Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 338
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
no entiendo su idea (
no es mi idea, es el principio de la enseñanza de NS con un profesor
no es mi idea, es el principio de la enseñanza de NS con un profesor
Estoy de acuerdo, se pueden entrenar redes más complejas de esta manera. Pero en este ejemplo, hay una formación basada en los resultados de las operaciones en el probador, sin sus propias instrucciones sobre dónde operar. Es decir, no se trata de formación, sino de optimización para obtener el máximo beneficio. Es decir, no es exactamente una red neuronal, sino un Asesor Experto con ponderación de los valores de los indicadores.
Si volvemos al aprendizaje de este mismo ejemplo, hay 1 salida en el código, si es > 0,5 entonces compramos, si es <0,5 entonces vendemos. ¿Dónde adjunto la respuesta 0/1 dada por el profesor? ¿Y qué hacer con él?
Estoy de acuerdo, se pueden entrenar redes más complejas de esta manera. Pero en este ejemplo, hay una formación basada en los resultados de las operaciones en el probador, sin sus propias instrucciones sobre dónde operar. Es decir, no se trata de formación, sino de optimización para obtener el máximo beneficio. Es decir, no es exactamente una red neuronal, sino un Asesor Experto con ponderación de los valores de los indicadores.
Si volvemos al aprendizaje de este mismo ejemplo, hay 1 salida en el código, si es > 0,5 entonces compramos, si es <0,5 entonces vendemos. ¿Dónde adjunto la respuesta 0/1 dada por el profesor? ¿Y qué debo hacer con él?
que es donde se debe atornillar en el momento del entrenamiento, y después del entrenamiento la salida será una predicción
Oh, ya veo, es sólo una neurona )que devuelve un resultado sigmoide.
entonces no hay manera
allí y atornillarlo en el momento del entrenamiento, y después del entrenamiento la salida será una predicción
Oh, ya veo, es sólo una neurona) que produce un resultado sigmoide
entonces no hay manera
Qué pena...
Y otras redes neuronales contarán con un núcleo, que tardará muchas veces más.
Y en el ejemplo para 10 entradas obtenemos 1,6 *1013 pases. Sólo la genética permite ahorrar tiempo. No quiero ni imaginarme cuántas veces habrá que contar por completo con un 1 núcleo. Y si multiplicamos hasta 100 entradas, probablemente será imposible de calcular.
¿Cuánto tiempo has tardado en entrenar la red y para cuántas entradas/neuronas?
Triste(
Y otras redes neuronales contarían entonces con un solo núcleo, lo que llevaría muchas veces más tiempo.
Y en ese ejemplo para 10 entradas obtenemos 1,6 *1013 pases. Sólo la genética permite ahorrar tiempo. No quiero ni imaginar cuánto tiempo se tardaría en calcular este valor para el primer núcleo. Y si multiplicamos las entradas hasta 100, probablemente será imposible de calcular.
¿Cuánto tiempo se tardó en entrenar la red y para cuántas entradas/neuronas?
Depende principalmente de la cantidad de historia (ejemplos de entrenamiento), desde un par de minutos hasta el infinito) en 1 núcleo para calcular una cuadrícula compleja no es una opción, estoy de acuerdo
pero una cuadrícula de este tipo sólo es posible en la GPU
¿Qué tal Cazador del Caos? Dame un enlace específico
aquí está el enlace
Curiosamente, nunca he visto una biblioteca libre con una implementación similar de la programación genética... todos son sólo redes nets....
aquí está el enlace
curiosamente, nunca he visto una biblioteca libre con una implementación similar de la programación genética... todas son sólo redes....
No sé qué es la programación genética, pero hay algoritmos de optimización genética en todas partes, desde MT5 hasta SciLab y ScyPy. No sé qué son los algoritmos genéticos, pero están por todas partes.
Está claro que los algoritmos genéticos están en todas partes..... pero no es lo mismo aunque el principio sea similar...
En los algoritmos genéticos, el programa en sí permanece inalterado, mientras que todos sus parámetros sufren una evolución, cruzando mutaciones y selecciones, etc.
La programación genética también evoluciona, pero los propios algoritmos, los programas, se cultivan a partir de los datos disponibles y utilizando cualquier símbolo matemático + - / * cos sin etc. según una función determinada...
Si se da un conjunto de velas de cierre para un periodo n y datos estocásticos y de pendiente de regresión, este método multiplicará, dividirá y sumará aleatoriamente estos datos por cualquier combinación posible, formando gradualmente una determinada fórmula matemática que coincida con la función de búsqueda...
Así que ya tenemos las parrillas resueltas, ahora vamos a sacar provecho de nuestro dinero:
http://www.nvidia.ru/object/ai-accelerated-analytics-ru.html
¿Por qué se utiliza una sigmoidea para calcular una neurona? ¿No es mejor tener una distribución lineal (de cero al número de entradas)? Después de todo, "la función tiene una forma suave en el intervalo [-5,5]"?
Está bien si sólo hay 5 entradas, pero ¿y si hay cien? Entonces, prácticamente todos los valores estarán fuera de este segmento. El artículo https://www.mql5.com/ru/articles/497 aplica un factor adicional para tener en cuenta 10 entradas. Así que para cada red habría que recalcular este coeficiente.