¿Qué alimentar a la entrada de la red neuronal? Tus ideas... - página 35
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 es realista utilizar un año o más de NS sin reciclaje.
Si la red puede funcionar durante una o dos semanas sin reentrenamiento (un mes como máximo), es un gran resultado.
Aunque algunos pipsarianos reentrenan la red cada 24 horas.
Por eso lo he publicado, pepita. En el más simple ns duró un año y pico.
No es realista utilizar un año o más de NS sin reciclaje.
Si la red puede funcionar durante una o dos semanas sin reentrenamiento (un mes como máximo), es un gran resultado.
Aunque algunos pipsarianos reentrenan la red cada 24 horas.
Ya estoy harto de estas neuronas. Informaré de reacciones curiosas y me olvidaré de ellas por ahora. En general, en el proceso de pinchar artísticamente y realizar mi creatividad, probé lo siguiente:
1) Peso dinámico: dependiendo del rango en el que se encuentre el número de entrada de -1 a 1, el peso cambia. Optimización: los límites del rango y los propios pesos. Resultado: con arquitecturas pequeñas parece más estable que un MLP normal. 2) Peso dinámico dependiendo del patrón de los datos de entrada.
Optimización: pesos, cuyo número depende del número de datos de entrada, y rangos, a partir de los cuales (más/menos) se pueden crear relaciones (patrón). Resultado: también parece más estable que el MLP habitual. ¿Qué significa estable?
- Percepción absolutamente subjetiva de los resultados de la ejecución obtenida al optimizar conjuntos, que son menos como una papilla aleatoria, y más áreas en el avance, donde hubo un crecimiento uniforme. Entonces surgió una idea: La idea es que al dar una secuencia temporal estricta de datos como entrada, al mover la ventana en 1 paso, los pesos MLP "arruinan el cuadro", dando un resultado completamente diferente, porque los datos de entrada y los propios pesos en el nuevo paso son muy diferentes. Aunque, al parecer, ¡el patrón de entradas es el mismo! Sólo se ha añadido una nueva entrada y se ha descartado la más antigua.
P ero al multiplicar por MLP, la información sobre el patrón que se mueve hacia el pasado simplemente se borra. Decidí probar este esquema .
3) Tambor de escala.
Al mover la ventana de entrada a la izquierda, los pesos se desplazan correspondientemente detrás de ellos, y en una nueva entrada (fresca) multiplicamos bien por el último peso del paso anterior, moviendo la ventana de pesos en paralelo con las entradas, o bien por un nuevo peso, si queremos crear un tambor de pesos adicionales. Mis curvas se leen de derecha a izquierda (no sé por qué las dibujo así, claro).
A continuación, atornillé el método de los puntos 1 y 2. Optimización: todo lo anterior. Resultado: ninguna sorpresa. El último método me vino a la mente cuando miré durante mucho tiempo el cuadro explicativo de la red convolucional CNN. Había una especie de incompletitud o de carencia.
Probablemente, debería volver a mirar la CNN. ENTRADAS: 1) Encontré la más estable utilizando el indicador ZigZag. Para entrar: la relación entre el tamaño de la última "pata" del zigzag y el tamaño de sus otras patas. 2) Subida del precio.
Es decir, en función del color de la vela, alimentar la relación de su primera sombra, segunda sombra y cuerpo a su tamaño. 3) La relación del incremento Close1-Close2 al tamaño de candle1. Los resultados gustaron el hecho de que había pocas "emisiones" de la equidad, su charla repugnante, o en palabras simples - sobre-sentada.
Relacionado con este fenómeno está el promedio de los resultados al multiplicar los pesos MLP, cuando la blanza crece suavemente, pero la equidad se agita como el infierno. 4) La relación de Close1 afractales arriba y abajo en h1/h4/d1.
T odo el resto (puedo perderme algo) - más al azar en el período hacia adelante y enseñó, sucio, feo, unsmooth, abrupto, repugnante. Pero no he dicho acerca de los patrones en la entrada del tamaño de la tendencia.
Todavía no he podido probarlo normalmente, pero zigzag y fractales, como una variante, puede hablar sobre el mismo resultado, en principio. .
Tengo la misma asociación diagrama estructural de la red neuronal - un filtro digital
pero no me queda claro
¿por qué en todos los programas de redes neuronales cuyos códigos he leído, el coeficiente es 1,0?
Idealmente, si cada neurona es un bit de un filtro digital, entonces los coeficientes no deberían ser iguales a 1,0.
entonces los coeficientes son los predictores y eso es lo que tenemos que seleccionar y alimentar a la entrada de la red neuronal.
y dado que los coeficientes pueden calcularse simplemente mediante una fórmula, ¿para qué tomarse la molestia de crear una red neuronal?Ivan Butko #:
...
3) Tambor de pesos.
Al mover la ventana de entrada a la izquierda, los pesos se desplazan correspondientemente detrás de ellos, y en una nueva entrada (fresca) multiplicamos o bien por el último peso del paso anterior, moviendo la ventana de pesos en paralelo con las entradas, o bien por un nuevo peso, si queremos crear un tambor de pesos adicionales. Mis curvas se leen de derecha a izquierda (no sé por qué las dibujo así, claro).
... ENTRADAS: 1) Encontré la más estable usando el indicador ZigZag. Entrada: la relación entre el tamaño de la última "pata" del zigzag y el tamaño de sus otras patas. ...
