"I just played with the samples - what an amazing piece of software!!! Love the fact that I have an equation I can work with. I love Classifier and Predictor but can see how you can use this software to create a classification formula in Neuroshell Trader and save a lot of time. Can't wait to start playing with my own data. Is the final...
ОБЕСПЕЧЬТЕ СЕБЕ КОНКУРЕНТНОЕ ПРЕИМУЩЕСТВО, ИСПОЛЬЗУЯ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ ДЛЯ РЕШЕНИЯ СЛОЖНЫХ ЗАДАЧ, ПОВЫШЕНИЯ ПРИБЫЛИ И БОЛЕЕ ЭФФЕКТИВНОГО УПРАВЛЕНИЯ ПРЕДПРИЯТИЕМ. Каждый день генерируется и собирается невероятно большой объем данных. Одни компании пытаются выжить в бурном потоке информации, в то время как другие процветают, испытывая...
В наше время, наверное, каждый трейдер слышал о нейронных сетях и знает, как это круто. В представлении большинства те, которые в них разбираются, это какие-то чуть ли не сверхчеловеки. В этой статье я постараюсь рассказать, как устроена нейросеть, что с ней можно делать и покажу практические примеры её использования.
あなたの考えが理解できない(
私の考えではなく、先生と一緒にNSを教えるという原理です。
私の考えではなく、先生と一緒にNSを教えるという原理です。
そうですね、この方法ならより複雑なネットの訓練ができますね。しかし、この例では、自分で取引場所を指示することなく、テスターでの取引結果をもとにしたトレーニングが行われているのです。つまり、トレーニングではなく、最大限の利益を得るための最適化なのです。つまり、正確にはニューロネットではなく、指標値に重みを持たせたExpert Advisorです。
この例の学習に戻ると、コードには1つの出力があり、それが0.5以上であれば買い、0.5未満であれば売りとなります。先生からいただいた0/1の答えはどこに添付すればいいのですか？そして、それをどうするか？
そうですね、この方法ならより複雑なネットの訓練ができますね。しかし、この例では、自分で取引場所を指示することなく、テスターでの取引結果をもとにしたトレーニングが行われているのです。つまり、トレーニングではなく、最大限の利益を得るための最適化なのです。つまり、正確にはニューロネットではなく、指標値に重みを持たせたExpert Advisorです。
この例の学習に戻ると、コードには1つの出力があり、それが0.5以上であれば買い、0.5未満であれば売りとなります。先生からいただいた0/1の答えはどこに添付すればいいのですか？そして、それをどうすればいいのか？
そこで、トレーニングの瞬間にボルトを入れるべきで、トレーニング後の出力は、予測値
なるほど、シグモイドを返すneuron )なんですね。
然うは問屋が卸さない
そこに学習時にねじ込んで、学習後の出力は予測値
なるほど、ただのニューロンか）と思いきや、シグモイドの結果が出るのです
然うは問屋が卸さない
残念(
また、他のニューラルネットワークは1コアでカウントすることになるので、何倍もの時間がかかることになります。
また、10入力の例では、1.6 *1013 通のパスが得られます。時間を短縮できるのは、遺伝だけです。1コアでフルカウントするのに何回かかるか想像もつきません。また、100入力まで掛けると、おそらく計算不可能になります。
ネットワークの学習に要した時間と、入力/ニューロンの数を教えてください。
悲しい(
そして、他のニューラルネットワークは1コアでカウントすることになり、何倍もの時間がかかることになります。
そして、この例では10入力で1.6 *1013 通のパスが得られる。時間を短縮できるのは、遺伝だけです。この値を1stコアで計算するとなると、どれほどの時間がかかるか想像もつきません。そして、入力を100まで掛け合わせると、おそらく計算不可能になる。
ネットワークの学習に要した時間、入力数/ニューロン数は？
それは主に履歴（トレーニング例）の量に依存し、数分から無限大まで）1コアで複雑なグリッドを計算することは選択肢ではありません、私は同意します。
が、このような適切なグリッドはGPU上でしか不可能です。
カオスハンターはいかがでしょうか？具体的なリンク先を教えてください
以下はそのリンク です。
面白いことに、遺伝的プログラミングを同様に実装したフリーのライブラリは見たことがありません......どれもネットネットしているだけです......。
以下はそのリンク です。
面白いことに、遺伝的プログラミングのような実装をしたフリーのライブラリは見たことがありません...どれもただのネットワークです...。
遺伝的プログラミングが何かは知りませんが、遺伝的最適化アルゴリズムは、MT5からSciLab、ScyPyまで、至る所に存在します。遺伝的アルゴリズムが何であるかは知りませんが、どこにでもあるものです。
遺伝的アルゴリズムが どこにでもあることは確かだが......原理は似ているが同じものではない......」。
遺伝的アルゴリズムでは、プログラム自体は変化しないが、そのすべてのパラメータは突然変異と淘汰などを交差させながら進化していく。
遺伝的プログラミングも進化するが、アルゴリズムそのもの、プログラムそのものは、利用可能なデータから、与えられた関数に従って任意の数学記号 + - / * cos sin 等を用いて成長させる...。
期間nの終値ローソク足と確率データ、回帰の傾きを与えると、これらのデータをランダムに任意の組み合わせで掛け算、割り算、足し算を行い、徐々に検索関数と一致する一定の数式を形成していく方法...です。
さて、グリッドの整理が終わったので、次は元を取ろう。
http://www.nvidia.ru/object/ai-accelerated-analytics-ru.html
なぜ、ニューロンの計算にシグモイドが使われるのか？線形分布（0から入力数まで）の方が良いのでは？結局、「関数は区間[-5,5]上で滑らかな形式を持つ」のですね。
入力が5個だけならいいが、100個あったらどうするか？そうすると、実質的にすべての値がこのセグメントの外にあることになります。記事https://www.mql5.com/ru/articles/497 10の入力を考慮し、追加のファクターを適用しています。そのため、ネットワークごとにこの係数を再計算する必要があります。