Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 594
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
Ich kann nicht schlafen und habe ein wenig im Internet gelesen. Das hat mir gefallen:
"Die Tatsache, dass Inkremente verwendet werden, ist vor dem allgemeinen Hintergrund nicht ganz so schlimm, die meisten logarithmischen Preise werden der Eingabe zugeführt, Inkremente sind ein Schritt nach vorne, obwohl beides passend ist.
Ich kenne Leute, die den Gral von NS gezogen haben, aber diese Jungs sind so verschlossen für die Kommunikation und sogar Hinweise über das, was sie tun, ich bin ein Anfänger, so definitiv nicht eine Chance haben. Ich weiß nur, dass alles kompliziert ist, es ist nicht Vels, nicht Metatrader und auch nicht S#, und C++ und MatLab mit einigen Chips, die Daten dekodieren und interpretieren, die von Calidern kommen, es stellte sich heraus, dass dies ein und dieselbe Methodik ist, hörte ich und bekam Angst, sie arbeiten mit Onkel, der Terabytes pro Tag am CERN auf der Suche nach neuen Teilchen im Quantenchaos zu mahlen pflegte.
Das ist witzig. Ich bleibe bei meiner Meinung - es ist notwendig, die reinsten, wie eine Träne, Preiserhöhungen zu NS-Input zu füttern. Es sind die Schritte, die der Schlüssel zu allem sind. Sie bilden die Grundlage für die Lösung dieses Problems. In der Tat folgen wir in Forex einem pseudostationären Prozess der Bewegung eines Wellenpakets (Wahrscheinlichkeitsdichtefunktion) dieser Inkremente. Und nichts weiter. (Diesen Absatz habe ich bereits geschrieben :)))
Aus der Biografie von B. Fritzke geht hervor, dass er 2001 seine Karriere als Wissenschaftler an der Ruhr-Universität (Bochum, Deutschland) aufgrund eines Stellenangebots der Deutschen Bӧrse beendete. Ich will nicht verhehlen, dass diese Tatsache ein zusätzlicher Anreiz war, seinen Algorithmus als Grundlage für diesen Artikel zu wählen.
https://www.mql5.com/ru/articles/163
Im Allgemeinen bin ich erstaunt... wenn ich abends an meinem Computer sitze... warum schreibe ich nicht ein... wachsendes Neuralgas... wie...
BLEEP, es erstaunt mich, wie schlau die Leute sind
...die mit sich selbst Forex spielt...
...nun, Yuri hat bereits darüber geschrieben...
Welche Art von Neuron kann das tun? Ich habe diese Nachrichten irgendwie übersehen.
Welche Art von Neuronen kann das tun? Ich habe diese Nachrichten irgendwie übersehen.
Nun, Verstärkungslernen im Allgemeinen, aber es könnte Variationen davon geben
q-learning, zum Beispiel.
Es ist nicht im Abschnitt über Neurodynamik enthalten ... weil es auf eine andere Weise trainiert wird, aber die Topologie und die Gewichte der Neuronen sich nach dem Training nicht ändern.
Es geht los. Aber Ihnen geht es nur um MCL. Ich meine es ernst. Das ist nicht gut, solange wir mit DM beschäftigt sind. Imho.
Zweitens habe ich selbst MCL nur als Schnittstelle, d.h. ich kann bei Bedarf die Schnittstellen ändern, ohne das Analysesystem zu ändern.
Alle reden darüber, was man dem Input zuführen soll. Meiner Meinung nach ist es genauso wichtig, was in die Ausgabe eingespeist wird. Wenn Sie das Zickzack füttern, wird das Netz überhaupt nicht auf irgendwelche Eingaben trainiert. Wenn Sie die Klassen ausgleichen. D.h., wenn wir die Mehrheit der Eingänge, die keine Umkehrungen zeigen, entfernen, ist das Ergebnis auch nicht stichhaltig. Wenn wir den Durchschnittspreis eines Balkens höher oder niedriger als den des vorherigen Balkens auf Ausgaben setzen. Wir erhalten genau 50 % der richtigen Antworten. Auch das ist nicht gut. Was können wir uns noch einfallen lassen?
Hallo, haben Sie den Roboter fertiggestellt? mit KI.
es ist Zeit, es zu testen ))
Interessanter Gedanke https://monographies.ru/en/book/section?id=2465.
Bei der Modellierung neuronaler Netze mit linearen Neuronen-Aktivierungsfunktionen ist es möglich, einen Algorithmus zu konstruieren, der garantiert einen absolut minimalen Lernfehler erzielt. Bei neuronalen Netzen mit nichtlinearen Aktivierungsfunktionen ist es im Allgemeinen nicht möglich, das Erreichen eines globalen Minimums der Fehlerfunktion zu garantieren.
...............
Im Falle eines linearen Netzmodells und einer Fehlerfunktion als Summe von Quadraten wäre eine solche Oberfläche (der Fehlerfunktion) ein Paraboloid, das ein einziges Minimum hat, und das macht es relativ einfach, ein solches Minimum zu finden.
Im Falle eines nichtlinearen Modells hat die Fehleroberfläche eine viel komplexere Struktur und weist eine Reihe ungünstiger Eigenschaften auf, insbesondere kann sie lokale Minima, flache Bereiche, Sattelpunkte und lange schmale Schluchten aufweisen.
Vielleicht sollten wir mehr Neuronen für nichtlineare Aktivierungsfunktionen verwenden? Um all diese Unregelmäßigkeiten auszugleichen.
Alle reden darüber, was man dem Input zuführen soll. Meiner Meinung nach ist es genauso wichtig, was in die Ausgabe eingespeist wird.
Wenn Sie ein Gebäude namens "Statistik" betreten, steht über dem Eingang"Müll rein, Müll raus".
Wenn Sie ein Gebäude namens "Statistik" betreten, steht über dem Eingang"Müll rein, Müll raus".
))
Erstens liegt es nicht an mir, sondern an Maxim über MCL, weshalb ich auch geschrieben habe, dass es nicht funktioniert hat.
Zweitens habe ich selbst MCL nur als Schnittstelle, so dass ich bei Bedarf die Schnittstellen wechseln kann, ohne das Analysesystem zu ändern.