어떤 입력 데이터가 좋은 데이터이고 어떤 데이터가 좋지 않은지 스스로 판단하는 방법: 재학습 중 순방향 행동. 대차 대조표가 즉시 가장 깊은 협곡인 파이의 바닥으로 굴러가면 데이터가 좋지 않은 것입니다. 일반적으로 시간순으로 종가의 차이입니다. 약간 더 나은 (즉시 바닥으로 떨어지지는 않지만 흔들림), 고점 / 저점 등의 차이를 추가하면
내 기억에 가장 좋은 것 (잔액이 올라 가려고했을 때)은 차이 나 지표 수 치가 아닌 닫힌 캔들 수를 위아래로 공급했을 때입니다. 6500개의 캔들(1년) - 약한 반응, 변화 없음(평균 3200개). 10개를 시도했는데 변화가 너무 커서 가격이 20번 오르내렸습니다. 100을 시도했는데 최적의 변형이었습니다. 그런 다음 재교육 할 때 잔액이 앞으로 올라 가려고했습니다.
나는 약 15 년 전에 VTE의 비평가들로부터 3 파를 연구 한 Alexei Nikolaev에 동의하며, 가장 논리적 인 것으로 밝혀졌습니다. 충동 수정 임펄스 또는 ABC와 같은 가격을 마트료시카로 나누는 것은 없습니다.
이제 신경망에 이러한 움직임의 그림을 어떻게 든 차트에 "그리기"위해 이러한 각 움직임의 시작과 끝의 입력 가격과 막대 수 (분 막대)로 그 차이를 신경망에 공급하려고 생각합니다.
범주형 교차 엔트로피는 두 개 이상의 클래스가 있는 분류 모델에 사용됩니다. 그리고 소프트맥스 이후. 소프트맥스는 값 집합을 합이 1인 확률 집합으로 변환합니다.
다음과 같은 제어 예제를 사용해 보세요:
pred: 0.1, 0.1, 0.2, 0.5, 0.1
true: 0, 0, 1, 0, 0, 0, 0
제가 제시한 예는 범주형 교차 엔트로피 섹션에서 가져온 것입니다(그리고 각 인스턴스에서 값의 합이 1이라는 것을 눈치 채지 못했을 것입니다). Keras에서와 같이 작동하지 않는다는 사실은 저에게 지표이며, 이는 MQL5의 CCE 구현 또는 설명이 예상과 일치하지 않음을 의미합니다. 그런 다음 자세한 설명이 필요합니다. 그건 그렇고, 파이토치에서 크로스 엔트로피 손실은 내부에 예비 소프트 맥스를 포함합니다. 그러나 일반적으로 MQL5의 행렬에 대한 문서에는 인터페이스가 파이썬 인터페이스와 유사하다는 아이디어가 포함되어 있기 때문에 동작의 우연성이 암시되어 있습니다. 그리고 우연의 일치가 없다면 문제와 혼란을 야기합니다.
클래스가 많다는 것은 행렬로 작업한다는 것을 의미하므로(샘플/행이 많고 각 행에 클래스가 있는 경우) 벡터를 사용한 예제는 여전히 질문에 대한 답을 주지 못합니다.
Ivan Butko 지표 수 치가 아닌 닫힌 캔들 수를 위아래로 공급했을 때입니다. 6500개의 캔들(1년) - 약한 반응, 변화 없음(평균 3200개). 10개를 시도했는데 변화가 너무 커서 가격이 20번 오르내렸습니다. 100을 시도했는데 최적의 변형이었습니다. 그런 다음 재교육 할 때 잔액이 앞으로 올라 가려고했습니다.
나는 약 15 년 전에 VTE의 비평가들로부터 3 파를 연구 한 Alexei Nikolaev에 동의하며, 가장 논리적 인 것으로 밝혀졌습니다. 충동 수정 임펄스 또는 ABC와 같은 가격을 마트료시카로 나누는 것은 없습니다.
이제 차트에서 이러한 움직임의 신경망 그림을 어떻게 든 "그리기"위해 이러한 각 움직임의 시작과 끝의 입력 가격과 막대 수 (분 막대)로 그 차이를 신경망에 공급하려고 생각합니다.
