Neuronka와 거의 모든 다른 인기 있는 모델은 인공 지능과는 거리가 멉니다. 그들은 원하는 훈련 정확도를 달성하는 예측자 값의 조합을 간단히 찾을 수 있으며, 미래에 예측할 때 새로운 예측을 얻기 위해 과거 결과를 일종의 보간(또는 외삽)합니다.
따라서 예를 들어 ma, rsi 및 stochastic과 같은 예측 변수를 취하고 학습 목표로 지그재그 반전을 사용하여 뉴런을 훈련하면 뉴런에게 "이 세 예측 변수는 반전을 예측할 수 있습니다. 의 값을 찾고 기억하십시오. 반전이 일어날 예측인자." 그리고 뉴런 자체는 이러한 예측 변수가 실제로 적합한지 여부를 파악하지 못합니다. 그녀는 이 데이터를 수용 가능한 정확도로 기억할 것이며 거래 시 ma, rsi, stochastics의 동일한 조합이 반전 전에 보존되기를 바랍니다. 그러나 그들은 보존되지 않을 것이며 배수구가있을 것입니다.
쓸모없는 예측자에 대해 훈련된 모델은 최소한 gbm, 최소한 뉴런, 최소한 회귀를 병합합니다. 무작위 시리즈를 생성하고 예측 변수로 사용할 수도 있습니다. 뉴런은 그 중에서 반복되는 조합을 찾아 기억합니다. 예측 변수와 학습 목표를 찾는 것은 다른 도구를 사용하는 휴먼 데이터 마이너의 작업입니다. 그리고 모델(뉴런)을 훈련하는 것은 이미 아주 작은 두 번째 단계입니다.
예측자는 과거와 미래 모두에서 훈련 데이터에 대한 대상과의 관계를 유지해야 합니다. 따라서 예를 들어 SanSanych는 발견된 종속성이 새 데이터에서 사라지지 않도록 하기 위해 다른 파일에서 모델을 테스트하는 방법에 대해 설명합니다. 저것들. 우리는 예측 변수와 목표를 신중하게 연구하고 선택하고 모델을 훈련하고 테스트합니다. 그런 다음 모델에 대한 완전히 새로운 데이터를 테스트합니다. 두 경우 모두 예측 정확도가 일치하지 않으면 예측 변수나 목표가 적합하지 않습니다. 우리는 다른 사람들을 찾아야 합니다.
제 생각에 뉴런은 비정상 시계열 예측을 위한 가격 작업에는 완전히 부적합합니다. 가격의 행동은 끊임없이 변하고, 발견된 패턴은 몇 시간 후에 작동을 멈추고, 모든 것이 혼란스럽습니다. 그런 다음 누군가가 뉴런을 가져 와서 몇 달 동안 가격을 제시하고 이 기간 동안 반복되는 종속성을 찾으라고 요구합니다. 그러나 결국 반복되는 종속성은 없으며 뉴런이 찾고 기억하는 것은 100% 우연의 일치일 뿐입니다.
뉴런을 가져오면 지표와 같이 어떤 방식으로든(순수한 ohlc가 아닌) 이미 처리된 가격만 제공할 수 있습니다.
왜 그렇게 좁게 생각하세요, 여기 있는 모든 사람들은 마치 당근보다 더 달콤한 것을 본 적이 없는 것처럼 이렇게 씁니다)) 용광로 예측기로, 뉴런을 훈련시켜 이 동일한 예측기를 찾고, 뉴런을 훈련시켜 뉴런을 훈련시키고, 실험하세요 :) 당연히 , 지표만 가져와서 입력으로 제공하고 출구로 지그재그로 보내는 것은 매우 어리석은 일입니다. 왜 모두가 그것에 대해 논의하는지 모르겠습니다 :) 그리고 물론 이것은 AI가 아니라 분류일 뿐입니다. 뉴런은 전혀 필요하지 않습니다! 베이지안 분류기를 사용할 수 있습니다.
