I ) 神経細胞を取り出し、それをライブでトレードさせると同時に、その構成をピックアップするのです。ディーラーはその利益でおかしくなり、ディーラーは価格を反対に動かし始めますが、何とかその準備ができていて、まだ利益を出して取引しています。ディーラーはインターバンクに取引をコピーし、それが取引所の取引ロボットを おかしくさせ、彼らはスピードを落とし始め、世界の市場はラックと破滅に向かいます。エージェントは環境と相互作用する。補強を伴う取引です。最近の月曜日、どこかのgoogleが新しい取引ロボットを増援でテストしていたようですが、これはまさにぴったりです。
II ) ニューロンを取り、履歴で取引させる。履歴で完璧に取引できるような、理想的なニューロンの重みと構成を求めます。強化が効かない、先生不在の学習です。そして、ほとんどの場合、給電しすぎて故障してしまうのです。
MTのニューラルネットワークは、すべてがシンプルです。Microsoft CNTKによるライブラリがあります。Python、C#、C++用に実装されています。ネットワークの解析と学習はすべてPythonで行い、C++は学習したネットワークをロードし、それを使って計算を行うDLLの記述に使用します。私としては、これがベストな選択だと思います。第二の選択肢、PythonとMTの接続。そのための簡単なライブラリを書きました。図書館 それを接続し、Pythonで利用できるものはすべて利用することができるのです。しかも、いろいろなものが用意されている。ブログで機械学習について書き始めるかどうか悩んでいます。
戦略や個人の感想・経験談を読むと面白いかもしれませんね。
というのも、ここに書かれていることは、ほとんどが、たくさんのライブラリを調べて、何が良いかを書いているだけの駄文だからです...流行り廃りがあり、すべてが無駄になってしまいます。
基本的な考え方は、ずっと前にfxsaberが言っていたことですが、同じやり方では、最初から間違っているので、このテーマは終了した方がいいかもしれません。
私もそう思います。
具体例も理論もない完全なゴミのような話題と化している。
この状況を改善しよう。
まずは、「予測のためのサンプルサイズの決め方」（添付ファイル参照）を読むことをお勧めします。
私もそう思います。
具体例も理論もない完全なゴミと化している話題。
現状を打破しよう
まず始めに - 予想のためのサンプルサイズの決め方（添付ファイル参照）を読むことを皆さんにお勧めします。
Alexanderさん、ありがとうございます。何か役に立つことがあるかもしれませんね。
私もそう思います。
具体例も理論もない完全なゴミと化している話題。
現状を打破しよう
まず始めに - 皆さんに、予測のためのサンプルサイズの決め方（添付ファイルをご覧ください）を読んでいただくことをお勧めします。
本質を突いた素晴らしい記事です。記事で紹介された結果は、惜しいことをしたものです。そのような仕事がないからこそ、「屑を入れ、屑を出す」という枝葉の部分が栄えるのである。
しかし、この記事は、ラ・ソベティカスの伝統である、実用上無駄のない完璧な理論： コードがない で紹介されています。
今のところ、安定したモデルがあります。まだ作業が必要だが、他の作業で忙しい。
入力＝価格＋13、26イエマ。
前処理、出力＝シグモイド（最大、最小、終値）、デルタ（開閉）、微分（最大、最小、終値）、微分の対数（最大、最小、終値）、デトレンド（終値-エメ13、終値-エメ26）、イエマ（13、26）、微分 イエマ（13、26）；データセットをデータセット時系列（1キャンドル＋5最終）に変換する。合計16×6＝96パラメータ。
建築
BatchNormalization(96)です。
GRU(96, L2, Dropout=0.5, 'elu')。
GRU(64, L2, Dropout=0.5, 'elu')。
BatchNormalization(64, Dropout=0.3)。
Dense(32, Dropout=0.3, 'elu')。
Dense(16,'elu')。
Dense(8,「elu」)。
Dense(3,'softmax')。
オプティマイザー＝ナダム
Loss=カテゴリクロステントロピーのこと。
BouncedMAのシグナルは、先のローソク足（ブランチの上）を終了します。
推定値：損失～0.7～0.8、精度～0.55。
しかし、これらの推定は、モデルのシグナルの質について語るものではない。シグナルが training = 1.0, 0.95, 0.0, -0.95, -1.0, そして、売買クラスの予測は ~abs(0.45, 0.7) と変動しているため、より低くなっています。
また、5000行のデータセットのうち、0.8部分で学習を実行しているので、モデルは最新の相場データ（～1000行）さえ見ていないことになります。過去100本のローソク足で予測します。
ご覧の通り、学習は〜45エポックで停止することができます。
コード、インジケーター
)))
強化学習＝先生がいなくてもできる学習。非常に貪欲なアルゴリズムです。
カジノに足を踏み入れる、酔ったマクシムカ。目の前には、「片腕の盗賊」マシンの山。彼はそれぞれで遊び始め、その結果を記録する。
その結果、片方の機械が優れていることがわかり、マキシムはそれだけで遊び始める。しかし、その幸せは長くは続かなかった...。
http://www.machinelearning.ru/wiki/index.php?title=Reinforcement_learning
はい、私はすでに合格した山賊 :) は、エプシロンを貪欲にすることができ、定期的に別のものから実行されます。
とても良い記事ですね。ありがとうございます、それは思いつきませんでした。
こんな感じです。
I ) 神経細胞を取り出し、それをライブでトレードさせると同時に、その構成をピックアップするのです。ディーラーはその利益でおかしくなり、ディーラーは価格を反対に動かし始めますが、何とかその準備ができていて、まだ利益を出して取引しています。ディーラーはインターバンクに取引をコピーし、それが取引所の取引ロボットを おかしくさせ、彼らはスピードを落とし始め、世界の市場はラックと破滅に向かいます。エージェントは環境と相互作用する。補強を伴う取引です。最近の月曜日、どこかのgoogleが新しい取引ロボットを増援でテストしていたようですが、これはまさにぴったりです。
II ) ニューロンを取り、履歴で取引させる。履歴で完璧に取引できるような、理想的なニューロンの重みと構成を求めます。強化が効かない、先生不在の学習です。そして、ほとんどの場合、給電しすぎて故障してしまうのです。
要するに、100セントのライブアカウントを持ち、それぞれにニューロンクを入れ、2〜3日取引する計画である。遺伝学では、ニューロンの結果を収集し、その新しい構成をピックアップして、数日おきに新しいロボットを生成し、その結果を待ってまた新しいロボットを生成する。