Was soll in den Eingang des neuronalen Netzes eingespeist werden? Ihre Ideen... - Seite 39
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
So werden Zweige gespammt....
Ich habe nichts dagegen, dass du konstruktiv bist.
In Anbetracht der Tatsache, dass ich einen Scalper mit einer Abtastrate von 1 Hz für Brief- und Geldkurse verwende, erscheint mir der Handel mit monatlichen Balken wie eine mentale Abweichung. Ohne das geringste bisschen Trolling.
Ich erinnere mich an jeden DSP: In der lokalen Sandbox haben Ticks eine Frequenz von 3-5 Hz ... extrem unangenehm für ein 1-Sample.
... Zehntausende* von dichten Codezeilen....Nun, sagen wir mal HALTEN. Schließlich kann derselbe SoftMax alles wählen.
alles, der Fantasie sind keine Grenzen gesetzt. Nehmen wir zum Beispiel zwei verschiedene Strategien. Die eine ist flach, die andere tendiert. Wir geben wie üblich das ein, was wir zuvor eingegeben haben.
Am Ausgang entscheiden wir, welche Strategie jetzt handelt (oder ihre Signale überwacht). Und hier zeigt Softmax die Flat-Strategie: Die Flat-Strategie prüft das Vorhandensein eines Signals, TP, SL usw. nach ihren fertig formalisierten Regeln. Dann wieder: Analyse der Eingangsdaten.
Die NS entscheidet, dass der Chart nun besser für eine Trendstrategie geeignet ist und übergibt die Kontrolle an diese. UPD Ich mache etwas Einfaches. Wenn es etwas Interessantes gibt, werde ich es posten.
Ich habe mir überlegt, warum die Ausgabe eines neuronalen Netzes nur BUY und SELL ist.
Nun, sagen wir mal HALTEN. Schließlich kann derselbe SoftMax alles wählen.
alles, der Fantasie sind keine Grenzen gesetzt. Nehmen wir zum Beispiel zwei verschiedene Strategien. Die eine ist flach, die andere tendiert. Wir geben wie üblich das ein, was wir zuvor eingegeben haben.
Am Ausgang entscheiden wir, welche Strategie jetzt handelt (oder ihre Signale überwacht). Und hier zeigt Softmax die Flat-Strategie: Die Flat-Strategie prüft das Vorhandensein eines Signals, TP, SL usw. nach ihren fertig formalisierten Regeln. Dann wieder: Analyse der Eingangsdaten.
Die NS entscheidet, dass der Chart jetzt besser für eine Trendstrategie geeignet ist und übergibt die Kontrolle an diese. UPD Ich mache etwas Einfaches. Wenn es etwas Interessantes gibt, werde ich es posten.
Es ist möglich, die Ausgänge in Rollback (Limit) und Breakdown (Stop) aufzuteilen, aber in der Regel ist das Netzwerk zu... entweder dem Zustand Neuronen hinzuzufügen, wenn das GPT erreicht wird, oder umgekehrt, um die Optionen möglicher Aktionen des Netzes zu vereinfachen. Die erste Option wurde von mir vor einigen Jahren geäußert, wurde aber in der MO-Branche mit Tomaten beworfen, obwohl dieselben Leute, die Gegner einer Erhöhung der Neuronenanzahl waren, jetzt sogar versuchen, LLM in Bezug auf die Märkte zu meistern.
Kurzum, Sie sollten versuchen, auf niemanden zu hören. Sie können auf mich hören (in Anlehnung an den berühmten Satz 😊).
Es ist möglich, die Ausgänge in Rollback (Limit) und Breakdown (Stop) aufzuteilen, aber in der Regel ist das Netzwerk zu... entweder Neuronen zum Zustand hinzuzufügen, wenn GPT erreicht wird, oder umgekehrt, um die Optionen möglicher Aktionen des Netzes zu vereinfachen. Die erste Option wurde von mir vor einigen Jahren geäußert, wurde aber in der MO-Branche mit Tomaten beworfen, obwohl dieselben Leute, die Gegner einer Erhöhung der Neuronenanzahl waren, jetzt sogar versuchen, LLM in Bezug auf Märkte zu meistern.
kurz gesagt, man sollte versuchen, auf niemanden zu hören. man kann auf mich hören (Anspielung auf den berühmten Satz 😊).
