1. IMHA에서 가장 중요한 것은 거래의 전문성이며, 여기서 입력 데이터 전처리의 체계화가 중요합니다. 기본 가격 조치의 신호는 이산 신호(예: 특정 극값의 분석 또는 특정 임계값 이상의 가격 변동) 및 연속 신호(예: 2 틱 또는 일정 시간 동안의 가격 변동 ). 물론 NN 자체는 지속적인 이산 학습에서 얻을 수 있지만 블랙 박스에 들어갈 것이고 항상 필요한 것은 아닙니다. 일반적으로 입력에는 가격 조치 계산이 가상 방법으로 정의되고 사용자가 이미 작성된 항목 중에서 선택하거나 직접 작성할 수 있도록 별도의 클래스가 필요합니다.
2. 표준 Expert Advisor는 기본적으로 기본 가격-동작 신호 및 Boolean 대수에 대해 동일한 작업을 수행합니다(및/또는/없음). 따라서 표준 Expert Advisor는 특정 토폴로지 및 가중치 설정의 신경망으로 설명할 수도 있습니다. 아마도 좋은 옵션은 표준 Expert Advisors를 NN으로 자동 변환하는 것 입니다 . 논리적 구축을 위한 출발점을 제공하기 위해 일종의 토폴로지가 있는 레이어 집합이 아니라 NS를 거래하십시오.
또한 구성된 NS에 부울 대수 요소를 추가합니다. 예를 들어, 우리는 NS를 구축했고 그것에 대한 간단한 필터의 효과를 확인하려는 욕구가 있습니다. 예를 들어 가격이 MA200 이상일 때만 매수를 거래하고 반대로 매도합니다. 물론 새로운 입력을 도입하고 네트워크 등을 재교육할 수 있습니다. 또는 이 필터를 부울 논리 형식으로 추가하고 결과에 어떤 영향을 미치는지 확인할 수 있습니다.
저것들. 우리는 차량 설계의 여러 단계에서 사람과 NN이 직관적으로 이해할 수 있는 부울 논리를 결합하는 것에 대해 이야기하고 있습니다.
3. 일부 연결을 수정하여 후속 교육에 참여하지 않도록 하는 것이 논리적입니다. 저것들. 시스템의 근간에는 자주 재구축하지 말아야 할 부분이 있지만 더 자주 수정되는 부분이 있습니다. 모든 무게를 재훈련하면 적합도가 높아집니다.
4. 3번 항목부터 변하지 않는 백본이 자동으로 할당되는 것도 나쁘지 않다. 저것들. 예를 들어 테스트 사이트가 있습니다. N 부분으로 나뉩니다. NN은 각각에 대해 순차적으로 학습되지만 고정된 NN의 일부가 남아 있는 방식입니다(각 섹션에서 다시 학습되지 않음).
저것들. 요점은 현재 시장에 최소한의 조정이 필요한 강력한 신경망을 구축하는 것입니다.
5. 타겟 학습 기능 d.b. 예측(거래)에서의 개별 성공이 아니라 자기자본 곡선의 특성입니다. 이익 계수(예: 또는 사용자 정의)
6. 이 모든 것과 다른 기능을 구현하려면 국회를 디자인하기 위한 시각적 인터페이스가 필요합니다.
Библиотека компонентов , предназначена для программной реализации нейронных сетей. В качестве примера, созданы компоненты реализующие две нейросетевые парадигмы: рекуррентную нейронную сеть, в нашем случае – это сеть Хопфилда и многослойную нейронную сеть обучаемую по алгоритму обратного распространения ошибки (back propagation). Основным...
