![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
Natürlich habe ich es versucht, und nicht nur ich, zum Beispiel in dem Thread über MO, gibt es diejenigen, die es getan haben, wiederholte das Mantra über Müll auf Eintrag und offenbar vergessen, dass der Müll auf die formale Ausgabe, wenn das Training mit einem Lehrer ist nicht viel besser, während die Auswahl und Shuffling von Vektoren von Merkmalen nicht von overfitting speichern.
Ich versuche, Signale manuell zu markieren, aber sollte das System gleichmäßig verteilt sein, oder sollte ich nur Eingänge mit Logik markieren?
Wie kommt das Netz mit der Nicht-Stationarität zurecht, z.B. wenn ein und dasselbe Muster entweder 15 oder 150 Takte lang ist?
Ich versuche, Signale manuell zu markieren, aber sollte das System gleichmäßig verteilt sein, oder sollte ich nur Eingänge mit Logik markieren?
Wie kommt das Netz mit der Nicht-Stationarität zurecht, wenn z. B. ein und dasselbe Muster entweder 15 oder 150 Takte lang sein kann?
Jetzt geht es darum, Experimente zu organisieren und zu diskutieren:
Warum ist es so kompliziert? Es geht auch viel einfacher.
Viele Geschäfte werden nach dem Zufallsprinzip aus der Historie generiert. Viele von ihnen sind erfolgreich, viele aber auch nicht. An diesem Beispiel lernen wir das System mit Methoden von MO. MO wird sie klassifizieren und Muster finden.
Ich habe es mit einer Folge von ~10 Tausend Geschäften gemacht. Selbst ein einfaches System mit MO ist gut lernfähig und zeigt im Test 80-85% erfolgreiche Trades. Das ist schon sehr merkwürdig für einen einfachen MO, da er sich einfach nicht so viele Trades merken kann - die einzige Erklärung dafür ist, dass MO tatsächlich einige Muster findet und verallgemeinert.
Ja, aber all diese Wunder werden nur bei einer Trainingssequenz beobachtet).
Warum so kompliziert sein. Es geht auch viel einfacher.
Viele Berufe werden in der Geschichte zufällig generiert. Viele von ihnen sind erfolgreich, viele sind es nicht. An diesem Beispiel lernen wir das System mit den Methoden von MO. MO wird sie klassifizieren und Muster finden.
Ich habe es mit einer Folge von ~10 Tausend Geschäften gemacht. Selbst ein einfaches System mit MO ist gut lernfähig und zeigt im Test 80-85% erfolgreiche Trades. Das ist schon sehr merkwürdig für einen einfachen MO, da er sich einfach nicht so viele Trades merken kann - die einzige Erklärung ist, dass MO tatsächlich einige Muster findet und verallgemeinert.
Ja, aber all diese Wunder werden nur bei einer Trainingssequenz beobachtet).
Nun, ja, bei einer vollständigen Überanpassung kann die Trainingssequenz 100 % betragen, aber die Aufgabe besteht nicht darin, sich etwas einzuprägen, sondern zu verallgemeinern und Ergebnisse zu erzielen.
Deshalb wird in dem Experiment vorgeschlagen, nicht mit zufälligen oder allen möglichen profitablen Geschäften zu trainieren, sondern mit Geschäften (Signalen), die aus den Messwerten eines beliebigen Indikators herausgefiltert wurden.
Somit enthalten alle Signale bereits eine formalisierte Abhängigkeit von BP, und das neuronale Netz muss diese nur noch bestimmen und ein Muster zum Ausschluss schlechter Signale, die nicht in die Stichprobe aufgenommen werden, erstellen.
Warum so kompliziert sein. Es geht auch viel einfacher.
Viele Berufe werden in der Geschichte zufällig generiert. Viele von ihnen sind erfolgreich, viele sind es nicht. An diesem Beispiel trainieren wir das System mit den Methoden von MO. MO wird sie klassifizieren und Muster finden.
Ich habe es mit einer Folge von ~10 Tausend Geschäften gemacht. Selbst ein einfaches System mit MO ist gut lernfähig und zeigt im Test 80-85% erfolgreiche Trades. Das ist schon sehr merkwürdig für einen einfachen MO, da er sich einfach nicht so viele Trades merken kann - die einzige Erklärung ist, dass MO tatsächlich einige Muster findet und verallgemeinert.
Ja, aber all diese Wunder werden nur bei einer Lernsequenz beobachtet).
