상이 변경되었으며 그 반대의 경우도 마찬가지입니다. 그리고 두 번째 점은 단순히 사라집니다. 사전에 필요하지 않습니다. 입력이 종료의 이유가 되기에 충분합니다. 글쎄, 다시, 모두는 당신이 일하는 곳을 잊어 버립니다. 증권 거래소에서 가장 중요한 것은 가격입니다. 가격 변경 및 모든 TS의 원인이 되는 항목을 찾으십시오. 모든 TS가 제대로 작동할 것이라고 장담합니다. .
double nn_input[ 4 ]; //массив со входными значениями
double nn_bias[ 4 ]; //массив сдвигов, на текущем этапе тут будут рандомные значения double nn_weight[ 15 ]; //массив весов, на текущем этапе тут будут рандомные значения
//для всех обучающих примеров находим по очереди результат нейронки. При этом массивы nn_bias и nn_weight не должны меняться double results[trainSampleCount]; // trainSampleCount = число обучающих примеров for ( int i= 0 ; i<trainSampleCount; i++){ nn_input = trainSamples[i]; //синтаксис реально не такой, нужно из обучающей таблицы взять i-тую строку и запихнуть в этот массив nn_input results[i] = NeuralNetwork(nn_input, nn_bias, nn_weight); }
다음으로 예를 들어 결과 배열의 예측을 기반으로 이익 그래프를 만들고 평가합니다.
위의 코드는 옵티마이저에 넣을 수 있습니다. 옵티마이저는 nn_bias 및 nn_weight 배열에서 적절한 가중치와 편향을 찾아야 합니다. 1) 알고리즘에 따라 nn_bias 및 nn_weight 값 변경 2) 모든 훈련 예제에 대한 결과 찾기 3) 거래 차트 작성 4) 거래 일정을 평가하고 이 추정치를 후속 최적화 단계에 대한 적합성 값으로 사용합니다. 5) 수익 일정이 허용될 때까지 최적화 알고리즘에 따라 1-4단계를 반복합니다.
일반적으로 모든 것이지만 뉘앙스가 있습니다. 내가 시도한 최적화 프로그램은 가중치에 대처할 수 없습니다. 모든 결과가 평균 오류를 최소화하기 위해 0.5와 같을 때 특정 로컬 최소값을 찾으면 이에 고정됩니다. 여기에 어떤 종류의 트릭을 적용해야 하며 더 이상 진행하지 않았습니다. 뉴런의 구조가 더 복잡할수록 더 많은 가중치가 있고 최적화 알고리즘이 선택하기가 더 어려워집니다. 큰 뉴런에서는 단순히 무디고 초기 결과를 거의 향상시키지 못합니다.
Neuronka, 대차 대조표 작성, 차트 평가 - 이 모든 것이 공식입니다. 이는 최종 추정치에 대해 nn_bias 및 nn_weight의 도함수를 찾을 수 있음을 의미합니다. ML에 대한 일부 교육 비디오에서 강사는 미래의 새로운 프로그래밍 언어에 대해 이야기했습니다. 예를 들어 누군가가 복잡한 공식 내부의 모든 변수에 대한 도함수를 자동으로 계산하는 언어를 만들려고 합니다(약간의 이동으로 다시 계산하지 않음) 가치는 있지만 분석적으로). 이것이 도움이 될 것입니다.
저것들. 일반적으로 훈련 예를 취하고 각 가중치에 대해 결과를 얼마나 향상 시켰는지 분석적으로 결정되며 그에 따라 가중치가 약간 증가하거나 감소합니다. 한 가지 예를 위해서가 아니라 모든 것을 한 번에 하고, 결과를 차례대로 배우기 위해서가 아니라, 그래프의 최종 평가를 위해 즉시 도함수를 찾는 것이 필요합니다.
그리고 작은 빼기 -이 형태의이 모든 것은 거래에 도움이되지 않습니다. 이상적인 그래프를 위해 가중치를 조정하면 100% 과적합되고 새 데이터가 소모됩니다. 실제 이익을 얻으려면 뉴런의 구조를 많이 어지럽혀야 하므로 결과적으로 컨볼루션 네트워크 와 같은 것이 수익성이 있는 것으로 판명될 것입니다.
