The main advantage of OpenNN is its high performance. It is developed in C++ for better memory management and higher processing speed, and implements CPU parallelization by means of OpenMP and GPU acceleration with CUDA.
ALGLIB(https://www.mql5.com/ru/articles/2279)를 사용하는 흥미로운 옵션이지만 네트워크 설명에서 피드백이 없는 직렬 네트워크가 있다는 것을 알 수 있습니다. 그리고 단점은 하나의 프로세서 스레드(신경망이 있는 전문가가 처리함)에서만 훈련을 수행할 수 있다는 것입니다.
https://www.mql5.com/en/articles/497 기사에서 신경망에 2개의 숨겨진 연속 레이어를 추가한 다음 철저한 검색이나 유전적 방법으로 훈련시키는 것이 그리 어렵지 않을 것 같습니다. 테스터. 그러나 동시에 훨씬 더 많은 컴퓨팅 스레드(프로세서 코어, 네트워크 및 클라우드)를 사용할 수 있습니다. 내가 올바르게 이해하고 있습니까?
그러한 네트워크 교육에 대한 정답(구매 및 판매 장소)에 수동 지침을 추가하는 방법은 무엇입니까?
어딘가에 이미 다층 직렬 네트워크용 라이브러리가 있습니까?
그러나 외환/증권 거래소에서 거래할 목적으로 내부 레이어를 사용하는 것이 얼마나 유용한지 잘 모르겠습니다. 그것들을 추가하는 것이 의미가 있습니까? 왜요?
MLP는 시장 예측 에 적합하지 않습니다. 위의 비디오를 참조하십시오. RNN이 필요하고 메모리가 있는 네트워크가 필요합니다.
N+1 совместно с МФТИ продолжает знакомить читателя с наиболее яркими аспектами современных исследований в области искусственного интеллекта. В прошлый раз мы писали об общих принципах машинного обучения и конкретно о методе обратного распространения ошибки для обучения нейросетей. Сегодня наш собеседник — Валентин Малых, младший научный...
두 MA를 교차하도록 신경망(NN)을 훈련하는 실험은 실패했습니다. 위쪽 교차로만 인식하도록 훈련을 진행하였다.
실험을 위해 NS - 3,3,3,1을 선택하여 인공적으로 생성된 패턴의 학습 및 인식을 테스트했습니다. 그러나 MA를 인식하는 법을 배운 후 단일 교차점이 인식되지 않았습니다. 그 이유는 NN이 더 대조적인 이미지를 필요로 하기 때문입니다. 입력 간의 모든 종류의 0.01-0.1 차이는 그녀를 전혀 괴롭히지 않습니다.
주어진 NN 구조에 대해 적어도 0.2-0.3의 신호 차이로 매우 안정적인 인식을 얻을 수 있습니다.
MLP는 항상 당신에게 그런 혼란을 줄 것입니다. 나는 이미 그것들을 실험했습니다. 거기에서 당신은 여전히 레이어를 선택할 수 있습니다. 다시 훈련되거나, 훈련이 부족하고, 레이어가 충분하지 않고, 많이 있습니다. 그들의
아무도 전략을 개발하는 데 몇 달을 보내고 데모 계정에 가서 그것을 과시하지 않을 것입니다. 그런 것들은 진짜로 거래되고 거래 내역은 모두에게 숨겨져 있습니다. 나는 심지어 여기 포럼에서 사람들이 두 브로커를 구체적으로 거래하는 방법을 읽었습니다. 한 브로커는 한 브로커에게 물을 빼내고 다른 브로커는 손실을 보상하여 브로커조차도 전략에 따라 어떤 거래가 이루어졌고 어떤 거래가 이루어졌는지 알지 못합니다. 왼쪽.
결과가 있습니다. 때로는 발견된 예측 변수와 모델의 좋은 조합이 몇 달 동안, 더 자주 - 적게 이익을 가져옵니다. 그러나 다른 사람들이 그 자리를 차지합니다.
