Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 398
![MQL5 - Sprache von Handelsstrategien, eingebaut ins Kundenterminal MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Wenn man sich die Datei ansieht, gibt es 8 Koeffizienten, die Eingabe ist23, d.h. es gibt ein Neuron, das mit 3 Eingaben arbeitet. Ich vermute, dass Ihr Programm vierundzwanzig Stunden braucht, um zu berechnen, welche 3 von 100 Eingaben an dieses Neuron weitergeleitet werden sollen. Ich dachte, das Neuron sei auf mindestens 10 Eingänge erweitert...
Ja, es ist eine schwierige Auswahl, es sind nur noch wenige übrig :)
Ich habe Ihnen einen Link zu seiner Website gegeben, dort finden Sie eine Beschreibung des Modells. Ich weiß nicht einmal, wie ich es beschreiben soll, es heißt Nuclear Machine + Vector Machine. Es ist komplizierter als in der mt5-Version + Training mit dem Gegner anstelle der Auswahl der Gewichte im Optimierer, aber im Ergebnis haben wir die gleichen Gewichte für jeden der Prädiktoren.
Soweit ich weiß, wird die Referenzvektor-Methode verwendet, bei der im mehrdimensionalen Raum die Hyperebene gebildet wird, die am weitesten von allen Trainingspunkten entfernt ist, wodurch der Raum in zwei Kategorien "ja" und "nein" unterteilt wird. Spuckende Kernel-Transformationen. Es ist kein Neuron, das es trainiert, es ist ein KI-System, das zusätzlich zum Training eine Reihe von Konvertierungen und Brute-Forcing mit Daten durchführt. Deshalb dauert es auch so lange. Das ist ein bisschen frustrierend. Aber wie kann man ein marktgerechtes Modell in 5 Sekunden auf den Markt bringen? ???? Ich weiß es nicht :-(
Soweit ich weiß, wird die Methode der Referenzvektoren verwendet, wenn man im mehrdimensionalen Raum eine solche Hyperebene konstruiert, die maximal von allen Punkten der Trainingsmenge entfernt ist und so den Raum in zwei Kategorien "ja" und "nein" unterteilt. Spuckende Kernel-Transformationen. Es ist kein Neuron, das es trainiert, es ist ein KI-System, das zusätzlich zum Training eine Reihe von Konvertierungen und Brute-Forcing mit Daten durchführt. Deshalb dauert es auch so lange. Das ist ein bisschen frustrierend. Aber wie kann man ein marktgerechtes Modell in 5 Sekunden auf den Markt bringen? ???? Ich weiß es nicht :-(
Zumindest, wie oben schon geschrieben wurde - nicht einen Haufen Prädiktoren hineinpacken, die werden sowieso alle eliminiert :)
Wenn man sich die Datei ansieht, gibt es 8 Koeffizienten, die Eingabe ist23, d.h. es gibt ein Neuron, das mit 3 Eingaben arbeitet. Ich vermute, dass Ihre Software über Nacht zählt, welche 3 von 100 Eingängen an dieses Neuron geliefert werden sollen. Ich dachte, das Neuron ist auf mindestens 10 Eingänge erweitert...
getBinaryClassificator1(x0, x1, x2, x3, x4, x5, x6, x7);
Nicht, dass Sie etwas falsch verstanden haben, es gibt 2 Raster, in jedes werden 8 Eingänge eingespeist, dann wird das Ergebnis beider Raster wie zuvor beschrieben interpretiert. Wenn beide ja sagen, dann ja, wenn nicht, dann nein, wenn gemischt, dann weiß ich es nicht... So.....
Das ist hart... Ist es möglich, aus 3 Eingaben etwas vorherzusagen?
Ich denke, Sie verschwenden Ihre Zeit an der falschen Stelle. Wenn das RNN auf 10 oder 100 Eingänge erweitert würde, könnten Sie 24 Stunden für sein Training aufwenden. Und jetzt verschwenden Sie Ihre Zeit mit dem Aussieben von Einträgen. Und nicht auf die Ausbildung.
Nicht, dass Sie etwas falsch verstanden haben, es gibt 2 Raster mit jeweils 8 Eingängen, dann wird das Ergebnis beider Raster wie zuvor beschrieben interpretiert. Wenn beide ja sagen, dann ja, wenn nicht, dann nein, wenn gemischt, dann weiß ich es nicht... So.....
8 sind die Koeffizienten der Verbindungen zwischen Inputs und Outputs, und es gibt 3 Inputs (8 =23)
Genauer gesagt, die Koeffizienten für die Regeln:
r0 = (1 - A) * (1 - B) * (1 - C) * p0
Und es gibt nur 3 Eingänge - A, B und Cr1 = (1 - A) * (1 - B) * C * p1
r2 = (1 - A) * B * (1 - C) * p2
r3 = (1 - A) * B * C * p3
r4 = A * (1 - B) * (1 - C) * p4
r5 = A * (1 - B) * C * p5
r6 = A * B * (1 - C) * p6
r7 = A * B * C * p7
Das ist hart... Ist es möglich, aus 3 Eingaben etwas vorherzusagen?
