테스트 및 최적화 기간은 예를 들어 이익 실현 값만큼 중요한 시스템 매개변수입니다. 그리고 네트워크가 다시 훈련되었다는 이유로 데이터의 일부를 제거하거나 추가하는 것은 어리석은 일입니다. 그런 다음 온실에서 무언가를 수정하는 것이 좋습니다(예: 네트워크 토폴로지 변경). 임하
아발 : 테스트 및 최적화 기간은 예를 들어 이익 실현 값만큼 중요한 시스템 매개변수입니다. 그리고 네트워크가 다시 훈련되었다는 이유로 데이터의 일부를 제거하거나 추가하는 것은 어리석은 일입니다. 그런 다음 온실에서 무언가를 수정하는 것이 좋습니다(예: 네트워크 토폴로지 변경). 임하
10년 전에 네트워크에 참여했다면 말을 하기 전에 먼저 관련 분야에 대한 지식을 새로 고침해야 합니다.
그러나 레이어의 뉴런 수가 감소하고 샘플의 예제 수가 증가한 이유를 이해해야 합니다(본질은 두 경우 모두 동일합니다-뉴런의 자유도 감소)-당연히 위로 특정 한계까지 - 네트워크가 학습을 멈출 때까지.
아무도 기초적인 방법으로 신경 엔진을 사용하는 방법을 이해하지 못한다면 신경 엔진을 만드는 데 이 Sisyphean 작업이 필요한 사람은 누구입니까? 유용한 팁과 같이 엔진을 효과적으로 사용하는 방법에 대해 인형을 위한 또 다른 매뉴얼을 작성해야 할 것 같습니다. 그렇지 않으면 일반 사용자 상인의 많은 비난이 떨어질 것입니다. - "나는 신경 엔진을 사용하고 예금이 우리 눈앞에서 녹고 있습니다. 엉망, 무슨 불명예입니까? 내가 불평 할 것입니다!"
여러분, 프로그래머 여러분, 그런 신경망을 만들고 테스트를 시작하겠습니다. 테스트 결과를 포럼에 게시하고 논의할 것입니다. 이 접근 방식을 통해 거래자와 프로그래머는 짧은 시간 동안 양측이 이해할 수 있는 언어로 말하기 시작할 것입니다.
이상에서 나는 다음과 같은 결론을 내립니다.
세 개의 블록이 있어야 합니다
1 전처리 장치
2 NS
3 후처리 블록
전처리는 필요한 데이터를 준비하고 입력에 배포합니다.
NS는 그들 사이에 매달려 있습니다.
후처리에는 샘플 출력과 EA 출력의 해석이 모두 포함됩니다.
전처리 및 후처리는 동일한 클래스에 있어야 합니다. 그렇지 않으면 훈련을 위해 입력 및 출력 샘플을 일치시키기 어려울 수 있습니다. 이 클래스는 두 개의 출력 배열(입력 및 출력)을 NN으로 내보내고 출력 배열을 통해 내보냅니다. 상호 배타적인 방법(학습 모드에서는 읽기 전용, 작업 기록 전용 모드에서는).
따라서 사용자는 전처리 및 후처리의 가상 메소드를 자신의 것으로 포화시키고 NS를 pre_post_processing 클래스에 연결하고 EA에서 클래스를 호출합니다. Expert Advisor에서 클래스는 후처리된 데이터만 반환합니다(시장 환경에서 직접 데이터를 수신함).
비닌 : 아마 내가 올거야. 나는 프로그래머를 끌어들이지 않습니다. 더 높은 두 가지가 없습니다. 하지만 난 뭔가를 상상하고 있어
빅터, 우리는 어떤 도움이 된다면 기쁠 것입니다.
미첵 :
이미 많은 경험과 각자의 짐이 있기 때문에 아무리 하고 싶어도 지금 우주선을 만들 필요가 없습니다.
그리고 당신은 차가 필요하지 않고 자전거가 필요하지 않습니다. 스쿠터를 만드십시오. 단순하고 멍청하며 명확하고 신뢰할 수 있습니다. 이것은 이 단계에서 최고의 우주선 연료에 대한 공식에 대해 논쟁하지 않아도 됩니다.