Lo corrí en esta implementación, elegí el conjunto superior, que tiene 600 operaciones (todas por encima de - 200 y pico), y el superior con 200~. Aproximadamente funciona así. No pude hacerlo mejor.
R enat Akhtyamov #:
Tengo la misma red neuronal esquema estructural asociación - un filtro digital
pero no está claro para mí
¿por qué en todos los programas de redes neuronales cuyos códigos he leído, el coeficiente es 1,0 ?
Idealmente, si cada neurona es un bit de un filtro digital, entonces los coeficientes no deberían ser iguales a 1,0.
entonces los coeficientes son los predictores y eso es lo que tenemos que seleccionar y alimentar a la entrada de la red neuronal.
y dado que los coeficientes pueden calcularse simplemente mediante una fórmula, ¿para qué tomarse la molestia de crear una red neuronal?Formulemoslo de forma más sencilla, para la gente del presupuesto, no entiendo qué coeficiente....
Lo ejecuté en esta implementación, elegí el conjunto superior, que tiene 600 oficios de inicio (todos los superiores son 200 y pico), y el superior con 200~. Así es más o menos como funciona. No podría hacerlo mejor.
Dicho de forma más sencilla, para los presupuestadores, no entiendo cuál es el coeficiente.....
publicado recientemente, encontró una vez que las respuestas a casi todas las preguntas:
Literatura sobre las disciplinas enseñadas (digteh.ru)
la estructura de uno de los filtros
¿Qué no es la neurónica?
publicado hace un tiempo, encontré las respuestas a casi todas las preguntas:
Literatura sobre las disciplinas enseñadas (digteh.ru)
estructura de uno de los filtros
¿qué no es neurónica?
Hostia puta.
Menudo skynet. Si sirve para el comercio, gracias por el post.
Santo cielo.
Que skynet. Si esto es bueno para el comercio, gracias por el post
Y aquí hay otro.
Es prácticamente una réplica de las neuronas que hace todo el mundo aquí.
publicado hace un tiempo, encontré las respuestas a casi todas las preguntas:
Literatura sobre las disciplinas enseñadas (digteh.ru)
estructura de uno de los filtros
¿qué no es neurónica?
Es un filtro BIR, son más difíciles de implementar y los desfases no son lineales.
R enat Akhtyamov #:
y aquí hay otro
casi una copia de los neuronicos que todo el mundo esta haciendo aqui
Y esto ya es un filtro FIR, fácilmente calculable en Matlab y muy fácilmente implementable en software. Y si la tarjeta soporta OpenCL, un filtro así se puede paralelizar muy bien. Pero con OpenCL no va a pasar en el mercado, es puramente para sí mismo o para vender de forma independiente. Y se puede calcular fácilmente filtros de forma gratuita en la versión en línea de Matlab, te dan 20 horas al mes de forma gratuita. Lo más gracioso es que a pesar de las sanciones, yo voy desde Rusia sin VPN y mi registro es @yandex.ru )). Busca la pestaña Apps en la barra superior y abajo hay un apartado de filtros. En Filter Design puedes calcular los coeficientes. Y en la versión de escritorio está Filter Builder, ahí puedes importar el filtro calculado como una función y en general, las posibilidades son más que online. Por cierto, es muy fácil convertir funciones de Matlab en DLLs de Matlab que puedan ser llamadas directamente desde MQL5. Matlab tiene herramientas incorporadas para este fin. Lo malo es que para que esas DLLs funcionen necesitas instalar el run-time de libre distribución de mathworks, y solía ser más de medio giga, ahora probablemente sea incluso mayor.
Sí, gracias por el enlace con la literatura, un montón de material interesante.
Es un filtro BIR, son más difíciles de implementar y los desplazamientos de fase no son lineales.
Y esto ya es un filtro FIR, fácil de calcular en Matlab y muy fácil de implementar en software. Y si la tarjeta soporta OpenCL, un filtro así se puede paralelizar muy bien. Pero con OpenCL no pasará en el mercado, es puramente para sí mismo o para vender de forma independiente. Y usted puede fácilmente y de forma gratuita calcular filtros en la versión en línea de Matlab, te dan 20 horas al mes de forma gratuita. Lo más gracioso es que a pesar de las sanciones, yo voy desde Rusia sin VPN y mi registro es @yandex.ru )). Busca la pestaña Apps en la barra superior y abajo hay un apartado de filtros. En Filter Design puedes calcular los coeficientes. Y en la versión de escritorio está Filter Builder, ahí puedes importar el filtro calculado como una función y en general, las posibilidades son más que online. Por cierto, es muy fácil convertir funciones de Matlab en DLLs de Matlab que puedan ser llamadas directamente desde MQL5. Matlab tiene herramientas incorporadas para este fin. La desventaja es que para que tales DLLs funcionen, necesitas instalar el run-time de libre distribución de mathworks, y solía ser más de medio giga, ahora probablemente sea incluso mayor.
Sí, gracias por el enlace con la literatura, un montón de material interesante.
En algún lugar en el foro había un EA en Mashka, que hizo el chat GPT.
Lo más interesante es que el código analiza la MA tanto en la dirección de aumentar el número de barras y la disminución.
Por supuesto, yo no traté de aplicar esto en la práctica debido a los repetidos fiascos cuando se utilizan indicadores, pero creo que hay algo en ella.
---
TC hizo una pregunta sobre el comercio en MN1.
Creo que la idea de este tipo de comercio, debido al retraso decente de los indicadores, con el tiempo se reducirá a analizar la situación económica, no el gráfico.