도서관 : 글쎄요, 뉴런은 쓸모없는 예측 변수에 대해 계수를 0으로 설정해야 하는 것 같습니다. 그러면 출력에 영향을 주지 않습니다! 계산 속도의 차이는 모든 예측 변수와 가장 중요한 예측 변수의 절반 사이에 있습니다.
이것이 리소스 집약적 작업을 위해 뉴런이 생성된 방식입니다. 유일한 문제는 MT5에서 모든 것이 지금 이것으로 열악하다는 것입니다. 매우 복잡한 원본 모델과 명확하지 않은 모델을 만들 수 있습니다. 그래야만 NN을 사용할 수 있는 가능성이 드러날 것입니다. 하지만 여기에서 논의되는 기술은 확실히 아닙니다. 초보자를 위한 기본 사항과 같습니다. :) 용량이 충분하지 않습니다. NN 훈련용 서버... 일반 PC에서 5-30분 만에 배울 수 있는 모든 것입니다. 제 생각에는 이것은 뉴런이 아니며 원시적인 것이 아닙니다. :)
이것이 리소스 집약적 작업을 위해 뉴런이 생성된 방식입니다. 유일한 문제는 MT5에서 모든 것이 지금 이것으로 열악하다는 것입니다. 매우 복잡한 원본 모델과 명확하지 않은 모델을 만들 수 있습니다. 그래야만 NN을 사용할 수 있는 가능성이 드러날 것입니다. 하지만 여기서 논의되는 기술에서는 확실히 그렇지 않습니다. 이는 초보자를 위한 기본 사항과 같습니다. :)
왜 안 돼? 순수 MQL 뉴런을 최적화(지표 매개변수 선택)에 넣고 네트워크 또는 클라우드에서 시작할 계획입니다. 20,000명의 에이전트가 셀 수 있습니다. 속도 면에서 R은 비교할 수 없습니다. R은 Azure 클라우드에도 작업을 배포하는 것으로 보이지만
0.5는 모든 입력에 승수 = 1이 있는 경우입니다. 그리고 네트워크가 학습하고 중요하지 않은 입력에 대해 승수를 0으로 설정하고 가장 중요한 것은 1로 설정하면 모든 것이 정상일 것입니다. 물론 출력은 1이 아니지만 예를 들어 출력이> 0.8이면 반응합니다.
그러나 불행히도 올바른 출구와 상관관계가 있는 지표는 없습니다. 따라서 반드시 손실이 있을 것입니다. 확률을 편으로 꺾기만 하면 돼
그것들은 상관 관계가 없을 뿐만 아니라 일반적으로 샘플의 증가와 모순됩니다. 예, 결과적으로 출력은 당황스럽습니다. 항상 0 또는 1 또는 0.5 .. 특히 1개의 뉴런에 대해. 즉, >0.5이면 매도하고 <0.5이면 매수합니다. RSI가 과매도되고 시장이 다음 n-바에서 성장하면 0을 출력하고 RSI가 과매수되고 시장이 하락하면 올바른(귀하의 의견으로는) 예측 변수와 정답을 로드합니다. 제공하다. 그러나 반대의 경우가 많이 있을 것이며, 그녀는 무뚝뚝하고 신호를 혼합하고 트랜스 상태에 빠질 것입니다. 결과적으로, 출력은 항상 한 방향 또는 다른 방향으로 매우 작은 편차로 약 0.5가 될 것입니다... 그리고 이것은 모든 오실레이터의 경우일 것입니다. 왜냐하면 그들은 전혀 예측 변수가 아니라 가격의 파생물이기 때문입니다. :)
따라서 예를 들어 ma, rsi 및 stochastic과 같은 예측 변수를 사용하고 학습 목표로 지그재그 반전을 사용하여 뉴런을 훈련하면 뉴런에게 "이 세 가지 예측 변수는 반전을 예측할 수 있습니다. 의 값을 찾고 기억하십시오. 반전이 일어날 예측인자." 그리고 뉴런 자체는 이러한 예측 변수가 실제로 적합한지 여부를 파악하지 못합니다. 그녀는 이 데이터를 수용 가능한 정확도로 기억할 것이며 거래 시 ma, rsi, stochastics의 동일한 조합이 반전 전에 보존되기를 바랍니다. 그러나 그들은 보존되지 않을 것이며 배수구가있을 것입니다.