작동하는 스쿠터가 있다는 바로 그 사실이 주목을 끌 것입니다. 그는 슈퍼 작업을 해결하지 않습니다? 필요 없어. 관심을 끌기에 충분하고 간단한 것으로 타협하기가 더 쉬울 것입니다.
동의한다. 자, 이 우주선들, 스쿠터/자전거를 만들어 봅시다.
특정 작업을 설정하고 가능한 한 효율적으로 해결하는 방법에 대해 생각합시다. 예를 들어, 내가 MQL5가 무엇인지에 대한 주제가 아니며("찻주전자" 수준의 OOP에만 익숙함) NS를 만난 적이 없다고 가정해 봅시다(그러나 NS는 어떻습니까? t 전문가 시스템이 무엇인지 잘 이해 등). 그러나 반면에 나는 손을 교환하고 특정 TS를 가질 수 있습니다.
내 모든 지식이 다음을 공식화하기에 충분하다고 상상해 봅시다.
1, 특정 데이터를 기반으로 특정 규칙(미리 알려지지 않음)에 따라 특정 신호의 형태로 특정 결과를 제공하는 신경망이 필요합니다. 출구에서 우리는 매수, 매도, 기다림과 같은 옵션을 다룰 것입니다.
2 이 경우 신호는 다양한 소스에서 나와야 합니다. 예를 들어, 단순 촛대 패턴 , 표준 지표(CCI, MA, RSI, 스토캐스틱 등), 시세 흐름 및 트레이더가 생각할 수 있는 모든 것이어야 합니다.
3. 네트워크의 논리와 기능이 어떤 형태로 구현되는지는 중요하지 않으며 네트워크가 정확히 어떻게 훈련되는지는 중요하지 않습니다(저에게 NN은 BLACK / GRAY BOX 라고 가정합니다). 그러나 교육의 관점에서 이전에 준비된 파일(또는 여러 파일)의 데이터에 따라 거래 계정에 대한 거래자/전문가의 행동에 대해 교육하는 것이 중요합니다(아마도 다른 옵션).
4. 규칙 집합을 파일에 저장하고 필요한 경우 파일에서 로드할 수 있어야 합니다.
앞서 말한 내용을 기반으로 하여 "2개" 뉴런 레이어로 구성된 신경망을 가져와야 합니다(저는 찻주전자임을 기억하세요!).
a) 첫 번째 레이어는 기본 신호(지표, 양초 패턴, 시세 흐름 등)를 분석하는 뉴런으로 구성됩니다. 단순화된 버전에서 각 뉴런은 하나의 입력 소스만 처리합니다. 출력에서 우리는 구매, 판매, 대기의 세 가지 옵션을 얻습니다.
b) 하나 이상의 "초기" 수준 뉴런에서 코딩된 신호(구매, 판매, 대기)를 수신합니다. 규칙에 따라 단일 신호를 생성합니다.
미분 진화 방법에 대한 코드 예제가 필요하시면 보내드릴 수 있습니다. 방법은 매우 간단합니다. 글로벌 극단을 찾고 있습니다.
아니, 나는 다르게 말했다.
테스트 및 최적화 기간은 예를 들어 이익 실현 값만큼 중요한 시스템 매개변수입니다. 그리고 네트워크가 다시 훈련되었다는 이유로 데이터의 일부를 제거하거나 추가하는 것은 어리석은 일입니다. 그런 다음 온실에서 무언가를 수정하는 것이 좋습니다(예: 네트워크 토폴로지 변경). 임하
엑스퍼트님 감사합니다 한번 보겠습니다
여러분, 프로그래머 여러분, 그런 신경망을 만들고 테스트를 시작하겠습니다.
프로그래밍을 조금 하시는 것 같습니다.
메쉬 dll을 제공하고 사용법을 보여주고(전혀 어렵지 않음) 테스트 및 토론을 위한 모델을 제공합니다. 결국 입력과 출력을 생성하는 것은 당신이며 그리드는 무엇을 배울지 신경 쓰지 않습니다.
사실, 슬프게도 4k에 대해서만 예를 제공할 수 있습니다. 에코 메쉬.