Ich denke, Sie verschwenden Ihre Zeit an der falschen Stelle. Wenn das RNN auf 10 oder 100 Eingänge erweitert würde, könnten Sie 24 Stunden für sein Training aufwenden. Und jetzt verschwenden Sie Ihre Zeit mit dem Aussieben von Einträgen. Und nicht auf die Ausbildung.
weil die neueste Version dort einen Ausschuss von 2 ns verwendet, dann werden die Ergebnisse verglichen
weil die letzte Version dort einen Ausschuss von 2 ns verwendet, dann werden die Ergebnisse verglichen
Ich würde das Neuron auf 10 Eingänge erweitern...
Aber ich muss Regeln für bis zu 1024 hinzufügen:
r0 = (1 - A) * (1 - B) * (1 - C) * p0
r1 = (1 - A) * (1 - B) * C * p1
r2 = (1 - A) * B * (1 - C) * p2
r3 = (1 - A) * B * C * p3 A) * B * C * p3
r4 = A * (1 - B) * (1 - C) * p4
r5 = A * (1 - B) * C * p5
r6 = A * B * (1 - C) * p6
r7 = A * B * C * p7
.....
r1023 =
Nun, zumindest, wie oben geschrieben, sollten Sie nicht eine Reihe von Prädiktoren in sie setzen, es wird sie sowieso alle eliminieren :)
Ich bin bereit, hier zu argumentieren. Das kommt aus der Praxis. Was ich bei der Verwendung des Optimierers beobachte.
Wenn es weniger Spalten als Zeilen gibt, wird die Anzahl der Eingänge kleiner als die bedingte Größe des Netzpolynoms.
Wenn die Anzahl der Spalten und Zeilen gleich ist, sind die Anzahl der Eingaben und die Polynomgröße ungefähr gleich.
Wenn es mehr Spalten als Zeilen gibt, ist die Polynomgröße kleiner als die Anzahl der Eingaben.
Mit anderen Worten: Die Anzahl der Spalten und Zeilen muss ungefähr gleich sein. Dann wird das Polynom mit einer ausreichenden Anzahl von Eingaben erhalten, und seine Größe ist ungefähr gleich der Anzahl der Eingaben.
Mit anderen Worten. Je größer die Datei ist, desto multiparametrischer wird das Modell. Die Anzahl der Eingaben und die Größe des Polynoms nehmen zu, was bedeutet, dass das Modell intelligenter wird. Also weiter.
Auch wenn dieselbe Datei mehrmals ausgeführt wird, sind die Eingabeparameter immer unterschiedlich. Dies ist auf die zufällige Aufteilung der Stichprobe während der Teilung zurückzuführen. Aber wenn wir ein und dieselbe Datei ausführen und völlig unterschiedliche Modelle erhalten, werden sie trotzdem identisch funktionieren, zumindest sollten sie das. Dies ist die Antwort auf die Frage, welche Fische sich in der angegebenen Datei befinden. Wenn sie sich von einem Lauf zum anderen unterscheidet, bedeutet das, dass die Daten nichts mit der Ausgabe zu tun haben. So....
8 sind die Koeffizienten der Verbindungen zwischen Inputs und Outputs, und es gibt 3 Inputs (8 =23)
Genauer gesagt, die Koeffizienten für die Regeln:
r0 = (1 - A) * (1 - B) * (1 - C) * p0
Es gibt nur drei Eingänge - A, B und C.r1 = (1 - A) * (1 - B) * C * p1
r2 = (1 - A) * B * (1 - C) * p2
r3 = (1 - A) * B * C * p3
r4 = A * (1 - B) * (1 - C) * p4
r5 = A * (1 - B) * C * p5
r6 = A * B * (1 - C) * p6
r7 = A * B * C * p7
Von welchen Kopplungskoeffizienten sprechen Sie? Hier ist eine Liste der verwendeten Eingaben, und was Sie dort vor jedem Polynom sehen, ist die Normalisierung, und es sind 8 Eingaben beschrieben, siehe ganz unten in der Datei.
//Variable x0: Del
//Variable x1: Del1
//Variable x2: VDel
//Variable x3: VDel1
//Variable x4: VDel6
//Variable x5: ST5
//Variable x6: VAD11
//Variable x7: VVolum4
Wo sind die drei Eingänge????? Wenn es acht von ihnen sind.
Das von Ihnen angeführte Beispiel stammt aus einer anderen Arbeit von Reshetov und hat nichts mit dem Optimierer zu tun.