개인적으로 내 의견은 - 뉴런, 숲, 회귀 - 이 모든 것이 Forex에 너무 약합니다. 그 이유는 가격 조치가 지속적으로 변하고 오늘날 수익성이 있는 규칙이 일주일 전에는 전혀 수익성이 없었을 수 있기 때문입니다. 그리고 몇 달 동안 지표와 가격을 취하고 뉴런을 훈련시키는 표준 접근 방식은 두 달 내내 가격 행동에 대해 동일한 규칙을 찾아야 한다는 것을 의미합니다. 그러나 그러한 규칙은 없으며 그녀가 그곳에서 무엇을 찾을지 아무도 모르지만 99%의 경우에는 틀릴 것입니다. 때때로 운이 좋아 모델이 이 1%에 빠질 수도 있지만 이것은 성배와는 거리가 멀고 그러한 Expert Advisors는 일반적으로 첫 번째 손절매까지 잘 거래되고 나서 버려질 수 있습니다.
나는 지금 유사한 패턴 후에 가격이 어떻게 행동했는지 역사를 살펴보고 그러한 통계를 거래하는 패턴 인식 모델을 연구하고 있습니다. R에서는 내가 필요한 모든 것을 할 수 있는 패키지를 본 적이 없으며 다른 사람들과 함께 조립된 모델과 내 자전거가 있습니다. 다른 주제에서 모델에 대한 가장 가까운 설명을 보았으므로 여기에서 성배 만들기를 시작하는 것이 좋습니다(아래 인용). 그 과정에서 새로운 문제가 나타날 것이고, 그것에 대해 생각하고 실험해야 합니다.
내 가장 가까운 이웃 지표에 대한 코드베이스를 검색합니다. 방법은 매우 간단합니다. 현재 패턴의 길이를 설정하고, 기록에서 유사한 패턴을 찾고(예: 패턴 간의 거리로 상관 관계를 사용), 개별 예측에 가중치를 주어 과거 패턴에서 미래 가격 행동을 예측합니다. 이것은 본질적으로 동일한 클러스터링 또는 RBF 또는 SVM 또는 GRNN입니다. 그것은 모두 현재 패턴에서 유사한 과거 패턴까지의 거리를 측정하는 방법에 달려 있습니다. GRNN 및 Bayes에 대해 읽어보십시오. 거기에서 예측 이론은 통계적 분포 의 관점에서 설명됩니다. 위에서 언급한 GRNN과 예측 방법에 대해 많이 작성되었지만 모두 하나의 간단한 공식으로 귀결됩니다.
예측 y = SUM y[k]*exp(-d[k]/2s^2) / SUM exp(-d[k]/2s^2)
여기서 y[k]는 k번째 과거 패턴이고 d[k]는 k번째 패턴에서 현재 패턴까지의 거리입니다. 거리에 가우스 분포가 있는 경우 d[k] = (x - x[k])^2입니다. 임의(수퍼 가우시안) 분포의 경우 d[k] = |x - x[k]|^p, 여기서 가장 가까운 이웃(큰 p)에 더 많은 가중치를 줄 것인지 아니면 모든 값을 줄 것인지에 따라 p를 선택합니다. 이웃은 사회주의에서와 거의 같은 가중치(작은 p)입니다. p=0에서 우리는 완전한 사회주의를 가지고 있습니다.
가장 가까운 이웃과 GRNN에 익숙해지면 다음 질문은 분명합니다. 그리고 시간 축에 따른 왜곡을 고려하면 현재 패턴과 과거 패턴 사이의 거리를 어떻게 측정합니까(예: 과거 패턴은 현재 패턴처럼 보일 수 있지만 시간이 지남에 따라 늘어나거나 압축됨). 이곳은 개가 묻힌 곳입니다.
일반적으로 인터넷과 C++에는 많은 뉴런이 있다고 합니다. 그러나 나는 보지 않았다.
http://www.opennn.net/
https://www.neuraldesigner.com/
신경망을 공부하기 시작했습니다.
MT5에서 직접 구현할 수 있는 옵션을 찾고 있습니다.
ALGLIB(https://www.mql5.com/ru/articles/2279)를 사용하는 흥미로운 옵션이지만 네트워크 설명에서 피드백이 없는 직렬 네트워크가 있다는 것을 알 수 있습니다. 그리고 단점은 하나의 프로세서 스레드(신경망이 있는 전문가가 처리함)에서만 훈련을 수행할 수 있다는 것입니다.
https://www.mql5.com/en/articles/497 기사에서 신경망에 2개의 숨겨진 연속 레이어를 추가한 다음 철저한 검색이나 유전적 방법으로 훈련시키는 것이 그리 어렵지 않을 것 같습니다. 테스터. 그러나 동시에 훨씬 더 많은 컴퓨팅 스레드(프로세서 코어, 네트워크 및 클라우드)를 사용할 수 있습니다. 내가 올바르게 이해하고 있습니까?
