Wie man die Eingabewerte für die NS richtig bildet. - Seite 3
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
Zu StatBars etwas Ihre Datei ist nicht dekomprimiert bitte überprüfen.
Das Thema ist umsonst aufgegeben worden. Das ist eine sehr interessante Frage.
Abgesehen von der Normalisierung der Eingabewerte können richtig geformte Eingaben auch die Auswahl von Mustern beinhalten, oder was genau wollen Sie dem Netz beibringen?
Wenn jemand Ideen oder Erfahrungen hat, bitte mitteilen.
Das Thema ist umsonst aufgegeben worden. Das ist eine sehr interessante Frage.
Abgesehen von der Normalisierung der Eingabewerte können richtig geformte Eingaben auch die Auswahl von Mustern beinhalten, oder was genau wollen Sie dem Netz beibringen?
Wenn Sie Ideen oder Erfahrungen haben, teilen Sie diese bitte mit uns.
Ja, das Thema sollte nicht aufgegeben werden. Imho kann sehr viel lehren oder vorschlagen, ein Anfänger neuronale Netzwerker :)
Ich denke, Erfahrung ist in diesem Geschäft sehr wichtig. Ich bitte daher um den Rat von erfahrenen Personen.
Ich bin gerade dabei, die Bücher zu studieren:
Simon Haikin. Anfängern empfehle ich zum ersten Kennenlernen das Buch NeuronaleNetze von F. Wassermann Neurocomputer Science. Und wenn Sie alles mehr oder weniger klar im Kopf haben, können Sie von D. Ivanov Financial Market Forecasting with Artificial Neural Networks systematisieren .
Alle diese Autoren schreiben über die Bedeutung der Eingangsdaten.
In Simons Buch interessierte ich mich auch für die gekoppelte Gradientenmethode. Kann jemand etwas dazu sagen, denn alles in dem Buch ist sehr mathematisch.
In groben Zügen skizziere ich einen Plan für die Arbeit mit neuronet, bzw. Dinge, die bei der Entwicklung zu beachten sind.
1. Vorbereiten der Eingabedaten. (Mittelwertverschiebung, Dekorrelation, Kovarianzausgleich).
2. Korrekte Ausgaben (Bereiche, Extremwerte, Richtungen)
3. Das Problem der Umschulung des Netzes
4. Gegenkontrolle
5. Anpassung des Netzes an neue Daten
6. Optimierung der konjugierten Gradientensuche
7. Möglichkeit der Verwendung säkularer Karten (oder Kohonen- und Grossberg-Ebenen?)
8. Ausschuss der Netzwerke.
9. Rekursive Netzwerke.
All dies soll studiert und in meiner Praxis angewendet werden (die Pläne sind napoleonisch). Und wenn alle Gurus mit den Punkten 1 und 2 konfrontiert wurden, können sie diese beiden Fragen vielleicht besser beantworten als jedes theoretische Buch.
Ich recherchiere derzeit und lese Bücher:
Simon Haykin. Neuronale Netze - er schreibt sehr gut, aber für Anfänger würde ich für die erste Bekanntschaft noch das Buch von F. Wasserman Neurocomputer Technology empfehlen. Wenn Sie dann alles mehr oder weniger klar im Kopf haben, können Sie es mit dem Buch von D. Ivanov, Forecasting Financial Markets Using Artificial Neural Networks, systematisieren.
------------------------------------------------------
Alexey, wenn es möglich ist, gib mir die Links zu den genannten Büchern zum kostenlosen Download.
Wenn die Moderatoren es erlauben, stelle ich die Archive hier ein (nach dem Lesen müssen Sie sie löschen :))))
Danke, habe es hochgeladen. Ich habe es nachgeschlagen, es scheint zu fehlen.
Simon Heikin. Neuronale Netze.
....
Ich habe das gerade geschrieben und es kam auf...
Kopieren Sie Teil zwei. Wird es noch mehr davon geben?
Kopieren Sie Teil drei. Gibt es noch mehr?
Kopieren von Teil vier. Gibt es noch mehr?
Beendet mit Haikin, weiter....
Nach der Lautstärke zu urteilen, sieht es so aus, als müssten wir ein Leben niederlegen...
Nein, du musst dein Leben nicht aufgeben, nur die Hälfte davon... :)
In Ordnung, danke, ich habe Yezhov auch kopiert. Ich werde versuchen, mich wirklich mit diesen neuronalen Netzen zu beschäftigen. Die Idee an sich hat mir schon immer gefallen.
Aber in Bezug auf Forex war ich immer skeptisch, weil "Muster" an absolute Werte gebunden sind.