ニューラルネットワークの入力に投入する指標群を見つけること。ディスカッションを行います。結果を評価するためのツールです。 - ページ 3

新しいコメント
 
ivandurak >> :

私も、最低限の指標を見つけ、その結果を評価することには非常に興味がありますが、自分の目的のためです。

終値の代わりに、取引結果を使用する必要があります。

Cgm ...学習効率を最大化するためには、ネットワークの入力は統計的に独立していなければならず、各入力に供給されるデータの間に相関があってはならないことを忘れてはならない。すべての機械が相互に補正されていることを確認できます。AtteStatというかなり便利でシンプルなソフトがあり、Exelを補完するものですが、非常に便利です。
 
rip >> :

まさにその通りなのですが...。


JGapに渡すベクトルは、単なるW値のベクトルなのか、それともエンコードされたW値なのか、どのように形成するのでしょうか。

ターゲット機能とは何ですか？例えば、E[i](t) = D[i](t) - Y[i](t) というf関数をターゲットとすると、Eは誤差、Dは出力に期待される値、Yは学習サンプルXを入力して得られる値、iはニューロンノルム、tはエポック数です。E[i](t) = Sign(D[i](t) - Y[i](t))*(D[i](t) - Y[i](t))^2 を多くのタスクでとると、結果はもっとよくなります。例えば、古典力学系（Lorenz, Henon, Rössler...）のアトラクターを反映した系列を形成すれば、深くはないが、そのようなデータを近似するようにネットワークを訓練することも可能である。


通貨単位で形成された系列ではうまくいかないと思うので、試していません :)

遺伝的アルゴリズムにはターゲット関数の値を渡すだけで、遺伝的アルゴリズムからは各遺伝子の値のベクトルが出力され、それをニューラルネットワークの重みの行列に変換しているんです。

 
IlyaA >> :
このようなデザインであれば、ほぼ垂直に近い状態で、滑りのないエビティを実現することができます。ニューロンでの再トレーニングの問題は解決するのでしょうか？

再教育の問題は、とりあえず後回しで...。2ヶ月分のM5（12*24*22*2=12,000以上の値です）を使って、150 -300のスケールを持つニューラルネットワークを学習させる......。ここで再教育を行うのは、かなり先の話だと思います

 
rip >> :

そして、再教育が行われないこともある・・・。著者がテストサンプルの誤差のグラフとして引用している場合、オーバートレーニングがどうなるかは一目瞭然です。

どのような誤差があるかというと、ターゲットとなる関数が大きいから、その遺伝子がより適切である...ということです。

 
IlyaA >> :


オーバートレーニングの可能性が非常に高い。iliarr様 トレーニンググラフを公開していただけませんか？

スレッド番号、世代番号（10以内）、ターゲット関数値を記録しているのですが・・・。この情報では再教育のことはわからないと思うのですが...。学習サンプルがニューラルネットワークの重みの数よりずっと大きいので、再トレーニングはないと思います

 
joo >> :

振っている腕は使わないほうがいい。というか、移動平均線だけを使っていてはダメなのです。できれば、各インジケータのアルゴリズムは、他のものと根本的に異なるものであるべきです。そうすると、そのネットワークに関するより多くの情報が得られます。

もう1点。

NNのシグナルをもとにした逆張りの売買システムを使っているんですね。これは、標準のムービングアベレージエキスパートと全く同じです。良くも悪くもない。

NNでSLやTPの大きさを決める方法、オープンポジションに付随する方法を探す。ランダムで開くことも可能です。


GAとは、あくまでも最適化ツール（機械のドライバー）である。最小限の違いで、これと他の最適化アルゴリズム（スクリュードライバー）を使うことができるのです。

これが、このトピックを作成した主な理由です...。どのようなインジケータを使えばいいのでしょうか？ インジケータについてよく知らないので、バカみたいに検索するほどのリソースはないのですが......。インジケーターが揃っていれば、ありがたいのですが。

リアルタイムの情報を得たところで、自分が何を得たのか、どうすればいいのかがわからないのです。

 
iliarr >> :

スレッド番号、世代番号（10以内）、ターゲット関数の値などを記録しています...。この情報では再教育のことはわからないと思うのですが...。学習サンプルがニューラルネットワークの重みの数を大幅に超えているので、再トレーニングはないと思います


学習誤差の時間（エポック数）に対する依存性をグラフ化することが、一般に求められている。
 
12000値 :-D これだけのウェイトがあれば、かなりの量になりますね。
 
ivandurak >> :
幸運のサルの原理でやるとしたらどうだろう。例えば、CCIを利用し、利用可能なすべての履歴でチェックすることで、常に負けることのない収益性の高いセクターを選択することができます。そして、モメンタム、ボリンジャー、ムービングを取り、利益の出るエリアを選択します。取引はバーチャルで行われ、最初の選択と同じように良い結果を示すシステムが実際の取引に認められます。歴史が繰り返されるなら、うまくいくはずです。また、この方法の利点は、良好な状況の継続時間をおおよそ推定できることです。取引回数、平均取引額、最大ドローダウン、利益が出ている期間など、利益が出ているエリアを選択する基準は何ですか？ちょっとしたアイデアがあるのですが、後でお話しします。

本心か？それとも、何か改造が必要なのでしょうか？

a[0]=iCCI(Symbol(),0,12,PRICE_TYPICAL,0)
a[1]=iMomentum(NULL,0,12,PRICE_CLOSE,0)
a[2]=iBands(NULL,0,20,2,0,PRICE_LOW,MODE_LOWER,0)
a[3]=iMA(NULL,0,13,8,MODE_SMMA,PRICE_MEDIAN, i)
 
iliarr >>

これが、このトピックを作成した主な理由です...。どのようなインジケータを使えばいいのでしょうか？ インジケータについてよく知らないので、バカみたいに検索するほどのリソースはないのですが......。インジケーターが揃っていれば、ありがたいのですが。

検出器の知識があれば、すぐに手に入るのでご安心ください。

インジケーターの知識はすでにあるので、いい結果を出すと思います。

と2日後には自分の意見が言えるようになります。

12345678910
新しいコメント