joo>>: Хорошо, чуть позже (часа через 2-3), попробую обоснованно показать, каким образом профит (или что то другое, не важно, что мы хотим получить от сети) зависит от фитнес функции. А гарантию того, что мы получим профит в будующем, конечно, никто дать никогда не сможет. А вот к чему стремится должна сетка, пожалуй, мы должны определять для неё однозначно.
mrstock>>: Посмотрел, теперь понял почему у Вас 6-ой знак. Вы брали данные из будущего) целых 2 точки, которых в реале не существует) Фактически ваша сеть делала прогноз столбца М1 зная столбы А2 и А3))) Отсюда и рост точности. Хотя заметьте, дали данные из будушего (такая некислая подсказка прямо скажем), а точность выросла с 2-005 до 7-006)))) Забавно.
mrstock>>: В догонку. Не рекомендую вообще использовать тангенсы в статистике. Эти ребята творят чудеса. Они мне как то раз спрогнозировали цену на 25 баров вперед с апупительной точностью. Я сначала долго искал ошибку, а потом понял, что эти умельцы, тупо подогнали результат, но было чень красиво)))) Я использую только identity он наиболее точно описывают те кзадачи, которые я ставлю и не страдают подгонкой на истории.
入力 A,B,C,D,E,F,g,h,I において、ターゲット - M。
隠れ層活性化関数 tanh
各行のデータから3点、3行を与え、合計3 * 3 = 9個の入力ニューロンを与えました。
いただいたデータをすべて使ってトレーニングしました。そして、6502のトレーニング例を教えてもらいました。
Хорошо, чуть позже (часа через 2-3), попробую обоснованно показать, каким образом профит (или что то другое, не важно, что мы хотим получить от сети) зависит от фитнес функции. А гарантию того, что мы получим профит в будующем, конечно, никто дать никогда не сможет. А вот к чему стремится должна сетка, пожалуй, мы должны определять для неё однозначно.
タスク
例えば、3つのグリッド/TCがあるとします。それぞれ、10個の学習データセットでテストしています。表は、抽象的な目標値（最適化可能）を示しています。我々は、できるだけ頻繁にターゲット関数の最小値を生成するグリッド/TSに 興味を持つだろう。どの最適化アルゴリズム（AO）を使うかは問題ではありません。
例1
すべてのAOは同じ誤差の総和を持つ。二乗平均平方根誤差を用いると、AOは値が最も小さいTC#3を選択することがわかる。
二乗平均平方根誤差を用いれば、AOはTC#2を選択し、中央値を用いれば同様である。
例2
この辺の事情はもっと面白い。
TC#1は悪くないのですが、200という誤差があるため、絵になりません。TC3はベストではないものの、安定した結果が出ています。
ここでも、二乗平均平方根誤差を用いると、ASはスコアが最も低いTC3を選択することがわかる。
また、二乗平均平方根誤差を用いると、AOはCU#2を選択するが、中央値ではCU#1で選択が止まってしまうのである。
結論
ネットワークの学習の目的が、目標とする曲線に最も近い形の曲線を得ることであるならば、二乗平均平方根誤差を用いるべきである（近似のタスク）。
ネットワークの学習の目的が、目的関数の最小値/最小値をできるだけ多く 得ることであるならば、二乗平均平方根誤差を使うべきである（分類/クラスタリング問題）。
Посмотрел, теперь понял почему у Вас 6-ой знак. Вы брали данные из будущего) целых 2 точки, которых в реале не существует) Фактически ваша сеть делала прогноз столбца М1 зная столбы А2 и А3))) Отсюда и рост точности. Хотя заметьте, дали данные из будушего (такая некислая подсказка прямо скажем), а точность выросла с 2-005 до 7-006)))) Забавно.
データをいただいた順番が、トレーニングを実施した順番になります。データを逆順に使えば、同じ結果になるはずです。これは近似の問題であり、どの方向から訓練しても違いはない。
В догонку. Не рекомендую вообще использовать тангенсы в статистике. Эти ребята творят чудеса. Они мне как то раз спрогнозировали цену на 25 баров вперед с апупительной точностью. Я сначала долго искал ошибку, а потом понял, что эти умельцы, тупо подогнали результат, но было чень красиво)))) Я использую только identity он наиболее точно описывают те кзадачи, которые я ставлю и не страдают подгонкой на истории.
C++でコードを保存して、見てみてください。そこには奇跡はありません。
PS 私はトレーディングでスタティスティカを使っていません。
添付ファイルをご覧ください。
そこからの値は、直接NS入力に供給されているのか、それとも正規化されているのか？
私は 最終的に彼らが結論に達したことをトピックにfxexpert.ruのフォーラムで "MTS作成のニューラルネットワークの原理 "を理解 した。
値を正規化する必要があること、指標値や相場をそのまま取るのではなく、その変化を見ること。
Посмотрел вложенный файл.
Значения из него непосредственно подаются на вход НС, или всетаки нормируются?
На форуме fxexpert.ru в теме" Нейросетевые принципы создания МТС" я так понял,в конечном итоге пришли к выводу,
что необходимо обязательно значения нормировать, и брать не непосредственные значения индикаторов или котировок, а их изменение.
このスレッドで以前から議論されていたことです。トップスターは、自分が働くのとまったく同じように...働きたかったのです。
ネットワークの学習の目的が、ターゲットに最も近い形状の曲線を得ることであるならば、二乗平均平方根誤差を用いるべきである（近似タスク）。
ネットワークの学習の目的が、目標関数の最小値/最小値をできるだけ多く 得ることであるならば、二乗平均平方根誤差を使わなければならない（分類/クラスタリングタスク）。