Danke für die Idee. Limit und Stop sind grundsätzlich verschiedene Richtungen. In einigen eine Strategie, oder auch von den beiden: wo es den besten Preis handelt, die andere auf einen Ausbruch.
A ndrey Dik #:
Die erste Option wurde von mir schon vor einigen Jahren geäußert, wurde aber im MO-Thread mit Tomaten beworfen, obwohl dieselben Leute, die gegen die Erhöhung der Neuronenanzahl waren, jetzt sogar versuchen, LLM in der Anwendung auf die Märkte zu meistern.
Gut gemacht.
Die Fahne in ihren Händen und vielleicht werden sie den Gral mit uns teilen, wenn der Chat ihn ihnen schreiben wird. Ich weigere mich hartnäckig, den Gral zu zeichnen.
1. und ich dachte, Sie hätten auf den MO-Thread verwiesen, weil einige Teilnehmer kritische Meinungen zu den in Ihren Artikeln besprochenen Algorithmen hatten. Ich wollte nur klarstellen, wie ich es verstanden habe, was meiner Meinung nach der Grund für die Meinungsverschiedenheiten in der Sache ist. Ich möchte nicht das Thema der Persönlichkeiten ansprechen.
2. Ich weiß, wonach ich suchen muss - statistisch stabile Abhängigkeiten von Quantensegmenten der Prädiktoren, aber ich weiß noch nicht, worauf dies hindeutet. Beim Aufbau eines Modells ist es notwendig, eine hohe Wahrscheinlichkeit zu haben, bei einer neuen Iteration den richtigen Schritt zu machen - das ist alles :)
3. ...
4. Du verstehst immer noch nicht, was ich meine. Um es zu vereinfachen, stellen Sie sich vor, dass Sie iterativ, entsprechend dem Optimierungsalgorithmus, alle Ergebnisse der Varianten, aus denen Sie eine Wahl treffen müssen, zwangsweise überprüfen können, und dass eine solche Wahl das Modell auf allen verfügbaren Stichproben näher an ein bestimmtes Ziel bringt. Und hier in der Tasche befindet sich ein solches Modell (oder Koeffizienten - wie auch immer Sie es nennen wollen), das für die verfügbaren Daten gut ist, aber nicht unbedingt die beste Option darstellt. D.h., der Algorithmus schaut sich an, was die FF auf den endgültigen Daten sein wird, wenn er einen Schritt wählt, für den er in einer Iteration löst. Das ist es, was ich meine: Wenn man nicht nachschaut, kann man versehentlich ein gutes Ergebnis erhalten, das von zufälligen Schritten abhängt. Wir sprechen hier von Marktdaten. Und das Ergebnis kann schlecht werden, wenn man es mit neuen Daten füttert. Was ich damit sagen will, ist, dass es nicht einfach ist, bei einer nicht repräsentativen Teilstichprobe zu erkennen, ob ein gutes Modell zufällig oder aufgrund eines Algorithmus entstanden ist.
5. Die Verwendung ist also dieselbe wie beim Standardoptimierer mit seiner Genetik und seinen Standard-FFs. Zulässigkeit bezieht sich hier auf die Wahrscheinlichkeit, ein stabiles Modell (Einstellungen) auf neuen Daten zu erhalten. Es ist klar, was gesucht und gefunden.... werden soll.
6. Haben Sie übrigens untersucht, wie die Algorithmen mit kategorischen Merkmalen umgehen?
7. Viele Algorithmen verwenden Randomisierung für die Variabilität, sind Sie außerhalb von MOE nicht auf welche gestoßen? Wenn Sie die Wiederholbarkeit des Ergebnisses wünschen, legen Sie den Seed fest.
Es ist notwendig, nicht nur ein Modell zu vergleichen, sondern mindestens hundert davon - nach einigen deskriptiven statistischen Kriterien. Nur die Wahrscheinlichkeit, die richtigen Einstellungen (Modelle) zu wählen, können Sie anhand neuer Daten abschätzen...
8. Der Gradientenabstieg wird als effiziente Methode zur Nutzung von Rechenressourcen verwendet. Es gibt kompliziertere und schwerere Methoden, wie der Dozent in einem Video erwähnte, aber ich habe mich nicht daran erinnert, nur die Begründung habe ich verstanden.