Y 자, 이제 명확해졌습니다. 즉, 먼저 교사 없이 네트워크를 훈련합니다. 다음으로 분류기의 가중치를 기록하고 분류기는 이미 교사와 함께 추가로 훈련됩니다. 매우 흥미롭지만 명확하지 않습니다. 신경전도 미세 조정의 가중치가 있다고 가정하고 가중치가 계속 최적화되고 있나요???? 즉, 비지도 사전 훈련을 수행한 후 분류기의 초기 가중치를 설정하여 전역 최소값으로 만듭니다. 그래서 무엇?
"딥" 학습은 역전파 동안 도함수의 감쇠(sigmoid) \ 폭발적인 성장(하이퍼탄젠트) 때문에 의미가 있습니다. 4-5개 이상의 레이어가 있을 때 이 문제는 기본적으로 계층적 비선형 기능 선택을 수행하는 autoencoder 또는 RBM ( PCA 비선형으로 여러 번), 상위 레벨 레이어로 작업하기 쉽고 일반적인 backprop을 사용하면 전체 시스템이 이미 대상(교사와 함께)에 따라 빠르게 조정됩니다.
보기: https://www.youtube.com/watch?v=iowsPfk7uUY
물론 기사가 있는 많은 "전문가"와 ZZ 에서 개를 먹은 사람들이 R 에서 어떤 패키지를 기억하는지 기억합니다. 모든 경우에 사용해야하므로 공중에서 말할 것입니다. 어쨌든 아무도 믿지 않을 것입니다. CNN 과 같은 심층 신경망은 작동 방식을 이해하면 손을 사용하여 시장을 예측할 수 없습니다. 이러한 큰 기능 계층 구조는 사진, 비디오 및 NLP 에만 필요하기 때문입니다. BIG HIERARCHY, 우리의 세계는 그렇게 배열되어 있고, 물체는 물체로 구성되어 있습니다. 언어가 계층적이기 때문에 NLP 와 동일합니다. 시장에는 이와 같은 것이 없습니다. 더 작은 소음으로 발생하는 특정 기간을 거래합니다. 투자자는 한 번에 결정을 내리며, 스캘퍼 및 HFT 플레이어, 특히 헤지 거래자, 차익 거래자 등의 결정에 의존하지 않습니다. 그리고 딥 웹의 계층 구조는 연결성을 의미하며, 작은 것이 큰 것을 결정하며, 눈사태는 눈송이로 구성되어 있습니다.
멋져 보이지만 비싸다.
1 나는 무료로 연습하고 지연없이 실시간으로 어떻게 작동하는지보고 싶습니다. 그리고 큰 지연이 있는 데모가 있습니다.
2 이러한 신호가 거래 및 MO에서 어떻게 사용되는지 간단히 설명할 수 있습니까? 비밀이 아니라면 중요한 뉴스가 나왔을 때 거래할 시간이 있습니까, 아니면 아직 1초 30초 후에 누군가가 시장을 치고 크림을 훑어보기 시작합니까?
1 사이트에서 스크랩
2 우리는 예상보다 잘 사서 예상보다 나쁘게 판다.
"딥" 학습은 역전파 동안 도함수의 감쇠(sigmoid) \ 폭발적인 성장(하이퍼탄젠트) 때문에 의미가 있습니다. 4-5개 이상의 레이어가 있을 때 이 문제는 기본적으로 계층적 비선형 기능 선택을 수행하는 autoencoder 또는 RBM ( PCA 비선형으로 여러 번), 상위 레벨 레이어로 작업하기 쉽고 일반적인 backprop을 사용하면 전체 시스템이 이미 대상(교사와 함께)에 따라 빠르게 조정됩니다.