나는 아직 dll의 소스 코드를 퍼뜨리고 싶지 않습니다. 두려우시면 컴파일을 위한 소스 코드를 신뢰할 수 있는 사람에게 줄 수 있습니다.
공개적으로 보기 위해 어셈블리(dllka + Advisor)도 레이아웃할 수 있습니다.
테스트 및 최적화 기간은 예를 들어 이익 실현 값만큼 중요한 시스템 매개변수입니다. 그리고 네트워크가 다시 훈련되었다는 이유로 데이터의 일부를 제거하거나 추가하는 것은 어리석은 일입니다. 그런 다음 온실에서 무언가를 수정하는 것이 좋습니다(예: 네트워크 토폴로지 변경). 임하
10년 전에 네트워크에 참여했다면 말을 하기 전에 먼저 관련 분야에 대한 지식을 새로 고침해야 합니다.
알았어. MLP는 효과가 있었고 계속 그렇게 할 것입니다.
싸우지 맙시다 여러분, 그게 제가 말하려는 것입니다.
싸우지 맙시다 여러분, 그게 제가 말하려는 것입니다.
예, 아직 아무도 없습니다.
그러나 레이어의 뉴런 수가 감소하고 샘플의 예제 수가 증가한 이유를 이해해야 합니다(본질은 두 경우 모두 동일합니다-뉴런의 자유도 감소)-당연히 위로 특정 한계까지 - 네트워크가 학습을 멈출 때까지.
아무도 기초적인 방법으로 신경 엔진을 사용하는 방법을 이해하지 못한다면 신경 엔진을 만드는 데 이 Sisyphean 작업이 필요한 사람은 누구입니까? 유용한 팁과 같이 엔진을 효과적으로 사용하는 방법에 대해 인형을 위한 또 다른 매뉴얼을 작성해야 할 것 같습니다. 그렇지 않으면 일반 사용자 상인의 많은 비난이 떨어질 것입니다. - "나는 신경 엔진을 사용하고 예금이 우리 눈앞에서 녹고 있습니다. 엉망, 무슨 불명예입니까? 내가 불평 할 것입니다!"
글쎄, 이것을 위해서는 프로그래머가 아닌 유능한 사람이있는 것이 바람직합니다.
이미 많은 경험과 각자의 짐이 있기 때문에 아무리 하고 싶어도 지금 우주선을 만들 필요가 없습니다.
그리고 당신은 차가 필요하지 않고 자전거가 필요하지 않습니다. 스쿠터를 만드십시오. 단순하고 멍청하며 명확하고 신뢰할 수 있습니다. 이것은 이 단계에서 최고의 우주선 연료에 대한 공식에 대해 논쟁하지 않아도 됩니다.
작동하는 스쿠터가 있다는 바로 그 사실이 주목을 끌 것입니다. 그는 슈퍼 작업을 해결하지 않습니다? 필요 없어. 관심을 끌기에 충분하고 간단한 것으로 타협하기가 더 쉬울 것입니다.
나는 거래에 필요한 것을 공식화 할 것입니다. 다른 상인들이 추가할 것입니다.
...
받고 싶은 것.
여러분, 프로그래머 여러분, 그런 신경망을 만들고 테스트를 시작하겠습니다. 테스트 결과를 포럼에 게시하고 논의할 것입니다. 이 접근 방식을 통해 거래자와 프로그래머는 짧은 시간 동안 양측이 이해할 수 있는 언어로 말하기 시작할 것입니다.
이상에서 나는 다음과 같은 결론을 내립니다.
세 개의 블록이 있어야 합니다
1 전처리 장치
2 NS
3 후처리 블록
전처리는 필요한 데이터를 준비하고 입력에 배포합니다.
NS는 그들 사이에 매달려 있습니다.
후처리에는 샘플 출력과 EA 출력의 해석이 모두 포함됩니다.
전처리 및 후처리는 동일한 클래스에 있어야 합니다. 그렇지 않으면 훈련을 위해 입력 및 출력 샘플을 일치시키기 어려울 수 있습니다. 이 클래스는 두 개의 출력 배열(입력 및 출력)을 NN으로 내보내고 출력 배열을 통해 내보냅니다. 상호 배타적인 방법(학습 모드에서는 읽기 전용, 작업 기록 전용 모드에서는).