1. Die Meinungsverschiedenheit besteht meines Erachtens darin, dass die Gegner von Optimierungsalgorithmen deren Anwendbarkeit auf Marktdaten leugnen, obwohl sie nicht aktiv bemerken (oder so tun, als würden sie es nicht bemerken), dass AOs in der einen oder anderen Form in denselben neuronalen Netzen und anderen MO-Tools vorhanden sind.
2. Welches Maß an Robustheit ist erforderlich? Ein bisschen, oder ein bisschen mehr? Es ist erforderlich, die größtmögliche Stabilität bei neuen Daten zu erreichen, das ist die Fitnessfunktion, die maximiert werden muss.
3. ...
Der Optimierungsalgorithmus ist nicht die einzige Komponente des Optimierungsprozesses (aus irgendeinem Grund vergisst das jeder). Die AO selbst kann mit dem Benzin für ein Auto verglichen werden, dem es egal ist, wohin das Auto fährt, wenn das Benzin schlecht ist, fährt das Auto vielleicht gar nicht, und je besser das Benzin, desto schneller kann das Auto fahren (d.h. das Ziel schneller erreichen). Ich habe bereits mehrmals ein Beispiel gegeben, um die Rolle der AO im Optimierungsprozess zu verstehen, ich habe ein Schema gegeben. Lassen Sie mich noch einmal daran erinnern: Stellen Sie sich vor, dass es möglich ist, eine vollständige Suche nach Parametern durchzuführen (sei es mit einem einfachen TC oder mit Hilfe von MO-Methoden) und den Wert der Fitnessfunktion dieser Parameter zu erhalten, dann ist, wie wir sehen können, der Optimierungsalgorithmus in diesem Beispiel überhaupt nicht beteiligt, aber es besteht immer noch die Notwendigkeit, aus allen Parametern der vollständigen Suche auszuwählen. Man sieht, dass die AO immer als Beschleuniger des Ergebnisses fungiert, sie selbst ist nicht an der Korrektheit der Ergebnisauswahl beteiligt (die Fitnessfunktion ist nur ein externer Parameter für die AO). Nur die Fitnessfunktion ist an der Korrektheit der Ergebnisauswahl beteiligt (unter Korrektheit kann alles verstanden werden, einschließlich der Fähigkeit, den TS erfolgreich auf neuen Daten zu betreiben). Wenn man also von Robustheit oder der Fähigkeit des Systems, erfolgreich mit neuen Daten zu arbeiten, spricht, sollte man nicht die AO betrachten, sondern die Fitnessfunktion, woraus sie besteht und alles, was der Ausführung der Fitnessfunktion vorausgeht (die Ausführung der Entscheidungsbewertung).
5. Siehe vorherige Absätze.
6. Ich bin gerade dabei, dieses Thema zu recherchieren. Zurzeit wird ein Artikel zu diesem Thema geprüft. Ich denke darüber nach, es (das Thema) weiter zu erforschen.
7. Randomisiere den Anfangszustand der Systemparameter nicht, um zufällige Ergebnisse am Ausgang zu erhalten, sondern um einfach einen möglichst großen Bereich möglicher Parametervarianten abzudecken. Der Output sollte nicht zufällig sein, sondern ein recht eindeutiges Ergebnis (im Sinne der Robustheit - das Maximum der in sich selbst beschreibenden Fitnessfunktion und der Robustheitsindex). Hier bietet sich die Methode der Grenzwerte an, die erste Iteration - zufällige Parameter, die letzte Iteration - erforderliche Parameter. Dazwischen befindet sich der Bereich der Werte der Fitnessfunktion, in dem sich die Effizienz des Optimierungsalgorithmus zeigt, je mehr rechts vom Zufallsergebnis, desto schlechter die AO, je mehr links, näher am geforderten Maximum des optimalen Ergebnisses (ich wiederhole, das optimale Ergebnis, das die maximal mögliche Robustheit des Systems erfüllt), desto effizienter die AO. Wenn das neuronale Netz unterschiedliche Ergebnisse zeigt, und zwar mit einer großen Streuung, bedeutet dies, dass der als Teil des neuronalen Netzes verwendete Algorithmus dummerweise irgendwo im lokalen Extremum der Fitnessfunktion (die Verlustfunktion wurde verwendet) feststeckt.