보기: https://www.youtube.com/watch?v=iowsPfk7uUY
물론 기사가 있는 많은 "전문가"와 ZZ 에서 개를 먹은 사람들이 R 에서 어떤 패키지를 기억하는지 기억합니다. 모든 경우에 사용해야하므로 공중에서 말할 것입니다. 어쨌든 아무도 믿지 않을 것입니다. CNN 과 같은 심층 신경망은 작동 방식을 이해하면 손을 사용하여 시장을 예측할 수 없습니다. 이러한 큰 기능 계층 구조는 사진, 비디오 및 NLP 에만 필요하기 때문입니다. BIG HIERARCHY, 우리의 세계는 그렇게 배열되어 있고, 물체는 물체로 구성되어 있습니다. 언어가 계층적이기 때문에 NLP 와 동일합니다. 시장에는 이와 같은 것이 없습니다. 당신은 당신을 위해 더 작은 소음에 발생하는 특정 기간을 거래하고 있습니다. 투자자는 한 번에 결정을 내리며 스캘퍼 및 HFT 플레이어, 특히 헤지 거래자, 차익 거래자 등의 결정에 의존하지 않습니다. 그리고 딥 웹의 계층 구조는 연결성을 의미하며, 작은 것이 큰 것을 결정하며, 눈사태는 눈송이로 구성되어 있습니다.
"딥" 학습은 역전파 동안 도함수의 감쇠(sigmoid) \ 폭발적인 성장(하이퍼탄젠트) 때문에 의미가 있습니다. 4-5개 이상의 레이어가 있을 때 이 문제는 기본적으로 계층적 비선형 기능 선택을 수행하는 autoencoder 또는 RBM ( PCA 비선형으로 여러 번), 상위 레벨 레이어로 작업하기 쉽고 일반적인 backprop을 사용하면 전체 시스템이 이미 대상(교사와 함께)에 따라 빠르게 조정됩니다.
보기: https://www.youtube.com/watch?v=iowsPfk7uUY
물론 기사가 있는 많은 "전문가"와 ZZ 에서 개를 먹은 사람들이 R 에서 어떤 패키지를 기억하는지 기억합니다. 모든 경우에 사용해야하므로 공중에서 말할 것입니다. 어쨌든 아무도 믿지 않을 것입니다. CNN 과 같은 심층 신경망은 작동 방식을 이해하면 손을 사용하여 시장을 예측할 수 없습니다. 이러한 큰 기능 계층 구조는 사진, 비디오 및 NLP 에만 필요하기 때문입니다. BIG HIERARCHY, 우리의 세계는 그렇게 배열되어 있고, 물체는 물체로 구성되어 있습니다. 언어가 계층적이기 때문에 NLP 와 동일합니다. 시장에는 이와 같은 것이 없습니다. 당신은 당신을 위해 더 작은 소음에 발생하는 특정 기간을 거래하고 있습니다. 투자자는 한 번에 결정을 내리며, 스캘퍼 및 HFT 플레이어, 특히 헤지 거래자, 차익 거래자 등의 결정에 의존하지 않습니다. 그리고 딥 웹의 계층 구조는 연결성을 의미하며, 작은 것이 큰 것을 결정하며, 눈사태는 눈송이로 구성되어 있습니다.
어떤 이유로 대화는 특정 모델의 장점과 단점에 대한 토론으로 끊임없이 빠져 나옵니다.
내 훌륭한 경험에 따르면 모델 자체의 성공적인 거래에 대한 기여는 극히 미미합니다.
결정 요인은 목표와 예측 변수의 결정입니다.
나는 33의 예를 사용하여 33과 같은 명백하고 예시적이며 아름다운 대상 변수가 그런 것이 아니며 더 자세히 살펴보면 극복할 수 없는 장애물로 가득 차 있음을 보여주기 위해 여러 번 시도했습니다.
예측 변수에 대해 이야기한다면 평생 경제학을 다뤄온 사람으로서 다음과 같은 사실이 매우 분명합니다.
경제 예측과 외환 예측을 위한 이 두 가지 기본 사항을 해결하는 데에만 집중한다면 성공은 이 두 가지 매개변수에 의해서만 제공될 것입니다. 그리고 대상과 예측 변수에 가장 적합한 모델을 선택하면 성능을 약간만 향상시킬 수 있으며 재학습 없이 모델의 수명에 대해 합리적인 고려 사항을 제공할 수 있습니다.
다시 한 번, 나는 당신이 목표 변수와 이 특정 목표 변수에 대한 예측 변수의 정당성에 집중할 것을 촉구합니다.
추신.