IMHO, 예를 들어 kNN 에서와 같이 특정 커널 근처에서 분류 및 회귀를 N - d 의 다른 유형의 평균화 점으로 생각하는 것이 더 정확합니다.이는 "이상적인" 근사치라고 하며 느리고 실용적이지 않습니다. 분류할 때는 답변만 평균하고, 회귀할 때는 특징과 답변을 평균합니다. 분명히, 이러한 평균화 과정에서 모순점이 혼합되면 결과는 표현되지 않고 노이즈가 될 것입니다.
지난 백 페이지 요약 :)
Neuronka와 거의 모든 다른 인기 있는 모델은 인공 지능과는 거리가 멉니다. 그들은 원하는 훈련 정확도를 달성하는 예측자 값의 조합을 간단히 찾을 수 있으며, 미래에 예측할 때 새로운 예측을 얻기 위해 과거 결과를 일종의 보간(또는 외삽)합니다.
따라서 예를 들어 ma, rsi 및 stochastic과 같은 예측 변수를 취하고 학습 목표로 지그재그 반전을 사용하여 뉴런을 훈련하면 뉴런에게 "이 세 예측 변수는 반전을 예측할 수 있습니다. 의 값을 찾고 기억하십시오. 반전이 일어날 예측인자." 그리고 뉴런 자체는 이러한 예측 변수가 실제로 적합한지 여부를 파악하지 못합니다. 그녀는 이 데이터를 수용 가능한 정확도로 기억할 것이며 거래 시 ma, rsi, stochastics의 동일한 조합이 반전 전에 보존되기를 바랍니다. 그러나 그들은 보존되지 않을 것이며 배수구가있을 것입니다.
쓸모없는 예측자에 대해 훈련된 모델은 최소한 gbm, 최소한 뉴런, 최소한 회귀를 병합합니다. 무작위 시리즈를 생성하고 예측 변수로 사용할 수도 있습니다. 뉴런은 그 중에서 반복되는 조합을 찾아 기억합니다.
예측 변수와 학습 목표를 찾는 것은 다른 도구를 사용하는 휴먼 데이터 마이너의 작업입니다. 그리고 모델(뉴런)을 훈련하는 것은 이미 아주 작은 두 번째 단계입니다.
예측자는 과거와 미래 모두에서 훈련 데이터에 대한 대상과의 관계를 유지해야 합니다. 따라서 예를 들어 SanSanych는 발견된 종속성이 새 데이터에서 사라지지 않도록 하기 위해 다른 파일에서 모델을 테스트하는 방법에 대해 설명합니다.
저것들. 우리는 예측 변수와 목표를 신중하게 연구하고 선택하고 모델을 훈련하고 테스트합니다. 그런 다음 모델에 대한 완전히 새로운 데이터를 테스트합니다. 두 경우 모두 예측 정확도가 일치하지 않으면 예측 변수나 목표가 적합하지 않습니다. 우리는 다른 사람들을 찾아야 합니다.
제 생각에 뉴런은 비정상 시계열 예측을 위한 가격 작업에는 완전히 부적합합니다. 가격의 행동은 끊임없이 변하고, 발견된 패턴은 몇 시간 후에 작동을 멈추고, 모든 것이 혼란스럽습니다. 그런 다음 누군가가 뉴런을 가져 와서 몇 달 동안 가격을 제시하고 이 기간 동안 반복되는 종속성을 찾으라고 요구합니다. 그러나 결국 반복되는 종속성은 없으며 뉴런이 찾고 기억하는 것은 100% 우연의 일치일 뿐입니다.