1. IMHA에서 가장 중요한 것은 거래의 전문성이며, 여기서 입력 데이터 전처리의 체계화가 중요합니다. 기본 가격 조치의 신호는 이산 신호(예: 특정 극값의 분석 또는 특정 임계값 이상의 가격 변동) 및 연속 신호(예: 2 틱 또는 일정 시간 동안의 가격 변동 ). 물론 NN 자체는 지속적인 이산 학습에서 얻을 수 있지만 블랙 박스에 들어갈 것이고 항상 필요한 것은 아닙니다. 일반적으로 입력에는 가격 조치 계산이 가상 방법으로 정의되고 사용자가 이미 작성된 항목 중에서 선택하거나 직접 작성할 수 있도록 별도의 클래스가 필요합니다.
와우, 내가 그것에 대해 썼습니다. 진실은 조금 다릅니다. 진입 가격 조치가 어떻게 보이는지 간단한 간단한 예를 들어 주시겠습니까?
또한 구성된 NS에 부울 대수 요소를 추가합니다. 예를 들어, 우리는 NS를 구축했고 그것에 대한 간단한 필터의 효과를 확인하려는 욕구가 있습니다. 예를 들어 가격이 MA200 이상일 때만 매수를 거래하고 반대로 매도합니다. 물론 새로운 입력을 도입하고 네트워크 등을 재교육할 수 있습니다. 또는 이 필터를 부울 논리 형식으로 추가하고 결과에 어떤 영향을 미치는지 확인할 수 있습니다.
웹에 올리는 이유는? 네트워크 없이도 쉽고 간단하게 확인할 수 있는...
저것들. 우리는 차량 설계의 여러 단계에서 사람과 NN이 직관적으로 이해할 수 있는 부울 논리를 결합하는 것에 대해 이야기하고 있습니다.
그렇다면 왜 NS인가? IMHO, NS는 어떤 경우에도 입력을 출력으로 변환하는 블랙박스로 간주되어야 합니다.
3. 일부 연결을 수정하여 후속 교육에 참여하지 않도록 하는 것이 논리적입니다. 저것들. 시스템의 근간에는 자주 재구축하지 말아야 할 부분이 있지만 더 자주 수정되는 부분이 있습니다. 모든 무게를 재훈련하면 적합도가 높아집니다.
그리고 무슨 근거로? 글쎄, 토폴로지는 변경될 수 있다(헤 :)). 금액을 줄일 수 있습니다. 하지만 손으로 고른 시냅스만 훈련시키려면...
4. 3번 항목부터 변하지 않는 백본이 자동으로 할당되는 것도 나쁘지 않다. 저것들. 예를 들어 테스트 사이트가 있습니다. N 부분으로 나뉩니다. NN은 각각에 대해 순차적으로 학습되지만 고정된 NN의 일부가 남아 있는 방식입니다(각 섹션에서 다시 학습되지 않음).
예, 접착 작업을 확인하십시오. 당신은 어쨌든 그런 기계로 핏을 제거하지 않을 것입니다.
저것들. 요점은 현재 시장에 최소한의 조정이 필요한 강력한 신경망을 구축하는 것입니다.
5. 타겟 학습 기능 d.b. 예측(거래)에서의 개별 성공이 아니라 자기자본 곡선의 특성입니다. 이익 계수(예: 또는 사용자 정의)
작동하지 않습니다. 모든 입력을 전략으로 전송할 수 있는 것은 아닙니다. 그러나 NS는 TS와 분리되어 있으며 일반적으로 독립적입니다. 그러나 이것은 훈련 샘플의 입력/출력 형성 수준에서 수행할 수 있습니다.
와우, 내가 그것에 대해 썼습니다. 진실은 조금 다릅니다. 진입 가격 조치가 어떻게 보일지 간단한 간단한 예를 들어 주시겠습니까?
bool F1(int 마침표){
if (High[0]> iHighest (NULL,0,MODE_HIGH,마침표,1)) return(true); 그렇지 않으면 반환(거짓);
}
더블 F2(int ma1P,int ma2P){
return(iMA(..ma1P ...)-iMA(...ma2P....));
}
더엑스퍼트 :
웹에 올리는 이유는? 네트워크 없이도 쉽고 간단하게 확인할 수 있는...