음, 이것은 지구본에서 올빼미를 당기는 것입니다. 먼저 특정 전략이 생각되고 NS가 이에 대해 훈련됩니다. NS는 TS를 조립하는 데만 사용되지만 새로운 것을 가져 오지는 않습니다. 이렇게 아주 오랫동안 걷고 방황 할 수 있습니다 :)
그런 다음 기능 분석, 대상 기능, 무차별 대입, 튜닝 등 제가 한 일을 정확히 동일한 성공으로 이해하려고 노력하기 시작합니다. NS가 다시 의도된 목적으로 사용되지 않았기 때문입니다.
거래와 표지판을 무작위로 세밀링하는 것이 더 쉽고, 아무것도 바뀌지 않지만 검색은 더 빨라집니다. 어떤 이유로 저는 처음부터 이것을 깨달았습니다. 아, 책을 읽었는데 같은 내용이 나와서요 :)
허둥대는 선생님을 정상적인 선생님으로 바꾸기 전까지는 이렇게 될 것입니다. 일반 교사는 이미 준비된 패턴을 가르치는 사람입니다.
그리고 그것을 위해 당신은 지식과 민첩성이 없습니다. 따라서 초보자를위한 확실한 옵션은 준비된 ts / 신호를 가져 와서 교사로 사용하는 것입니다.
Maxim Dmitrievsky #: 나는 꼼꼼한 전처리를 전혀하지 않고 열정이 없습니다 :) 기능이 외부에있는 경우 신중하게 선택해야합니다. 원래 시리즈의 파생 상품이라면 몇 가지 변형을 추가하기 만하면됩니다.
이 모든 것이 핀 BP에서 작동하지 않는 이유를 위에서 이미 썼습니다. 알파는 나머지 BP의 다른 유익하지 않은 예시로 막혀 있습니다. 일반화보다는 암기만 하게 됩니다. 반대로 강력한 정규화는 정보를 제공하지 않을 뿐만 아니라 좋은 예도 무차별적으로 소멸되기 때문에 TC도 파괴합니다.
중복성을 정리했습니다. 긴 텍스트는 보통 현지 괴짜들이 더럽히거나 이해하지 못합니다 :)
당신의 경험은 당신의 말을 확인하고, 나의 경험은 나의 말을 확인합니다.
모순이 있지만이 문제에 대해 논쟁하는 대신 상대방의 업적을 통해 자신을 풍요롭게함으로써 노력과 이익에 동참하는 것이 더 합리적이지 않습니까?
이 모델은 일련의 가격 패턴 분석에 적합하지 않습니다.
'우유', '치즈', '맥주'를 및 "맥주"를 "가격", "가격" "가격", "브레이크아웃", "패턴" "패턴"으로 바꾸세요.
모든 것이 하나로 합쳐집니다.
내 기억에 가장 좋은 것 (잔액이 올라 가려고했을 때)은 차이 나 지표 수 치가 아닌 닫힌 캔들 수를 위아래로 공급했을 때입니다. 6500개의 캔들(1년) - 약한 반응, 변화 없음(평균 3200개). 10개를 시도했는데 변화가 너무 커서 가격이 20번 오르내렸습니다. 100을 시도했는데 최적의 변형이었습니다.
그런 다음 재교육 할 때 잔액이 앞으로 올라 가려고했습니다.
나는 약 15 년 전에 VTE의 비평가들로부터 3 파를 연구 한 Alexei Nikolaev에 동의하며, 가장 논리적 인 것으로 밝혀졌습니다. 충동 수정 임펄스 또는 ABC와 같은 가격을 마트료시카로 나누는 것은 없습니다.
이제 신경망에 이러한 움직임의 그림을 어떻게 든 차트에 "그리기"위해 이러한 각 움직임의 시작과 끝의 입력 가격과 막대 수 (분 막대)로 그 차이를 신경망에 공급하려고 생각합니다.
제어 예제가 맞지 않습니다.
범주형 교차 엔트로피는 두 개 이상의 클래스가 있는 분류 모델에 사용됩니다. 그리고 소프트맥스 이후. 소프트맥스는 값 집합을 합이 1인 확률 집합으로 변환합니다.
다음과 같은 제어 예제를 사용해 보세요:
pred: 0.1, 0.1, 0.2, 0.5, 0.1
true: 0, 0, 1, 0, 0, 0, 0
제가 제시한 예는 범주형 교차 엔트로피 섹션에서 가져온 것입니다(그리고 각 인스턴스에서 값의 합이 1이라는 것을 눈치 채지 못했을 것입니다). Keras에서와 같이 작동하지 않는다는 사실은 저에게 지표이며, 이는 MQL5의 CCE 구현 또는 설명이 예상과 일치하지 않음을 의미합니다. 그런 다음 자세한 설명이 필요합니다. 그건 그렇고, 파이토치에서 크로스 엔트로피 손실은 내부에 예비 소프트 맥스를 포함합니다. 그러나 일반적으로 MQL5의 행렬에 대한 문서에는 인터페이스가 파이썬 인터페이스와 유사하다는 아이디어가 포함되어 있기 때문에 동작의 우연성이 암시되어 있습니다. 그리고 우연의 일치가 없다면 문제와 혼란을 야기합니다.