나는 통화 쌍의 관계를 탐구합니다. 놀라운 결과를 얻었습니다. 특히:
나는 통화 쌍의 관계를 탐구합니다. 놀라운 결과를 얻었습니다. 특히:
어떤 이유로 대화는 특정 모델의 장점과 단점에 대한 토론으로 끊임없이 빠져 나옵니다.
내 훌륭한 경험에 따르면 모델 자체의 성공적인 거래에 대한 기여는 극히 미미합니다.
결정 요인은 목표와 예측 변수의 결정입니다.
나는 33의 예를 사용하여 33과 같은 명백하고 예시적이며 아름다운 대상 변수가 그런 것이 아니며 더 자세히 살펴보면 극복할 수 없는 장애물로 가득 차 있음을 보여주기 위해 여러 번 시도했습니다.
예측 변수에 대해 이야기한다면 평생 경제학을 다뤄온 사람으로서 다음과 같은 사실이 매우 분명합니다.
경제 예측과 외환 예측을 위한 이 두 가지 기본 사항을 해결하는 데에만 집중한다면 성공은 이 두 가지 매개변수에 의해서만 제공될 것입니다. 그리고 대상과 예측 변수에 가장 적합한 모델을 선택하면 성능을 약간만 향상시킬 수 있으며 재학습 없이 모델의 수명에 대해 합리적인 고려 사항을 제공할 수 있습니다.
다시 한 번, 나는 당신이 목표 변수와 이 특정 목표 변수에 대한 예측 변수의 정당성에 집중할 것을 촉구합니다.
추신.
나는 통화 쌍의 관계를 탐구합니다. 놀라운 결과를 얻었습니다. 특히:
마이클 마르쿠카이테스 :
여기에 동의하지만 수정하고 싶습니다. 주로 첫 번째 요점에 대한 설명. 대상과 관련이 있는 것이 아니라 대상에 대한 이유입니다. 즉, 예측 변수가 변경되고 대상이 변경되었으며 그 반대의 경우도 마찬가지입니다. 그리고 두 번째 점은 단순히 사라집니다. 사전에 필요하지 않습니다. 입력이 종료의 이유가 되기에 충분합니다. 글쎄, 다시, 모두는 당신이 일하는 곳을 잊어 버립니다. 증권 거래소에서 가장 중요한 것은 가격입니다. 가격 변경 및 모든 TS의 원인이 되는 항목을 찾으십시오. 모든 TS가 제대로 작동할 것이라고 장담합니다. .
===================================================== ================================
이것은 절대적으로 옳은 생각입니다. 나만 다시 말해보자: 목표는 예측자(들)에 의해 생성되어야 합니다.
그럼에도 불구하고 내가 올바르게 이해한다면 R 수단을 사용하여 그러한 목표를 구현하는 방법에 대한 질문에 대한 답이 없습니다.
답은 그렇게 간단하지 않습니다. 예를 들어, 여기 뉴런이 있는 한 가지 방법이 있지만 뉴런이 어떻게 작동하는지, 어떤 공식이 포함되어 있는지 등을 이해해야 합니다.
입력이 4개, 은닉층에 퍼셉트론이 3개, 출력이 1개인 간단한 뉴런이 있다고 가정해 보겠습니다. 수학 언어에서 이러한 뉴런은 다음과 같이 작동합니다.
double sigmoid( double x)
{
return 1.0 / ( 1.0 + exp (-x));
}
double NeuralNetwork( double * input , double * bias, double * weight){
double perc_output[ 3 ]; //временный массив для хранения промежуточных результатов каждого перцептрона
double perc_output[ 0 ] = sigmoid(bias[ 0 ] + input [ 0 ] * weight[ 0 ] + input [ 1 ] * weight[ 1 ] + input [ 2 ] * weight[ 2 ] + input [ 3 ] * weight[ 3 ]);
double perc_output[ 1 ] = sigmoid(bias[ 1 ] + input [ 0 ] * weight[ 4 ] + input [ 1 ] * weight[ 5 ] + input [ 2 ] * weight[ 6 ] + input [ 3 ] * weight[ 7 ]);
double perc_output[ 2 ] = sigmoid(bias[ 2 ] + input [ 0 ] * weight[ 8 ] + input [ 1 ] * weight[ 9 ] + input [ 2 ] * weight[ 10 ] + input [ 3 ] * weight[ 11 ]);
double result = sigmoid(bias[ 3 ] + perc_output[ 0 ] * weight[ 12 ] + perc_output[ 1 ] * weight[ 13 ] + perc_output[ 2 ] * weight[ 14 ]);
return result;
}
이제 훈련 예제가 있는 표를 가져와 각 예제에 대한 결과를 찾을 수 있습니다.
