Einsatz künstlicher Intelligenz bei MTS - Seite 20
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
Um fortzufahren - schreiben Sie an E-Mail
Leider habe ich in der Antwort nichts verstanden. Könnten Sie etwas Konkretes zu dem Problem bereits hier im Forum schreiben, denn wozu sonst der Austausch von E-Mails?
Frage für Mathematiker:
Ist die Idee, eine multivariate Normalverteilung der zu optimierenden Parameter anzuwenden, mit dem Prinzip der neuronalen Netze gleichzusetzen?
Bitte erklären Sie es klar und deutlich.
Nachdem ich von ANN und seiner Anwendung im Devisenhandel erfahren hatte, wollte ich dieses Thema studieren (ANN, ich kenne mich mit Devisenhandel seit langem aus), was ich auch tat. Also, ich habe ein paar Fragen über die Verwendung des ANN für Forex, die Antworten auf die ich noch nicht gefunden:
1) In einem der Materialien, die ich gelesen habe, wurde geschrieben, dass, wenn Sie lernen, ANN ist möglich, "retrainieren das System", "retrainiert" ANN gibt die richtigen Ergebnisse nur in Situationen (Muster), die es trainiert wurde, in anderen Fällen, seine Ergebnisse sind nicht wahr, dh.d.h. das ANN wird zu einer trivialen Tabelle und verliert seine Fähigkeit zur Verallgemeinerung. Meine Frage ist, ob eine solche Situation mit einem ANN, das mit FOREC arbeitet, möglich ist und ob die Möglichkeit der Bildung einer solchen Situation von der Art des Trainings (GA, stochastisch, Methode der Fehlerfortpflanzung) oder vom Typ des Netzes (ich werde ein unidirektionales mehrschichtiges Modell verwenden) abhängt. Wie lässt sich eine solche Situation vermeiden?
2) Angenommen, ich wähle eine triviale Methode für das Training eines Netzes auf der Geschichte (a) und arbeite nach dem Training (b): (a) Ich nehme einen Zeitpunkt in der Geschichte T, der gleich dem aktuellen Zeitpunkt T=0 ist, und gebe ein Trainingssystem mit engen Preisen X(T+1), X(T+2), X(T+3),... ein. X(T+N) (wobei N=const und X der Preis des Instruments in Abhängigkeit von T ist), dann gebe ich die von meinem System vor dem Training gemachte Prognose X'(T) zu diesem Zeitpunkt und den realen Wert von X(T) ein.= X'(T), dann bringe ich dem System diese Situation bei, dann verringere ich T um eins und wiederhole diesen ganzen Zyklus, bis T > 0 ist (je größer T ist, desto weiter ist das "alte" Zeitmoment T, für "einen Schritt" T kann z.B. ein Tag sein), wenn das System trainiert ist (b) warte ich einfach auf den "Schritt" (in unserem Fall warten wir einen Tag), wenn die vorherige Prognose nicht korrekt war, bringe ich dem System etwas bei, dann berechne ich die Prognose und eröffne ein Geschäft mit ihm, usw..
Berater, die auf der Grundlage des ANN arbeiten, das ich auf dieser Ressource gesehen habe, orientieren sich an der Wahrscheinlichkeit der Richtigkeit der Prognose (korrigieren Sie mich, wenn ich falsch liege), und wenn diese Wahrscheinlichkeit größer ist als eine bestimmte Konstante B, die von einem Menschen vorgegeben wird, dann wird das Geschäft eröffnet. Wie bewerten Sie die Wahrscheinlichkeit im Allgemeinen, z. B. bei der Art und Weise, wie EA funktioniert?
Ich persönlich weiß nicht, wie ein EA z.B. alle 24 Stunden KEINE Geschäfte eröffnen kann (es sei denn, der prognostizierte Ertrag ist niedriger als der Spread eines Symbols). Welche Eingangsdaten kann der Expert Advisor verwenden, um den Markt NICHT streng periodisch zu betreten?
3) In Ceasars EA habe ich eine Konstante des Vergessens gesehen, aber ich verstehe nicht, warum man eine solche Konstante braucht und wie man das lernmethodenabhängige Vergessen implementieren kann? Ist die Fähigkeit zu "vergessen" nicht eine natürliche Eigenschaft des ANN?
ZZY Ich brauche die Meinung von Fachleuten zum Thema ANN, wenn zu faul zu schreiben, plz, werfen Sie mir einfach einen Link zu der Ressource (n) Beantwortung jedes der Elemente in den Thread getrennt.
ZZZY Ich habe den Quellcode nicht gelesen, sondern nur die Anleitungen für ihre Verwendung studiert.
Frage für Mathematiker:
Ist die Idee, eine multivariate Normalverteilung der zu optimierenden Parameter anzuwenden, mit dem Prinzip der neuronalen Netze gleichzusetzen?
Bitte erklären Sie es klar und deutlich.
Bitte erläutern Sie die Frage.
Frage für Mathematiker:
Ist die Idee, eine multivariate Normalverteilung der zu optimierenden Parameter anzuwenden, mit dem Prinzip der neuronalen Netze gleichzusetzen?
Bitte erklären Sie es klar und deutlich.
Erläutern Sie die Frage.
Ich denke, die Frage lautet: "Lohnt es sich, sich mit neuronalen Netzen zu beschäftigen?"
Frage für Mathematiker:
Ist die Idee, eine multivariate Normalverteilung der zu optimierenden Parameter anzuwenden, mit dem Prinzip der neuronalen Netze gleichzusetzen?
Bitte erklären Sie es klar und deutlich.
Erläutern Sie die Frage.
Die Frage lautet wahrscheinlich: "Lohnt es sich, sich mit neuronalen Netzen zu beschäftigen?"
Es hängt nicht von der Trainingsmethode ab, es kann von der Art des Netzes abhängen, aber es ist unwahrscheinlich.
Wie kann man das vermeiden - die Trainingsstichprobe sollte hunderte, tausende Male größer sein als die Anzahl der Gewichtungsparameter im Netz,
dann ist die Wahrscheinlichkeit eines Übertrainings geringer.
Der Punkt ist einfach, NS ist nur eine Funktion der Menge der Eingaben und der Menge der Gewichtungsparameter.
Durch die Auswahl einer Reihe von Parametern soll eine bestimmte Reaktion am Ausgang der Funktion erreicht werden - das ist Lernen.
Es gibt eine Vielzahl von Gewichtungsparametern - Hunderte und Tausende, was in den meisten Fällen zu einem Übertraining der Netze führt.
Beim NS-Lernen geht es um die Optimierung einer Funktion mit einer großen Anzahl von Parametern (Hunderte und Tausende).
Ich weiß nicht, was ich in diesem Fall tun kann, um Übertraining zu vermeiden,
Die einzige Lösung besteht darin, eine Trainingsstichprobe von 1-100 Millionen Proben zu nehmen.
Aber es gibt keine Garantie...
Ein weiterer Punkt ist die Netzarchitektur. Besser klassifizierende Maschen als interpolierende Maschen.