8. Hat Ihnen der Dozent vielleicht gesagt, dass Algorithmen, die häufig zum Training von Netzen verwendet werden, elementar stecken bleiben? - Wahrscheinlich nicht, aber er betonte wohl, dass sie sehr schnell sind. Ja, sie sind schnell, weil sie keine Population haben und daher die Anzahl der erforderlichen Durchläufe auf den Trainingsdaten reduzieren, aber genau dafür wurden sie entwickelt - um schnell zu sein, aber die Konvergenz wird beeinträchtigt (nichts auf dieser Welt ist umsonst).
Alexey, ich hoffe, dass du das angesprochene Thema nun aus einem etwas anderen Blickwinkel betrachtest, der sich von dem unterscheidet, der in der MO-Branche und im Allgemeinen an vielen anderen Orten akzeptiert wird. MOSisten sind Gläubigen sehr ähnlich, die viele Dinge im Glauben annehmen (das ist weder schlecht noch gut, es hindert sie nur manchmal daran, viele Dinge vom Standpunkt der Logik aus zu betrachten), oder wie fanatische Alchemisten, die MOS-Methoden in der Hoffnung kombinieren, den Stein der Weisen zu bekommen - ein funktionierendes OOS-MOS-System. Ich bin kein Gegner von MO, aber ich versuche immer, die Dinge zu zerlegen, um zu verstehen, welchen Einfluss jedes Rädchen in der Maschine auf das Ergebnis hat.
1. Die Meinungsverschiedenheit besteht meines Erachtens darin, dass die Gegner von Optimierungsalgorithmen deren Anwendbarkeit auf Marktdaten bestreiten, obwohl sie aktiv ignorieren (oder so tun, als würden sie es nicht bemerken), dass ARs in der einen oder anderen Form in denselben neuronalen Netzen und anderen MO-Tools vorhanden sind.
2. Welches Maß an Robustheit ist erforderlich? Ein bisschen, oder ein bisschen mehr? Es ist erforderlich, die größtmögliche Stabilität bei neuen Daten zu erreichen, das ist die Fitnessfunktion, die maximiert werden muss.
3. ...
4. der Optimierungsalgorithmus ist nicht die einzige Komponente des Optimierungsprozesses (aus irgendeinem Grund vergessen das alle). Die AO selbst kann mit dem Benzin für ein Auto verglichen werden, dem es egal ist, wohin das Auto fährt, wenn das Benzin schlecht ist, fährt das Auto vielleicht gar nicht, und je besser das Benzin, desto schneller kann das Auto fahren (d.h. das Ziel schneller erreichen). Ich habe bereits mehrmals ein Beispiel gegeben, um die Rolle der AO im Optimierungsprozess zu verstehen, ich habe ein Schema gegeben. Lassen Sie mich noch einmal daran erinnern: Stellen Sie sich vor, dass es möglich ist, eine vollständige Suche nach Parametern durchzuführen (sei es mit einem einfachen TC oder mit Hilfe von MO-Methoden) und den Wert der Fitnessfunktion dieser Parameter zu erhalten, dann ist, wie wir sehen können, der Optimierungsalgorithmus in diesem Beispiel überhaupt nicht beteiligt, aber es besteht immer noch die Notwendigkeit, aus allen Parametern der vollständigen Suche auszuwählen. Man sieht, dass die AO immer als Beschleuniger des Ergebnisses fungiert, sie selbst ist nicht an der Korrektheit der Ergebnisauswahl beteiligt (die Fitnessfunktion ist nur ein externer Parameter für die AO). Nur die Fitnessfunktion ist an der Korrektheit der Ergebnisauswahl beteiligt (unter Korrektheit kann alles verstanden werden, einschließlich der Fähigkeit, den TS erfolgreich auf neuen Daten zu betreiben). Wenn man also von Robustheit oder der Fähigkeit des Systems, erfolgreich mit neuen Daten zu arbeiten, spricht, sollte man nicht die AO betrachten, sondern die Fitnessfunktion, woraus sie besteht und alles, was der Ausführung der Fitnessfunktion vorausgeht (die Ausführung der Entscheidungsbewertung).
5. Siehe vorherige Absätze.
6. Ich bin gerade dabei, dieses Thema zu recherchieren. Ich habe gerade einen Artikel zu diesem Thema auf dem Prüfstand. Ich denke, ich werde es (das Thema) weiter erforschen.