그렇다면 왜 NS인가? IMHO, NS는 어떤 경우에도 입력을 출력으로 변환하는 블랙박스로 간주되어야 합니다.
NN과 기존 논리를 결합합니다. NN은 필터링과 같은 거래 작업의 일부만 해결할 수 있으며 작업 결과는 구매 또는 판매를 위해 거래되거나 아무 것도 거래하지 않습니다. 그러나 다른 필터와 마찬가지로 진입점과 종료점은 표준 부울 논리에 포함될 수 있습니다. 부울 부분 없이 작동하지 않아야 하는 경우(이익을 주거나 가격 변동을 예측하는 경우) 필요한 NN을 훈련하는 방법은 무엇입니까? 저것들. 신경망 학습의 각 단계에는 부울 논리에 대한 알고리즘 실행도 포함되어야 합니다.
더엑스퍼트 :
그리고 무슨 근거로? 글쎄, 토폴로지는 변경될 수 있다(헤 :)). 금액을 줄일 수 있습니다. 하지만 손으로 고른 시냅스만 훈련시키려면...
왜 안 돼? :) 예를 들어, 여러 국회로 구성된 위원회는 본질적으로 서로 다른 문제를 해결합니다. 동일한 샘플과 동일한 빈도로 절대적으로 학습할 필요는 없습니까? 다른 작업에는 다른 교육 기간이 필요합니다.
예를 들어, 트렌드/플랫을 아주 잘 나타내는 NS가 있습니다. 다른 프로젝트에서 사용할 수 있으며 예를 들어 다른 NS에 추가할 수 있습니다. 그러나 재교육이 필요할 때마다 재교육하지 마십시오.
더엑스퍼트 :
예, 접착 작업을 확인하십시오. 당신은 어쨌든 그런 기계로 핏을 제거하지 않을 것입니다.
그것이 국회를 위한 유일한 길이라고 생각합니다. :)
더엑스퍼트 :
그러나 NS는 TS와 분리되어 있으며 일반적으로 독립적입니다. 그러나 이것은 훈련 샘플의 입력/출력 형성 수준에서 수행할 수 있습니다.
왜 그들은 결합 할 수 없습니까? 그런 다음 NN은 작업의 일부만 해결하지만 전체 시스템의 일부로 학습합니다. 그리고 일반적으로 전략을 최적화하고 NN을 학습하는 과정을 결합하는 것은 그 일부입니다. 왜냐하면 이것은 본질적으로 같은 것이기 때문입니다. 저것들. 예를 들어 테스터를 실행할 때마다 테스트 세트에서 신경망이 훈련됩니다. 물론 이것은 NN이 독립적인 예측 변수가 아닌 경우))) 가격이지만 시스템의 전체 논리의 일부일 때만 의미가 있습니다.
코딩할 내용일 것입니다. 우리는 여전히 구현 계획을 논의할 프로젝트 관리자를 기다리고 있습니다.
마지막으로 옵션으로 동일한oursforge에 등록하고 시작할 수 있습니다 ...
그러나 Metaquotes가 올바른 환경을 조성할 때까지 기다리는 것이 더 나을 것입니다.
그건 그렇고, 병렬화에 대해 생각하는 것이 좋을 것입니다. 그러나 나는 그것을 구현하는 방법을 모릅니다.
그건 그렇고, 병렬화에 대해 생각하는 것이 좋을 것입니다. 그러나 나는 그것을 구현하는 방법을 모릅니다.
Andrey, 재귀에 대한 귀하의 메시지를 확인했습니다. 맞습니다. 재귀는 1.5배 느리게 작동하고 깊이가 제한되어 있으므로 주기가 확실히 이겼습니다.
그래픽 프로세서용 API가 있을 때까지 병렬화에 대해 걱정하지 마십시오. 이 모든 것은 가치가 없습니다. 신경망은 코어 간에 병렬 처리하기에는 너무 간단한 작업입니다(수백 사이클의 스레드 호출).