Ihr Wissen über MO tendiert leider immer noch gegen Null.
Ihr internes neuronales Netz kann sich also noch nicht darauf einigen, worum es eigentlich geht.Ihr Wissen über das Verteidigungsministerium ist leider immer noch gleich null.
Deshalb kann Ihr inneres neuronales Netzwerk noch keinen Konsens finden: Was bringt es überhaupt, das zu tun?Regen Sie sich nicht so auf, Maxim.) Jeder weiß bereits, dass das Einzige, was härter ist als du, deine Eier sind.
Nun, ja, bei einem Training mit vollständiger Überanpassung kann es 100 % sein, aber die Aufgabe ist nicht, sich etwas einzuprägen, sondern zu verallgemeinern und Ergebnisse auf einem Terminmarkt zu erzielen.
Aus diesem Grund wird in dem Experiment vorgeschlagen, nicht mit zufälligen oder allen möglichen profitablen Geschäften zu trainieren, sondern mit Geschäften (Signalen), die aus den Messwerten eines beliebigen Indikators herausgefiltert wurden.
Somit enthalten alle Signale bereits eine formalisierte Abhängigkeit von BP, und das neuronale Netz muss diese nur noch bestimmen und ein Muster zum Ausschluss schlechter Signale, die nicht in die Stichprobe aufgenommen werden, erstellen.
Bei einer Trainingsstichprobe, die viel größer ist als die NS-Dimension, ist eine Nachschulung fast unrealistisch.
Bei kleinen Stichproben wird die Umschulung einmalig durchgeführt. Nehmen wir an, Sie hätten 200 reale Geschäfte zur Verfügung.
Bei einer Trainingsstichprobe, die viel größer ist als die NS-Dimension, ist eine Nachschulung fast unrealistisch.
Bei kleinen Stichproben wird die Umschulung einmalig durchgeführt. Nehmen wir an, Sie hätten 200 reale Geschäfte zur Verfügung.
Es hängt von den Daten, den Parametern und der Art des Modells ab, z.B. bei Bäumen wird die Anzahl der Ebenen dynamisch erhöht, wie in meinem Netzwerk die Anzahl der Neuronen, obwohl es eine Grenze der bedingten Informationsdichte gibt, aber sie wird nur durch die Trainingsstichprobe bestimmt, man kann Pruning, Ausschüsse, etc. machen.
Und Überlernen bedeutet nicht unbedingt, dass man sich an alle Proben erinnert, sondern einfach nur, dass man sich an sie erinnert, ohne sie zu verallgemeinern, z. B. wenn widersprüchliche Informationen vorliegen, die ersetzt werden und nicht gemittelt werden können.
Es hängt von den Daten, den Parametern und dem Modelltyp ab, z.B. bei Bäumen steigt die Anzahl der Ebenen dynamisch an, ebenso wie in meinem Netzwerk die Anzahl der Neuronen, obwohl es eine Grenze der bedingten Informationsdichte gibt, aber sie wird nur durch die Trainingsstichprobe bestimmt, man kann Pruning, Ausschüsse usw. machen.
Und Überlernen bedeutet nicht unbedingt, dass man sich alle Beispiele einprägt, sondern einfach, dass man sie ohne Verallgemeinerung einprägt, zum Beispiel bei widersprüchlichen Informationen, die ersetzt werden und nicht gemittelt werden können.
Warum laden wir nicht irgendeine Super-Duper-Strategie vom Markt herunter, lassen sie im Tester laufen (wir vertrauen dem Tester)) und wenden die Ergebnisse auf NS, RF, SVM oder etwas anderes an. Und wir brauchen nicht zu warten - wir probieren es auf der Demo aus und sehen die Ergebnisse.
Warum nicht das folgende für Experiment tun: laden Sie einige super-duper-Strategie von Markt, führen Sie es in der Tester (wir vertrauen dem Tester)), und die Ergebnisse zu NS, RF, SVM oder etwas anderes. Und wir brauchen nicht zu warten - wir probieren es auf der Demo aus und sehen die Ergebnisse.
So können Sie nicht, kompiliert mit Schutz-Moderator wird ablehnen, weil Sie die Quelle benötigen, und die Quelle wird ablehnen, weil es notwendig ist, um die Rechte des Verkäufers zu schützen - Teufelskreis funktioniert :))
Aber das ist nicht weiter verwunderlich, denn der rechtliche Status von Robotern in verschiedenen Berufen und in der Objektumgebung ist bisher schlecht...