L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 594
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Impossible de dormir - j'ai lu un peu sur Internet. J'ai aimé celui-là :
"Le fait que des incréments soient utilisés n'est pas vraiment si mauvais dans le contexte général, la plupart des prix logarithmiques sont alimentés à l'entrée, les incréments sont un pas en avant, bien que les deux soient appropriés.
Je connais des gens qui ont obtenu le graal de NS, mais ces gars-là sont tellement fermés à la communication et même aux indices sur ce qu'ils font, je suis un débutant donc je n'ai définitivement aucune chance. Je sais seulement que tout est compliqué, ce n'est pas Vels, pas Metatrader et même pas S#, et C++ et MatLab avec quelques puces qui décodent et interprètent les données provenant des caliders, il s'est avéré que c'est une seule et même méthodologie, j'ai entendu et j'ai eu peur, ils travaillent avec des oncles qui avaient l'habitude de broyer des téraoctets par jour au CERN à la recherche de nouvelles particules dans le chaos quantique.
C'est drôle. Je maintiens mon opinion - il est nécessaire de nourrir le plus pur, comme une larme, les augmentations de prix à l'entrée NS. Ce sont les incréments qui sont la clé de tout. Ils constituent la base de la solution à ce problème. En fait, au Forex, nous suivons un processus pseudo-stationnaire de mouvement d'un paquet d'ondes ( fonction de densité de probabilité) de ces incréments. Et rien de plus. (J'ai déjà écrit ce paragraphe :)))
Il ressort de la biographie de B. Fritzke qu'en 2001, il a mis fin à sa carrière de scientifique à l'Université de la Ruhr (Bochum, Allemagne) en raison d'une offre d'emploi à la Bourse allemande (Deutsche Bӧrse) . Je ne vous cacherai pas que ce fait a été une motivation supplémentaire pour choisir son algorithme comme base de rédaction de cet article.
https://www.mql5.com/ru/articles/163
en général, je suis étonné... assis devant mon ordinateur le soir... pourquoi n'écrirais-je pas un er... gaz neural en expansion... comme...
BLEEP, ça m'étonne que les gens soient si intelligents.
...qui joue au forex avec elle-même...
...eh bien, Yuri a déjà écrit à ce sujet...
Quel genre de neurone peut faire ça ? J'ai en quelque sorte manqué ces messages.
Quel genre de neurones peut faire ça ? J'ai en quelque sorte manqué ces messages.
Eh bien, l'apprentissage par renforcement en général, mais il pourrait y avoir des variations sur...
q-learning, par exemple.
Il n'est pas inclus dans la section neurodynamique ... car il est entraîné d'une manière différente, mais la topologie et les poids des neurones ne changent pas après l'entraînement.
C'est parti. Mais vous êtes tous sur MCL. Je le pense. Pas bon, tant que nous sommes engagés dans le DM. Je pense.
Deuxièmement, je n'ai moi-même MCL que comme interface, ce qui signifie que, si nécessaire, je peux changer les interfaces sans changer le système d'analyse.
Tout le monde parle de ce qu'il faut donner à l'entrée. À mon avis, ce qu'il faut donner à la sortie est tout aussi important. Si vous alimentez le zigzag, le réseau n'est entraîné sur aucune entrée. Si vous équilibrez les classes. C'est-à-dire que si l'on supprime la majorité des entrées qui ne présentent pas d'inversion, le résultat ne tient pas non plus la route. Si nous définissons le prix moyen d'une barre supérieure ou inférieure à la barre précédente pour les sorties. Nous obtenons exactement 50% de réponses correctes. Ce qui n'est pas bon non plus. Que pouvons-nous inventer d'autre ?
Bonjour, avez-vous terminé le robot ? avec AI.
il est temps de le tester ;)
Une pensée intéressante https://monographies.ru/en/book/section?id=2465.
Lorsque l'on modélise des réseaux neuronaux avec des fonctions d'activation de neurones linéaires, il est possible de construire un algorithme qui garantit l'obtention d'une erreur d'apprentissage minimale absolue. Pour les réseaux neuronaux avec des fonctions d'activation non linéaires, il n'est généralement pas possible de garantir l'atteinte d'un minimum global de la fonction d'erreur.
...............
Dans le cas d'un modèle de réseau linéaire et d'une fonction d'erreur sous forme de somme de carrés, une telle surface (de la fonction d'erreur) serait un paraboloïde, qui a un seul minimum, ce qui rend la recherche d'un tel minimum relativement facile.
Dans le cas d'un modèle non linéaire, la surface d'erreur a une structure beaucoup plus complexe et présente un certain nombre de propriétés défavorables, en particulier elle peut avoir des minima locaux, des zones plates, des points de selle et des ravins longs et étroits.
Peut-être devrions-nous utiliser plus de neurones pour les fonctions d'activation non linéaires ? Afin d'aplanir toutes ces irrégularités.
Tout le monde parle de ce qu'il faut donner à l'entrée. À mon avis, ce qu'il faut donner à la sortie est tout aussi important.
Lorsque vous entrez dans un bâtiment appelé "Statistiques", il est écrit"Garbage in, rubbish out" au-dessus de l'entrée.
Lorsque vous entrez dans un bâtiment appelé "Statistiques", il est écrit"Garbage in, rubbish out" au-dessus de l'entrée.
))
Tout d'abord, ce n'est pas moi, mais Maxim sur MCL, c'est pourquoi j'ai effectivement écrit que ça ne marchait pas.
Deuxièmement, je n'ai moi-même MCL que comme interface, donc si nécessaire, je peux changer les interfaces sans changer le système d'analyse.