뉴런을 가져오면 지표와 같이 어떤 방식으로든(순수한 ohlc가 아닌) 이미 처리된 가격만 제공할 수 있습니다.
왜 그렇게 좁게 생각하세요, 여기 있는 모든 사람들은 마치 당근보다 더 달콤한 것을 본 적이 없는 것처럼 이렇게 씁니다)) 용광로 예측기로, 뉴런을 훈련시켜 이 동일한 예측기를 찾고, 뉴런을 훈련시켜 뉴런을 훈련시키고, 실험하세요 :) 당연히 , 지표만 가져와서 입력으로 제공하고 출구로 지그재그로 보내는 것은 매우 어리석은 일입니다. 왜 모두가 그것에 대해 논의하는지 모르겠습니다 :) 그리고 물론 이것은 AI가 아니라 분류일 뿐입니다. 뉴런은 전혀 필요하지 않습니다! 베이지안 분류기를 사용할 수 있습니다.
왜 그렇게 좁게 생각하세요. 마치 당근보다 더 달콤한 것을 본 적이 없는 것처럼 여기 모든 사람들이 그렇게 씁니다.) 용광로의 예측자, 뉴런을 훈련시켜 바로 이 예측자를 찾고, 뉴런에게 뉴런을 훈련시키도록 가르치고, 실험하세요 :)
글쎄요, 뉴런은 쓸모없는 예측 변수에 대해 계수를 0으로 설정해야 하는 것 같습니다. 그러면 출력에 영향을 주지 않습니다! 계산 속도의 차이는 모든 예측 변수와 가장 중요한 예측 변수의 절반 사이에 있습니다.
이것이 리소스 집약적 작업을 위해 뉴런이 생성된 방식입니다. 유일한 문제는 MT5에서 모든 것이 지금 이것으로 열악하다는 것입니다. 매우 복잡한 원본 모델과 명확하지 않은 모델을 만들 수 있습니다. 그래야만 NN을 사용할 수 있는 가능성이 드러날 것입니다. 하지만 여기에서 논의되는 기술은 확실히 아닙니다. 초보자를 위한 기본 사항과 같습니다. :) 용량이 충분하지 않습니다. NN 훈련용 서버... 일반 PC에서 5-30분 만에 배울 수 있는 모든 것입니다. 제 생각에는 이것은 뉴런이 아니며 원시적인 것이 아닙니다. :)
이것이 리소스 집약적 작업을 위해 뉴런이 생성된 방식입니다. 유일한 문제는 MT5에서 모든 것이 지금 이것으로 열악하다는 것입니다. 매우 복잡한 원본 모델과 명확하지 않은 모델을 만들 수 있습니다. 그래야만 NN을 사용할 수 있는 가능성이 드러날 것입니다. 하지만 여기서 논의되는 기술에서는 확실히 그렇지 않습니다. 이는 초보자를 위한 기본 사항과 같습니다. :)
왜 안 돼? 순수 MQL 뉴런을 최적화(지표 매개변수 선택)에 넣고 네트워크 또는 클라우드에서 시작할 계획입니다. 20,000명의 에이전트가 셀 수 있습니다. 속도 면에서 R은 비교할 수 없습니다. R은 Azure 클라우드에도 작업을 배포하는 것으로 보이지만
왜 안 돼? 순수 MQL 뉴런을 최적화(지표 매개변수 선택)에 넣고 네트워크 또는 클라우드에서 시작할 계획입니다. 20,000명의 에이전트가 셀 수 있음 - 속도에서 R은 비교할 수 없습니다.
글쎄, 그것은 또한 정상입니다. MT5에는 뉴런이 거의 없고 하나만 있다는 의미입니다. :)
글쎄, 그것은 또한 정상입니다. MT5에는 뉴런이 거의 없고 하나만 있다는 의미입니다. :)
글쎄, 가장 중요한 것은 여전히 고품질 입력 데이터입니다. 존재한다면 1개의 뉴런이 문제를 해결할 것입니다.