클래스가 많다는 것은 행렬로 작업한다는 것을 의미하므로(샘플/행이 많고 각 행에 클래스가 있는 경우) 벡터를 사용한 예제는 여전히 질문에 대한 답을 주지 못합니다.
생각해 본 적은 없지만 가격에서는 이동 순서가 중요하기 때문에 그럴 가능성은 낮다고 생각합니다.
만일을 대비해 만델브로트의 아이디어를 설명하는 그림을 소개합니다. 각 가격 움직임은 가능하면 세 개의 움직임으로 나뉘고 (그 안에서 최대 조정을 선택하면) 트리의 노드가됩니다. 이동 내에 보정이 없거나 주어진 값보다 작으면 트리의 잎이 됩니다.
더 멋지지 않나요?
라머-더글라스-페커 알고리즘 - 위키백과(wikipedia.org)
동일한 알고리즘을 사용하면 과거 데이터를 추세 및 플랫 세그먼트로 분류할 수 있습니다.
시인의 꿈, 사실....
왜냐하면
모든 계량경제학 이론을 적용할 수 있기 때문입니다.
그리고 모두가 좋아하는 뉴라
더 멋지지 않나요?
라머-더글라스-페커 알고리즘 - 위키백과(wikipedia.org)
동일한 알고리즘을 사용하여 과거 데이터를 추세 및 플랫 세그먼트로 분할할 수 있습니다.
시인의 꿈, 적절한....
왜냐하면.
모든 계량경제학 이론을 이미 적용할 수 있기 때문입니다.
그리고 모두가 좋아하는 뉴라.
그런 다음 재교육 할 때 잔액이 앞으로 올라 가려고했습니다.
나는 약 15 년 전에 VTE의 비평가들로부터 3 파를 연구 한 Alexei Nikolaev에 동의하며, 가장 논리적 인 것으로 밝혀졌습니다. 충동 수정 임펄스 또는 ABC와 같은 가격을 마트료시카로 나누는 것은 없습니다.
이제 차트에서 이러한 움직임의 신경망 그림을 어떻게 든 "그리기"위해 이러한 각 움직임의 시작과 끝의 입력 가격과 막대 수 (분 막대)로 그 차이를 신경망에 공급하려고 생각합니다.
나는 꼼꼼한 전처리를 전혀하지 않고 열정이 없습니다 :) 기능이 외부에있는 경우 신중하게 선택해야합니다. 원래 시리즈의 파생 상품이라면 몇 가지 변형을 추가하기 만하면됩니다.
당신의 경험은 당신의 말을 확인하고, 나의 경험은 나의 말을 확인합니다.
모순이 있지만이 문제에 대해 논쟁하는 대신 상대방의 업적을 통해 자신을 풍요롭게함으로써 노력과 이익에 동참하는 것이 더 합리적이지 않습니까?
당신의 경험은 당신의 말을 뒷받침하고, 나의 경험은 나의 말을 뒷받침합니다.
모순이 있지만 이 문제로 논쟁을 벌이기보다는 상대방의 성과를 통해 서로 힘을 합쳐 이익을 얻는 것이 더 합리적이지 않을까요?
더 합리적이지 않고 도움이 필요하지 않습니다. 포럼은 단서가 되기보다는 오히려 방해가 될 뿐입니다. 일반적인 용어로 내 경험을 설명하는 것뿐입니다. 때때로 나는 그것을 판매합니다 :) 그것을 듣는 사람은 그것을 상속하여 시간을 절약 할 것입니다.
오버 슈팅 징후는 매우 비효율적 인 결함이있는 전술이며, 이것은 이미 저에게는 공리입니다. IMHO라고 말하고 싶지만 공리에 더 가깝습니다.
오버슈팅 징후는 매우 비효율적인 전술이며, 이미 저에게는 공리와도 같습니다. IMHO라고 말하고 싶지만 공리에 더 가깝습니다.
이제 목표물 선택이 끝나고 RL로 넘어갑니다.