7. Randomisieren Sie den Anfangszustand der Systemparameter nicht, um zufällige Ergebnisse am Ausgang zu erhalten, sondern um einfach einen möglichst großen Bereich möglicher Varianten von Parametern abzudecken. Das Ergebnis sollte nicht zufällig sein, sondern ein recht eindeutiges Ergebnis (im Sinne der Robustheit - das Maximum der Fitnessfunktion, die sich selbst beschreibt, und der Robustheitsindex). Hier bietet sich die Methode der Grenzwerte an, die erste Iteration - zufällige Parameter, die letzte Iteration - erforderliche Parameter. Dazwischen befindet sich der Bereich der Werte der Fitnessfunktion, in dem sich die Effizienz des Optimierungsalgorithmus zeigt: je mehr rechts vom Zufallsergebnis, desto schlechter die AO, je mehr links, näher am geforderten Maximum des optimalen Ergebnisses (ich wiederhole, das optimale Ergebnis, das die maximal mögliche Robustheit des Systems erfüllt), desto effizienter die AO. Wenn das neuronale Netz unterschiedliche Ergebnisse mit einer großen Streuung zeigt, bedeutet dies, dass der im neuronalen Netz verwendete Algorithmus irgendwo im lokalen Extrem der Fitnessfunktion (der verwendeten Verlustfunktion) feststeckt.
8. Hat Ihnen der Dozent vielleicht gesagt, dass Algorithmen, die häufig zum Training von Netzen verwendet werden, elementar stecken bleiben? - Wahrscheinlich nicht, aber er betonte wohl, dass sie sehr schnell sind. Ja, sie sind schnell, weil sie keine Population haben und daher die Anzahl der erforderlichen Durchläufe auf den Trainingsdaten um den Faktor eins reduzieren, aber genau dafür wurden sie entwickelt - um schnell zu sein, aber die Konvergenz ist beeinträchtigt (nichts auf dieser Welt ist umsonst).
Alexey, ich hoffe, dass du das angesprochene Thema nun aus einem etwas anderen Blickwinkel betrachtest, der sich von dem unterscheidet, der in der MO-Branche und allgemein an vielen anderen Orten akzeptiert wird. MOSisten sind Gläubigen sehr ähnlich, die viele Dinge im Glauben annehmen (das ist weder schlecht noch gut, es hindert sie nur manchmal daran, viele Dinge vom Standpunkt der Logik aus zu betrachten), oder wie fanatische Alchemisten, die MOS-Methoden in der Hoffnung kombinieren, den Stein der Weisen zu bekommen - ein funktionierendes OOS-MOS-System. Ich bin kein Gegner von MO, aber ich versuche immer, die Dinge zu zerlegen, um zu verstehen, welchen Einfluss jedes Rädchen in der Maschine auf das Ergebnis hat.
1. Oben habe ich bereits über die direkte Anwendung geschrieben, über die Tatsache, dass die Artikel nicht als abstrakte Algorithmen betrachtet werden, sondern als Ersatz für den Algorithmus des Standardoptimierers, der mit Standard-FFs verwendet werden soll. Und dieser Ansatz ist nicht sehr effektiv, wie viele Leute bereits herausgefunden haben. Das liegt daran, dass der Leser in jedem Artikel eines beliebigen Autors versucht, etwas Nützliches für den Handel zu finden. Man muss dies nur berücksichtigen und darf den Lesern nicht zu nahe treten. Vielleicht sollten Sie in dem Artikel Beispiele für FFs nennen, die nicht nur die Indikatoren berücksichtigen, die das Finanzergebnis beschreiben, sondern auch andere Indikatoren, die es beeinflussen, die zwar angedeutet, aber nicht genannt werden?
2. Die Resilienz ist in diesem Zusammenhang eine binäre Variable, die sich aus der Messung der Verzerrung der Wahrscheinlichkeit des Auftretens einer der Klassen auf einem quantifizierten Prädikatorsegment im Verhältnis zur Anzahl aller Vertreter der Klasse in der Stichprobe ergibt. Wenn man die Teilstichproben ändert, sollte sich die Wahrscheinlichkeitsverzerrung nicht ändern, das wäre also die Stabilität. Das ist wie die Suche nach Stationarität in nicht-stationären Prozessen. Dann wird das Modell auf diesen Daten aufgebaut, und je korrekter solche Quantensegmente erkannt werden, desto wahrscheinlicher ist es, dass sie bei jedem Schritt des Algorithmus zur Modellbildung ausgewählt werden, und desto wahrscheinlicher ist es, dass das erforderliche Modell aufgebaut wird. Es ist klar, dass der Abschnitt der Ergebnisvalidierung zunächst nicht bewertet wird. Es gibt also ein Ziel und eine Metrik für die Bewertung, aber was das Ergebnis beeinflusst, ist nicht ganz klar - wir brauchen zusätzliche Bewertungsmetriken.