추신: MQ가 최소한 신경망에 필요한 API를 제공하지 않는 한, 이것은 우리가 실제로 여기서 하고 있는 범용 네트워크의 공식화를 필요로 합니다. 따라서 먼저 프로젝트를 수행한 다음 문을 두드리고 GPU용 API를 제공합니다.
5 페이지 에 제안된 코드에 설명 그림을 그렸습니다.
노란색 은 연결된 메모리 셀 입니다(정확히 말하면 단순히 다른 메모리 개체에 대한 링크가 있는 동일한 메모리 셀임).
나머지, 메모리 개체 연관, 빨간색 다음, 녹색 이전, 파란색 측면.
화살표의 방향은 포인터가 전달되는 방향을 나타냅니다.
지연 연산자 메모리 위치 0은 종료 메모리 위치로 사용됩니다.
하나의 입력에는 하나의 출력(데이터를 수신하는 곳에서)만 있고 그 반대의 경우는 없기 때문에 메모리는 역순으로 연결됩니다.
ZY 음, 아마도 원이 입력, 가중치 제곱, 삼각형 지연 연산자라는 것이 직관적으로 명확할 것입니다(Z 연산자의 0 셀은 뉴런의 출력입니다).
ZZY 더 이상 최종 스킴은 바꾸지 않겠습니다 :o)
1. IMHA에서 가장 중요한 것은 거래의 전문성이며, 여기서 입력 데이터 전처리의 체계화가 중요합니다. 기본 가격 조치의 신호는 이산 신호(예: 특정 극값의 분석 또는 특정 임계값 이상의 가격 변동) 및 연속 신호(예: 2 틱 또는 일정 시간 동안의 가격 변동 ). 물론 NN 자체는 지속적인 이산 학습에서 얻을 수 있지만 블랙 박스에 들어갈 것이고 항상 필요한 것은 아닙니다. 일반적으로 입력에는 가격 조치 계산이 가상 방법으로 정의되고 사용자가 이미 작성된 항목 중에서 선택하거나 직접 작성할 수 있도록 별도의 클래스가 필요합니다.
2. 표준 Expert Advisor는 기본적으로 기본 가격-동작 신호 및 Boolean 대수에 대해 동일한 작업을 수행합니다(및/또는/없음). 따라서 표준 Expert Advisor는 특정 토폴로지 및 가중치 설정의 신경망으로 설명할 수도 있습니다. 아마도 좋은 옵션은 표준 Expert Advisors를 NN으로 자동 변환하는 것 입니다 . 논리적 구축을 위한 출발점을 제공하기 위해 일종의 토폴로지가 있는 레이어 집합이 아니라 NS를 거래하십시오.
또한 구성된 NS에 부울 대수 요소를 추가합니다. 예를 들어, 우리는 NS를 구축했고 그것에 대한 간단한 필터의 효과를 확인하려는 욕구가 있습니다. 예를 들어 가격이 MA200 이상일 때만 매수를 거래하고 반대로 매도합니다. 물론 새로운 입력을 도입하고 네트워크 등을 재교육할 수 있습니다. 또는 이 필터를 부울 논리 형식으로 추가하고 결과에 어떤 영향을 미치는지 확인할 수 있습니다.
저것들. 우리는 차량 설계의 여러 단계에서 사람과 NN이 직관적으로 이해할 수 있는 부울 논리를 결합하는 것에 대해 이야기하고 있습니다.
3. 일부 연결을 수정하여 후속 교육에 참여하지 않도록 하는 것이 논리적입니다. 저것들. 시스템의 근간에는 자주 재구축하지 말아야 할 부분이 있지만 더 자주 수정되는 부분이 있습니다. 모든 무게를 재훈련하면 적합도가 높아집니다.
4. 3번 항목부터 변하지 않는 백본이 자동으로 할당되는 것도 나쁘지 않다. 저것들. 예를 들어 테스트 사이트가 있습니다. N 부분으로 나뉩니다. NN은 각각에 대해 순차적으로 학습되지만 고정된 NN의 일부가 남아 있는 방식입니다(각 섹션에서 다시 학습되지 않음).