double nn_bias[ 4 ]; //массив сдвигов, на текущем этапе тут будут рандомные значения
double nn_weight[ 15 ]; //массив весов, на текущем этапе тут будут рандомные значения
//для всех обучающих примеров находим по очереди результат нейронки. При этом массивы nn_bias и nn_weight не должны меняться
double results[trainSampleCount];
// trainSampleCount = число обучающих примеров
for ( int i= 0 ; i<trainSampleCount; i++){
nn_input = trainSamples[i]; //синтаксис реально не такой, нужно из обучающей таблицы взять i-тую строку и запихнуть в этот массив nn_input
results[i] = NeuralNetwork(nn_input, nn_bias, nn_weight);
}
다음으로 예를 들어 결과 배열의 예측을 기반으로 이익 그래프를 만들고 평가합니다.
위의 코드는 옵티마이저에 넣을 수 있습니다. 옵티마이저는 nn_bias 및 nn_weight 배열에서 적절한 가중치와 편향을 찾아야 합니다.
1) 알고리즘에 따라 nn_bias 및 nn_weight 값 변경
2) 모든 훈련 예제에 대한 결과 찾기
3) 거래 차트 작성
4) 거래 일정을 평가하고 이 추정치를 후속 최적화 단계에 대한 적합성 값으로 사용합니다.
5) 수익 일정이 허용될 때까지 최적화 알고리즘에 따라 1-4단계를 반복합니다.
일반적으로 모든 것이지만 뉘앙스가 있습니다. 내가 시도한 최적화 프로그램은 가중치에 대처할 수 없습니다. 모든 결과가 평균 오류를 최소화하기 위해 0.5와 같을 때 특정 로컬 최소값을 찾으면 이에 고정됩니다. 여기에 어떤 종류의 트릭을 적용해야 하며 더 이상 진행하지 않았습니다.
뉴런의 구조가 더 복잡할수록 더 많은 가중치가 있고 최적화 알고리즘이 선택하기가 더 어려워집니다. 큰 뉴런에서는 단순히 무디고 초기 결과를 거의 향상시키지 못합니다.
여기에 몇 가지 트릭을 적용해야 합니다.
트릭은 일반적으로 알려져 있지만 구현을 위한 소프트웨어를 본 적이 없습니다. 파생상품.
Neuronka, 대차 대조표 작성, 차트 평가 - 이 모든 것이 공식입니다. 이는 최종 추정치에 대해 nn_bias 및 nn_weight의 도함수를 찾을 수 있음을 의미합니다.
ML에 대한 일부 교육 비디오에서 강사는 미래의 새로운 프로그래밍 언어에 대해 이야기했습니다. 예를 들어 누군가가 복잡한 공식 내부의 모든 변수에 대한 도함수를 자동으로 계산하는 언어를 만들려고 합니다(약간의 이동으로 다시 계산하지 않음) 가치는 있지만 분석적으로). 이것이 도움이 될 것입니다.
저것들. 일반적으로 훈련 예를 취하고 각 가중치에 대해 결과를 얼마나 향상 시켰는지 분석적으로 결정되며 그에 따라 가중치가 약간 증가하거나 감소합니다. 한 가지 예를 위해서가 아니라 모든 것을 한 번에 하고, 결과를 차례대로 배우기 위해서가 아니라, 그래프의 최종 평가를 위해 즉시 도함수를 찾는 것이 필요합니다.
그리고 작은 빼기 -이 형태의이 모든 것은 거래에 도움이되지 않습니다. 이상적인 그래프를 위해 가중치를 조정하면 100% 과적합되고 새 데이터가 소모됩니다. 실제 이익을 얻으려면 뉴런의 구조를 많이 어지럽혀야 하므로 결과적으로 컨볼루션 네트워크 와 같은 것이 수익성이 있는 것으로 판명될 것입니다.