Marktknigge oder gute Manieren im Minenfeld - Seite 43
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
Der vorsichtige Mensch ist der bessere Mensch! Die Straffung ist unkompliziert, und das NS-Training leidet nicht darunter - es ist eine effektive Methode.
Dass wir keine optimalen Werte erreichen, ist für unsere BPs ein reiner Bluff. Ich verstehe, wenn Sie eine Sinuswelle vorhersagen! - Dann ja - es gibt optimale Werte. Aber was sind das für Marktturbulenzen? Jetzt ist das Optimum da, und im nächsten Schritt (den Sie vorhersagen) ist es da... und Sie haben mit aller Kraft "hier" danach gesucht. Kurz gesagt, es gibt kein exaktes Lokalisierungsproblem, und es wird zufriedenstellend gelöst, indem bei jedem Schritt neu trainiert wird.
Umgekehrt gilt auch: Wenn das globale Minimum oder zumindest seine Nähe nicht gefunden wird, ist das Training in jedem Schritt möglicherweise nicht zufriedenstellend. Ich habe dieses Problem ein wenig untersucht, ich persönlich habe so etwas wie Selbsttäuschung, wenn der Fehler asymptotisch auf beiden Stichproben zu divergieren scheint, aber das Netzwerk der gleichen Konfiguration zu verschiedenen Zeitintervallen gab völlig entgegengesetzte Kauf/Verkaufssignale. Auch wenn die mathematische Erwartung eines Gewinns positiv war, kam ich am Ende doch zu dem Schluss, dass ich immer noch im Casino spielte. Und all dies, bzw. wegen der anfänglichen Gewichtungskoeffizienten, das ist die Schlussfolgerung, zu der ich gekommen bin. Das sind meine Gedanken:)
Meine Beobachtungen haben übrigens ergeben, dass die beste Randomisierung der Gewichte, bei der das Gitter schnell lernt, im Intervall [-0,07; +0,07] liegt. Ich weiß nicht, warum das der Fall ist:)
Das bedeutet, dass Sie nicht genügend Lernepochen haben. Im Grenzfall sollte das Netz, egal wo man anfängt (sogar +/-10), in einem Optimum rollen, das bei zentrierten Eingabedaten nahe an kleinen Werten liegt. Sie verschieben sie künstlich dorthin. Das ist nicht immer eine gute Sache.
Umgekehrt gilt: Wenn das globale Minimum oder zumindest seine Nähe nicht gefunden wird, ist das Training in jedem Schritt möglicherweise nicht zufriedenstellend. Ich untersuchte dieses Problem ein wenig, ich persönlich bekam so etwas wie Selbsttäuschung, wenn der Fehler scheint zu divergieren asymptotisch auf beide Proben, aber das Netzwerk der gleichen Konfiguration zu unterschiedlichen Zeitintervallen gab völlig entgegengesetzte Kauf / Verkauf Signale. Auch wenn die mathematische Erwartung eines Gewinns positiv war, kam ich am Ende doch zu dem Schluss, dass ich immer noch im Casino spielte. Und all dies, bzw. wegen der anfänglichen Gewichtungskoeffizienten, das ist die Schlussfolgerung, zu der ich gekommen bin. Dies sind meine Gedanken:)
Dies ist ein Symptom für ein schlecht ausgebildetes Netz. Sind Sie sicher, dass der Trainingsvektor nicht kürzer war als der optimale P=w^2/d?
Dies bedeutet, dass Sie nicht genügend Trainingsepochen haben. Im Grenzfall sollte das Gitter, egal wo man anfängt (sogar +/-10), auf ein Optimum zurollen, das bei zentrierten Eingabedaten in der Nähe kleiner Werte liegt. Sie verschieben sie künstlich dorthin. Das ist nicht immer eine gute Sache.
Ja, ich versuche, sie auf ein Minimum zu beschränken. Ich möchte nicht darauf warten, dass sie mir nach ein paar hunderttausend Epochen endlich etwas gibt. In der Regel reichen ein paar Tausend oder Zehntausend aus.
In der Regel reichen ein paar Tausend oder Zehntausend aus.
Überrascht!
Ich habe ein paar Hundert.
Dies bedeutet, dass Sie nicht genügend Trainingsepochen haben. Im Grenzfall sollte das Gitter, egal wo man anfängt (sogar +/-10), auf ein Optimum zurollen, das bei zentrierten Eingabedaten in der Nähe kleiner Werte liegt. Sie verschieben sie künstlich dorthin. Das ist nicht immer eine gute Sache.
Es ist ein Symptom für ein schlecht ausgebildetes Netz. Sind Sie sicher, dass der Trainingsvektor nicht kürzer war als der optimale P=w^2/d?
Ehrlich gesagt, habe ich mir solche Formeln schon lange nicht mehr angesehen, und zwar ausschließlich experimentell, indem ich mit einer kleinen Anzahl von Neuronen begann und das Ganze so lange fortsetzte, bis sich die Fehler in zwei Stichproben asymptotisch auflösten. Nachdem ich den optimalen Wert für die Gewichte in der Schicht gefunden habe, trainiere ich das Netz mehrere Male neu, und es gibt unterschiedliche Ergebnisse für dieselbe Probe, aber die anfänglichen Gewichte sind für jedes Gitter unterschiedlich. Versuchen Sie, Ihr Netz von Grund auf neu zu trainieren, und sehen Sie, ob Sie die gleichen Geschäfte in der Vergangenheit erzielen. Das werden Sie mir später sagen, das interessiert mich.
Überrascht!
Ich habe ein paar Hundert.
>> na ja, wie man so schön sagt: Fliegen ist gut.)
Versuchen Sie, Ihr Netzwerk von Grund auf neu zu trainieren, und sehen Sie, ob Sie dieselben Trades in der Vergangenheit erhalten. Erzählen Sie es mir später, es würde mich interessieren.
Nun, natürlich nicht!
Alle Geschäfte werden unterschiedlich sein, und so weiter von Zeit zu Zeit, aber der Gewinn ist im Durchschnitt der gleiche (und sehr klein). Ich interessiere mich für die Wiederholbarkeit von Durchschnittswerten, das spart Rechenressourcen.
Nun, nein, natürlich nicht!
Alle Geschäfte werden unterschiedlich sein, immer wieder, aber der durchschnittliche Gewinn ist der gleiche (und sehr klein). Ich interessiere mich für die Wiederholbarkeit von Durchschnittswerten.
Ich glaube, du spielst in einem Kasino. Ich würde Ihnen raten, Ausschüsse zu verwenden, da sie die beste Wirkung erzielen. Ich persönlich bin mit solchen Arbeitsbedingungen nicht zufrieden. Ich kann es mir nicht leisten, das Netz auf neue Daten umzutrainieren, denn das führt zu Fehlern und ist unrentabel, weil die Geschichte nicht profitabel ist, wenn man das Netz nach der Umschulung wieder auf diese Geschichte testet.
Ja, ich glaube, ich habe es. Die Ergebnisse des Rasters mit anfänglicher Randomisierung müssen offenbar nicht exakt wiederholt werden. Es reicht aus, dass das Ergebnis über einen kleinen Bereich stabil ist.
Das sieht zum Beispiel so aus:
OPTION 1:
BEISPIEL 2:
Die Eingabedaten sind, abgesehen von der anfänglichen Initialisierung, die in beiden Fällen durchgeführt wurde, die gleichen.
Das ist richtig, Genosse!