저것들. 요점은 현재 시장에 최소한의 조정이 필요한 강력한 신경망을 구축하는 것입니다.
5. 타겟 학습 기능 d.b. 예측(거래)에서의 개별 성공이 아니라 자기자본 곡선의 특성입니다. 이익 계수(예: 또는 사용자 정의)
6. 이 모든 것과 다른 기능을 구현하려면 국회를 디자인하기 위한 시각적 인터페이스가 필요합니다.
순전히 초보자를 위해 http://www.basegroup.ru/library/analysis/neural/fastneuralnet/ 과 같은 오픈 소스 객체 지향 모델을 고려할 수 있습니다.
비유로 무엇을 하는 것이 의미가 있고, 거래와 MQL5의 특성을 감안할 때 단점은 무엇입니까? 글쎄, 또는 바퀴를 재발명하지 않도록 개방형 코드가있는 고급 모델 :)
1. IMHA에서 가장 중요한 것은 거래의 전문성이며, 여기서 입력 데이터 전처리의 체계화가 중요합니다. 기본 가격 조치의 신호는 이산 신호(예: 특정 극값의 분석 또는 특정 임계값 이상의 가격 변동) 및 연속 신호(예: 2 틱 또는 일정 시간 동안의 가격 변동 ). 물론 NN 자체는 지속적인 이산 학습에서 얻을 수 있지만 블랙 박스에 들어갈 것이고 항상 필요한 것은 아닙니다. 일반적으로 입력에는 가격 조치 계산이 가상 방법으로 정의되고 사용자가 이미 작성된 항목 중에서 선택하거나 직접 작성할 수 있도록 별도의 클래스가 필요합니다.
와우, 내가 그것에 대해 썼습니다. 진실은 조금 다릅니다. 진입 가격 조치가 어떻게 보이는지 간단한 간단한 예를 들어 주시겠습니까?
또한 구성된 NS에 부울 대수 요소를 추가합니다. 예를 들어, 우리는 NS를 구축했고 그것에 대한 간단한 필터의 효과를 확인하려는 욕구가 있습니다. 예를 들어 가격이 MA200 이상일 때만 매수를 거래하고 반대로 매도합니다. 물론 새로운 입력을 도입하고 네트워크 등을 재교육할 수 있습니다. 또는 이 필터를 부울 논리 형식으로 추가하고 결과에 어떤 영향을 미치는지 확인할 수 있습니다.
웹에 올리는 이유는? 네트워크 없이도 쉽고 간단하게 확인할 수 있는...
저것들. 우리는 차량 설계의 여러 단계에서 사람과 NN이 직관적으로 이해할 수 있는 부울 논리를 결합하는 것에 대해 이야기하고 있습니다.
그렇다면 왜 NS인가? IMHO, NS는 어떤 경우에도 입력을 출력으로 변환하는 블랙박스로 간주되어야 합니다.
3. 일부 연결을 수정하여 후속 교육에 참여하지 않도록 하는 것이 논리적입니다. 저것들. 시스템의 근간에는 자주 재구축하지 말아야 할 부분이 있지만 더 자주 수정되는 부분이 있습니다. 모든 무게를 재훈련하면 적합도가 높아집니다.
그리고 무슨 근거로? 글쎄, 토폴로지는 변경될 수 있다(헤 :)). 금액을 줄일 수 있습니다. 하지만 손으로 고른 시냅스만 훈련시키려면...
4. 3번 항목부터 변하지 않는 백본이 자동으로 할당되는 것도 나쁘지 않다. 저것들. 예를 들어 테스트 사이트가 있습니다. N 부분으로 나뉩니다. NN은 각각에 대해 순차적으로 학습되지만 고정된 NN의 일부가 남아 있는 방식입니다(각 섹션에서 다시 학습되지 않음).
예, 접착 작업을 확인하십시오. 당신은 어쨌든 그런 기계로 핏을 제거하지 않을 것입니다.