그러한 네트워크 교육에 대한 정답(구매 및 판매 장소)에 수동 지침을 추가하는 방법은 무엇입니까?
어딘가에 이미 다층 직렬 네트워크용 라이브러리가 있습니까?
그러나 외환/증권 거래소에서 거래할 목적으로 내부 레이어를 사용하는 것이 얼마나 유용한지 잘 모르겠습니다. 그것들을 추가하는 것이 의미가 있습니까? 왜요?
MLP는 시장 예측 에 적합하지 않습니다. 위의 비디오를 참조하십시오. RNN이 필요하고 메모리가 있는 네트워크가 필요합니다.
https://nplus1.ru/material/2016/11/04/recurrent-networks
그러나 내가 알기로는 데모에서도 만족스러운 거래 결과가 없습니다!
이것은 최적화의 문제입니다. 지금은 모든 버전을 테스트하는 것은 의미가 없습니다. 모든 것을 완전히 구현할 때 테스트할 것입니다.
두 MA를 교차하도록 신경망(NN)을 훈련하는 실험은 실패했습니다. 위쪽 교차로만 인식하도록 훈련을 진행하였다.
실험을 위해 NS - 3,3,3,1을 선택하여 인공적으로 생성된 패턴의 학습 및 인식을 테스트했습니다. 그러나 MA를 인식하는 법을 배운 후 단일 교차점이 인식되지 않았습니다. 그 이유는 NN이 더 대조적인 이미지를 필요로 하기 때문입니다. 입력 간의 모든 종류의 0.01-0.1 차이는 그녀를 전혀 괴롭히지 않습니다.
주어진 NN 구조에 대해 적어도 0.2-0.3의 신호 차이로 매우 안정적인 인식을 얻을 수 있습니다.
MLP는 항상 당신에게 그런 혼란을 줄 것입니다. 나는 이미 그것들을 실험했습니다. 거기에서 당신은 여전히 레이어를 선택할 수 있습니다. 다시 훈련되거나, 훈련이 부족하고, 레이어가 충분하지 않고, 많이 있습니다. 그들의
그러나 내가 알기로는 데모에서도 만족스러운 거래 결과가 없습니다!
아무도 전략을 개발하는 데 몇 달을 보내고 데모 계정에 가서 그것을 과시하지 않을 것입니다. 그런 것들은 진짜로 거래되고 거래 내역은 모두에게 숨겨져 있습니다. 나는 심지어 여기 포럼에서 사람들이 두 브로커를 구체적으로 거래하는 방법을 읽었습니다. 한 브로커는 한 브로커에게 물을 빼내고 다른 브로커는 손실을 보상하여 브로커조차도 전략에 따라 어떤 거래가 이루어졌고 어떤 거래가 이루어졌는지 알지 못합니다. 왼쪽.
결과가 있습니다. 때로는 발견된 예측 변수와 모델의 좋은 조합이 몇 달 동안, 더 자주 - 적게 이익을 가져옵니다. 그러나 다른 사람들이 그 자리를 차지합니다.
개인적으로 내 의견은 - 뉴런, 숲, 회귀 - 이 모든 것이 Forex에 너무 약합니다. 그 이유는 가격 조치가 지속적으로 변하고 오늘날 수익성이 있는 규칙이 일주일 전에는 전혀 수익성이 없었을 수 있기 때문입니다. 그리고 몇 달 동안 지표와 가격을 취하고 뉴런을 훈련시키는 표준 접근 방식은 두 달 내내 가격 행동에 대해 동일한 규칙을 찾아야 한다는 것을 의미합니다. 그러나 그러한 규칙은 없으며 그녀가 그곳에서 무엇을 찾을지 아무도 모르지만 99%의 경우에는 틀릴 것입니다. 때때로 운이 좋아 모델이 이 1%에 빠질 수도 있지만 이것은 성배와는 거리가 멀고 그러한 Expert Advisors는 일반적으로 첫 번째 손절매까지 잘 거래되고 나서 버려질 수 있습니다.
나는 지금 유사한 패턴 후에 가격이 어떻게 행동했는지 역사를 살펴보고 그러한 통계를 거래하는 패턴 인식 모델을 연구하고 있습니다.