Unten ist ein Diagramm zu sehen, das die Wahrscheinlichkeit (in Prozent) der Auswahl eines stabilen Quantensegments aus dem Pool bei jeder Iteration des Modellbildungsalgorithmus für jede der beiden Klassen zeigt.
4. Ich habe bereits im ersten Absatz geschrieben und möchte hier nur wiederholen, dass die Leute versuchen zu verstehen, warum sie es brauchen, und die Alternative zum Standardoptimierer mit seiner Genetik verstehen lernen. Welche anderen, marktfernen Parameter in FF gesetzt werden sollen, ist den meisten Menschen nicht klar.
7. Ich habe nicht geschrieben, dass es das Ziel ist, zufällige Ergebnisse am Ausgang zu erhalten. Das Ziel ist es, verschiedene Wege der Lösungsfindung in Betracht zu ziehen, einschließlich der Veränderung der abstrakten Landschaft aus verschiedenen Dimensionen.
8. Ich denke, es ist nicht richtig, anzunehmen, dass Menschen, die sich in ihrem Fachgebiet auskennen, nicht über die notwendigen Kenntnisse und Erfahrungen verfügen. Dies gilt sowohl für den abstrakten Referenten als auch für viele Forumsmitglieder. Manchmal sollte man die Logik des Gegners verstehen, bevor man seinen Standpunkt unter Beweis stellt. Wir befinden uns in einer Entwicklungsphase, es kann verschiedene Standpunkte zur Situation geben, die sich ändern können, daher ist es nicht produktiv, kategorisch zu denken. Und wenn Sie etwas behaupten, das sich auf Ihre Erfahrung bezieht - ich habe dies und das getan, aber das Ergebnis war traurig, ich denke, es ist, weil "das...". - dann wird vielleicht jemand eine Lösung vorschlagen, oder sein Ergebnis mit ähnlichen Ausgangsdaten teilen.
Alles, was Sie bisher hier über Ihre Arbeit geschrieben haben, habe ich in Ihren Artikeln gelesen, so wie ich glaube, dass viele andere, die Kommentare dazu geschrieben haben, auch. Es ist die Annahme, dass die Menschen unterentwickelt sind, was sich in ihren Überzeugungen zeigt, die zu Konflikten mit Ihnen führt. Ich beobachte, dass der MO-Thread nur ein Beispiel dafür ist, dass jede Behauptung oder jeder Ansatz in Frage gestellt wird und nach einem Grund gesucht wird, warum eine Methode unwirksam ist, selbst wenn sie wirksam zu sein scheint. Deshalb sehe ich eine Voreingenommenheit in den Urteilen von Ihrer Seite. Viele Teilnehmer im MO-Thread sind in ihren Behauptungen nicht fundiert, aber das liegt nicht immer daran, dass sie keine Argumente haben. Ich denke, es ist eine berufliche Deformation. Ja, es kann frustrierend sein.
Wenn Sie der Meinung sind, dass Sie ein tieferes Wissen über das Thema haben, die Mathematik des Prozesses gut verstehen und den Menschen helfen wollen, dann sollten Sie sich mit den Ansätzen der Missionare in der Antike befassen - eine gemeinsame Basis finden und von dort aus einen Dialog führen. Und wenn Sie das nicht wollen, können Sie andere Vertreter mit ihren Ansichten und Überzeugungen einfach ignorieren. Wer braucht schon Ihre klugen Gedanken zu lesen und wird für sich selbst die notwendigen Schlussfolgerungen ziehen.
Im Allgemeinen habe ich versucht, Ihnen die andere Seite der Ursache des Konflikts zu zeigen, in der Hoffnung, dass er aufhört, und seine Teilnehmer einander zuhören und beginnen, Kritik angemessen zu behandeln, ohne gegenseitige Beleidigungen.
8.
Ist Ihnen nicht klar, dass Sie mit dieser Nachricht den Konflikt nicht löschen, sondern Öl ins Feuer gießen?
Wenn Sie es nicht absichtlich getan haben, dann schlage ich vor, dass jeder so tut, als ob Punkt 8. im Beitrag von Aleksey Vyazmikin einfach nicht existiert.