저것들. 요점은 현재 시장에 최소한의 조정이 필요한 강력한 신경망을 구축하는 것입니다.
5. 타겟 학습 기능 d.b. 예측(거래)에서의 개별 성공이 아니라 자기자본 곡선의 특성입니다. 이익 계수(예: 또는 사용자 정의)
작동하지 않습니다. 모든 입력을 전략으로 전송할 수 있는 것은 아닙니다. 그러나 NS는 TS와 분리되어 있으며 일반적으로 독립적입니다. 그러나 이것은 훈련 샘플의 입력/출력 형성 수준에서 수행할 수 있습니다.
_____________________________________
아니면 목표를 다르게 설정해야 할 수도 있습니다.
와우, 내가 그것에 대해 썼습니다. 진실은 조금 다릅니다. 진입 가격 조치가 어떻게 보일지 간단한 간단한 예를 들어 주시겠습니까?
bool F1(int 마침표){
if (High[0]> iHighest (NULL,0,MODE_HIGH,마침표,1)) return(true); 그렇지 않으면 반환(거짓);
}
더블 F2(int ma1P,int ma2P){
return(iMA(..ma1P ...)-iMA(...ma2P....));
}
웹에 올리는 이유는? 네트워크 없이도 쉽고 간단하게 확인할 수 있는...
그렇다면 왜 NS인가? IMHO, NS는 어떤 경우에도 입력을 출력으로 변환하는 블랙박스로 간주되어야 합니다.
NN과 기존 논리를 결합합니다. NN은 필터링과 같은 거래 작업의 일부만 해결할 수 있으며 작업 결과는 구매 또는 판매를 위해 거래되거나 아무 것도 거래하지 않습니다. 그러나 다른 필터와 마찬가지로 진입점과 종료점은 표준 부울 논리에 포함될 수 있습니다. 부울 부분 없이 작동하지 않아야 하는 경우(이익을 주거나 가격 변동을 예측하는 경우) 필요한 NN을 훈련하는 방법은 무엇입니까? 저것들. 신경망 학습의 각 단계에는 부울 논리에 대한 알고리즘 실행도 포함되어야 합니다.
그리고 무슨 근거로? 글쎄, 토폴로지는 변경될 수 있다(헤 :)). 금액을 줄일 수 있습니다. 하지만 손으로 고른 시냅스만 훈련시키려면...
예를 들어, 트렌드/플랫을 아주 잘 나타내는 NS가 있습니다. 다른 프로젝트에서 사용할 수 있으며 예를 들어 다른 NS에 추가할 수 있습니다. 그러나 재교육이 필요할 때마다 재교육하지 마십시오.
예, 접착 작업을 확인하십시오. 당신은 어쨌든 그런 기계로 핏을 제거하지 않을 것입니다.
그것이 국회를 위한 유일한 길이라고 생각합니다. :)
그러나 NS는 TS와 분리되어 있으며 일반적으로 독립적입니다. 그러나 이것은 훈련 샘플의 입력/출력 형성 수준에서 수행할 수 있습니다.
왜 그들은 결합 할 수 없습니까? 그런 다음 NN은 작업의 일부만 해결하지만 전체 시스템의 일부로 학습합니다. 그리고 일반적으로 전략을 최적화하고 NN을 학습하는 과정을 결합하는 것은 그 일부입니다. 왜냐하면 이것은 본질적으로 같은 것이기 때문입니다. 저것들. 예를 들어 테스터를 실행할 때마다 테스트 세트에서 신경망이 훈련됩니다. 물론 이것은 NN이 독립적인 예측 변수가 아닌 경우))) 가격이지만 시스템의 전체 논리의 일부일 때만 의미가 있습니다.
아니요. 작동하지 않습니다.
이런 말을 하는 것은 선동입니다. 일반적으로 우리는 서로를 이해하지 않고 거의 같은 것으로 부르지 않고도 서로 다른 것에 대해 이야기할 수 있습니다.