아니, 그렇지 않습니다. 샘플이 증가하면 뉴런이 스트레스로 인해 수축되어 파열됩니다. :) 이러한 샘플을 근사화할 수 없으며 출력에서 지속적으로 0.5를 출력합니다.
아니, 그렇지 않습니다. 샘플이 증가하면 뉴런이 스트레스로 인해 수축하고 파열됩니다. :) 이러한 샘플을 근사화할 수 없으며 출력에서 지속적으로 0.5를 출력합니다.
0.5는 모든 입력에 승수 = 1이 있는 경우입니다. 그리고 네트워크가 학습하고 중요하지 않은 입력에 대해 승수를 0으로 설정하고 가장 중요한 것은 1로 설정하면 모든 것이 정상일 것입니다. 물론 출력에서는 1이 아니지만 예를 들어 출력이 > 0.8이면 반응합니다.
그러나 불행히도 올바른 출구와 상관관계가 있는 지표는 없습니다. 따라서 반드시 손실이 있을 것입니다. 확률을 편으로 꺾기만 하면 돼0.5는 모든 입력에 승수 = 1이 있는 경우입니다. 그리고 네트워크가 학습하고 중요하지 않은 입력에 대해 승수를 0으로 설정하고 가장 중요한 것은 1로 설정하면 모든 것이 정상일 것입니다. 물론 출력은 1이 아니지만 예를 들어 출력이> 0.8이면 반응합니다.
그러나 불행히도 올바른 출구와 상관관계가 있는 지표는 없습니다. 따라서 반드시 손실이 있을 것입니다. 확률을 편으로 꺾기만 하면 돼그것들은 상관 관계가 없을 뿐만 아니라 일반적으로 샘플의 증가와 모순됩니다. 예, 결과적으로 출력은 당황스럽습니다. 항상 0 또는 1 또는 0.5 .. 특히 1개의 뉴런에 대해. 즉, >0.5이면 매도하고 <0.5이면 매수합니다. RSI가 과매도되고 시장이 다음 n-바에서 성장하면 0을 출력하고 RSI가 과매수되고 시장이 하락하면 올바른(귀하의 의견으로는) 예측 변수와 정답을 로드합니다. 제공하다. 그러나 반대의 경우가 많이 있을 것이며, 그녀는 무뚝뚝하고 신호를 혼합하고 트랜스 상태에 빠질 것입니다. 결과적으로, 출력은 항상 한 방향 또는 다른 방향으로 매우 작은 편차로 약 0.5가 될 것입니다... 그리고 이것은 모든 오실레이터의 경우일 것입니다. 왜냐하면 그들은 전혀 예측 변수가 아니라 가격의 파생물이기 때문입니다. :)
따라서 예를 들어 ma, rsi 및 stochastic과 같은 예측 변수를 사용하고 학습 목표로 지그재그 반전을 사용하여 뉴런을 훈련하면 뉴런에게 "이 세 가지 예측 변수는 반전을 예측할 수 있습니다. 의 값을 찾고 기억하십시오. 반전이 일어날 예측인자." 그리고 뉴런 자체는 이러한 예측 변수가 실제로 적합한지 여부를 파악하지 못합니다. 그녀는 이 데이터를 수용 가능한 정확도로 기억할 것이며 거래 시 ma, rsi, stochastics의 동일한 조합이 반전 전에 보존되기를 바랍니다. 그러나 그들은 보존되지 않을 것이며 배수구가있을 것입니다.
IMHO, 예를 들어 kNN 에서와 같이 특정 커널 근처에서 분류 및 회귀를 N - d 의 다른 유형의 평균화 점으로 생각하는 것이 더 정확합니다. 이는 "이상적인" 근사치라고 하며 느리고 실용적이지 않습니다. 분류할 때는 답변만 평균하고, 회귀할 때는 특징과 답변을 평균합니다. 분명히, 이러한 평균화 과정에서 모순점이 혼합되면 결과는 표현되지 않고 노이즈가 될 것입니다.