따라서 사용자는 전처리 및 후처리의 가상 메소드를 자신의 것으로 포화시키고 NS를 pre_post_processing 클래스에 연결하고 EA에서 클래스를 호출합니다. Expert Advisor에서 클래스는 후처리된 데이터만 반환합니다(시장 환경에서 직접 데이터를 수신함).
어딘가에 이렇게 보입니다.
아마 내가 올거야. 나는 프로그래머를 끌어들이지 않습니다. 더 높은 두 가지가 없습니다. 하지만 난 뭔가를 상상하고 있어
빅터, 우리는 어떤 도움이 된다면 기쁠 것입니다.
이미 많은 경험과 각자의 짐이 있기 때문에 아무리 하고 싶어도 지금 우주선을 만들 필요가 없습니다.
그리고 당신은 차가 필요하지 않고 자전거가 필요하지 않습니다. 스쿠터를 만드십시오. 단순하고 멍청하며 명확하고 신뢰할 수 있습니다. 이것은 이 단계에서 최고의 우주선 연료에 대한 공식에 대해 논쟁하지 않아도 됩니다.
작동하는 스쿠터가 있다는 바로 그 사실이 주목을 끌 것입니다. 그는 슈퍼 작업을 해결하지 않습니다? 필요 없어. 관심을 끌기에 충분하고 간단한 것으로 타협하기가 더 쉬울 것입니다.
동의한다. 자, 이 우주선들, 스쿠터/자전거를 만들어 봅시다.
특정 작업을 설정하고 가능한 한 효율적으로 해결하는 방법에 대해 생각합시다. 예를 들어, 내가 MQL5가 무엇인지에 대한 주제가 아니며("찻주전자" 수준의 OOP에만 익숙함) NS를 만난 적이 없다고 가정해 봅시다(그러나 NS는 어떻습니까? t 전문가 시스템이 무엇인지 잘 이해 등). 그러나 반면에 나는 손을 교환하고 특정 TS를 가질 수 있습니다.
내 모든 지식이 다음을 공식화하기에 충분하다고 상상해 봅시다.
1, 특정 데이터를 기반으로 특정 규칙(미리 알려지지 않음)에 따라 특정 신호의 형태로 특정 결과를 제공하는 신경망이 필요합니다. 출구에서 우리는 매수, 매도, 기다림과 같은 옵션을 다룰 것입니다.
2 이 경우 신호는 다양한 소스에서 나와야 합니다. 예를 들어, 단순 촛대 패턴 , 표준 지표(CCI, MA, RSI, 스토캐스틱 등), 시세 흐름 및 트레이더가 생각할 수 있는 모든 것이어야 합니다.
3. 네트워크의 논리와 기능이 어떤 형태로 구현되는지는 중요하지 않으며 네트워크가 정확히 어떻게 훈련되는지는 중요하지 않습니다(저에게 NN은 BLACK / GRAY BOX 라고 가정합니다). 그러나 교육의 관점에서 이전에 준비된 파일(또는 여러 파일)의 데이터에 따라 거래 계정에 대한 거래자/전문가의 행동에 대해 교육하는 것이 중요합니다(아마도 다른 옵션).
4. 규칙 집합을 파일에 저장하고 필요한 경우 파일에서 로드할 수 있어야 합니다.
앞서 말한 내용을 기반으로 하여 "2개" 뉴런 레이어로 구성된 신경망을 가져와야 합니다(저는 찻주전자임을 기억하세요!).
a) 첫 번째 레이어는 기본 신호(지표, 양초 패턴, 시세 흐름 등)를 분석하는 뉴런으로 구성됩니다. 단순화된 버전에서 각 뉴런은 하나의 입력 소스만 처리합니다. 출력에서 우리는 구매, 판매, 대기의 세 가지 옵션을 얻습니다.
b) 하나 이상의 "초기" 수준 뉴런에서 코딩된 신호(구매, 판매, 대기)를 수신합니다. 규칙에 따라 단일 신호를 생성합니다.