R에서는 내가 필요한 모든 것을 할 수 있는 패키지를 본 적이 없으며 다른 사람들과 함께 조립된 모델과 내 자전거가 있습니다. 다른 주제에서 모델에 대한 가장 가까운 설명을 보았으므로 여기에서 성배 만들기를 시작하는 것이 좋습니다(아래 인용). 그 과정에서 새로운 문제가 나타날 것이고, 그것에 대해 생각하고 실험해야 합니다.
거래, 자동 거래 시스템 및 거래 전략 테스트에 관한 포럼
패턴의 가장 중요한 통계적 특성 분석 및 이에 대한 거래 방법 선택.
블라디미르 , 2017.04.06 06:20
내 가장 가까운 이웃 지표에 대한 코드베이스를 검색합니다. 방법은 매우 간단합니다. 현재 패턴의 길이를 설정하고, 기록에서 유사한 패턴을 찾고(예: 패턴 간의 거리로 상관 관계를 사용), 개별 예측에 가중치를 주어 과거 패턴에서 미래 가격 행동을 예측합니다. 이것은 본질적으로 동일한 클러스터링 또는 RBF 또는 SVM 또는 GRNN입니다. 그것은 모두 현재 패턴에서 유사한 과거 패턴까지의 거리를 측정하는 방법에 달려 있습니다. GRNN 및 Bayes에 대해 읽어보십시오. 거기에서 예측 이론은 통계적 분포 의 관점에서 설명됩니다. 위에서 언급한 GRNN과 예측 방법에 대해 많이 작성되었지만 모두 하나의 간단한 공식으로 귀결됩니다.
예측 y = SUM y[k]*exp(-d[k]/2s^2) / SUM exp(-d[k]/2s^2)
여기서 y[k]는 k번째 과거 패턴이고 d[k]는 k번째 패턴에서 현재 패턴까지의 거리입니다. 거리에 가우스 분포가 있는 경우 d[k] = (x - x[k])^2입니다. 임의(수퍼 가우시안) 분포의 경우 d[k] = |x - x[k]|^p, 여기서 가장 가까운 이웃(큰 p)에 더 많은 가중치를 줄 것인지 아니면 모든 값을 줄 것인지에 따라 p를 선택합니다. 이웃은 사회주의에서와 거의 같은 가중치(작은 p)입니다. p=0에서 우리는 완전한 사회주의를 가지고 있습니다.
가장 가까운 이웃과 GRNN에 익숙해지면 다음 질문은 분명합니다. 그리고 시간 축에 따른 왜곡을 고려하면 현재 패턴과 과거 패턴 사이의 거리를 어떻게 측정합니까(예: 과거 패턴은 현재 패턴처럼 보일 수 있지만 시간이 지남에 따라 늘어나거나 압축됨). 이곳은 개가 묻힌 곳입니다.
ML 기술로 유전자 프로그래밍을 시도한 사람이 있습니까?
카오스 헌터처럼?
MLP는 시장 예측 에 적합하지 않습니다. 위의 비디오를 참조하십시오. RNN이 필요하고 메모리가 있는 네트워크가 필요합니다.
https://nplus1.ru/material/2016/11/04/recurrent-networks
내가 틀리지 않았다면 RNN은 MT5에서 구현하기가 매우 어려울 것이며 좋은 결과를 얻으려면 막대한 인건비를 들여 구매하거나 자체 개발해야 합니다.
그리고 MLP에서 가격에 대한 정보, 현재 막대의 표시기를 제외하고 10-30개의 이전 막대에 대해 모든 것을 동일하게 전송하면 이것은 일종의 메모리가 됩니다. 뉴런의 일부는 현재 상태를 처리하고 일부는 가까운 과거 상황의 발전을 처리합니다.
수동으로 거래할 때 지표의 현재 상태뿐만 아니라 마지막 몇 개의 막대를 봅니다.
계산량이 증가할 것이 분명하므로 한 코어에서 모든 프로세서 코어, 네트워크 또는 클라우드로 계산을 전송할 수 있는 가능성에 관심이 있었습니다. 이 작업을 수행하는 방법? 적어도 MLP의 경우
ML 기술로 유전자 프로그래밍을 시도한 사람이 있습니까?
카오스 헌터처럼?
계산량이 증가할 것이 분명하므로 한 코어에서 모든 프로세서 코어, 네트워크 또는 클라우드로 계산을 전송할 수 있는 가능성에 관심이 있었습니다. 어떻게 해야 하나요? 적어도 MLP의 경우
너무 게으르지 않다면 OpenCL에서))