1) [-1; 0; 1] 출구 계획에는 한 가지 버그가 있습니다. 이론적으로 세 가지 출구 옵션이 모두 동일할 가능성이 있어야 합니다. 사실 초탄젠트를 0 또는 시그모이드를 0.5로 유지하는 것은 매우 어렵습니다. 점프하기 위해 노력합니다.
때문일 수 있습니다 예시로만 인용
우크라이나 :
2) Bulashev의 "Statistics for a Trader"에는 포지션의 효율성을 평가하기 위한 계획(주문 읽기)이 있습니다. 이 계획을 적용하고 거래 신호를 제공하도록 네트워크를 훈련할 수 있으며, 트롤, 손익분기점은 모두 다음과 같은 TS 요소입니다. 그리드와 관련이 없습니다.
그리드를 알고리즘에 넣지 않고 TS의 일반 논리의 일부로 네트워크를 훈련할 수 있는 기회를 제공할 것을 제안합니다. 국회의 성과는 무엇이라고 생각하는가? 최종 매수/매도 예측만 가능합니까?
1) 이것은 당신 방향의 조약돌이 아닙니다. 나는 단지 이 순간의 중요성을 강조했습니다.
2) 국회의 출력은 어떤 해석의 신호일 수 있습니다. 거래의 맥락에서 시장 상황(나쁨, 좋음, 플랫 추세 등)의 분류 또는 특정 거래 신호일 수 있습니다. 그런데 , 아무도 특정 지표의 신호를 분류하는 것을 금지하지 않습니다. 예를 들어: "Masha right now"는 잘못된 신호를 제공합니다. 이러한 신호에 대해 그리드를 훈련하면 위원회의 일부로 사용할 수 있습니다. 위에서 네트워크를 위원회로 결합하기 위한 편리한 인터페이스를 생성하기 위해 제안된 것 같습니다. 트랜잭션 효율성은 후처리의 특별한 경우일 뿐입니다.
2) 국회의 출력은 어떤 해석의 신호일 수 있습니다. 거래의 맥락에서 시장 상황(나쁨, 좋음, 플랫 추세 등)의 분류 또는 특정 거래 신호일 수 있습니다. 그런데 , 아무도 특정 지표의 신호를 분류하는 것을 금지하지 않습니다. 예를 들어: "Masha right now"는 잘못된 신호를 제공합니다. 이러한 신호에 대해 그리드를 훈련하면 위원회의 일부로 사용할 수 있습니다. 위에서 네트워크를 위원회로 결합하기 위한 편리한 인터페이스를 생성하기 위해 제안된 것 같습니다. 거래 효율성은 후처리의 특별한 경우일 뿐입니다.
위원회는 솔루션의 일부일 뿐입니다. 특정 시스템 논리의 일부일 뿐인 이러한 NN의 교육을 편리하고 효과적으로 구현하는 방법은 무엇입니까? 따로 훈련할 수 없습니다. 훈련 샘플이 없습니다.
1) [-1; 0; 1] 출구 계획에는 한 가지 버그가 있습니다. 이론적으로 세 가지 출구 옵션이 모두 동일할 가능성이 있어야 합니다. 사실 초탄젠트를 0 또는 시그모이드를 0.5로 유지하는 것은 매우 어렵습니다. 점프하기 위해 노력합니다.
때문일 수 있습니다 예시로만 인용
2) Bulashev의 "Statistics for a Trader"에는 포지션의 효율성을 평가하기 위한 계획(주문 읽기)이 있습니다. 이 계획을 적용하고 거래 신호를 제공하도록 네트워크를 훈련할 수 있으며, 트롤, 손익분기점은 모두 다음과 같은 TS 요소입니다. 그리드와 관련이 없습니다.
3) 필터는 전처리(예시 준비)의 필수 요소이지만, 커틀릿에서 파리를 분리해야 합니다. 전처리를 그리드 알고리즘에 푸시하면 보편화를 달성할 수 없습니다.
아니요, 이 경우 필터는 데이터 사전 처리가 아니라 거래 논리의 일부입니다.
그리드를 알고리즘에 넣지 않고 TS의 일반 논리의 일부로 네트워크를 훈련할 수 있는 기회를 제공할 것을 제안합니다. 국회의 성과는 무엇이라고 생각하는가? 최종 매수/매도 예측만 가능합니까?
저것들. ATP RSI와 자동차는 컨텍스트를 설정할 것인가? 또한 차량의 입력 세트에 있습니까? 가능성이 없는 덤입니다.
실제로 수익을 낼 수 있는 것이 필요합니까, 아니면 NA가 TS의 요소 중 하나일 뿐이고 이를 무엇에 대해 훈련해야 하는지에 대한 예가 필요합니까?
PS 그건 그렇고, 다소 비표준 필터링이 있는 2대의 시스템에서 많은 쌍에 대한 꽤 좋은 결과가 표시됩니다(NS는 거기에 필요하지 않습니다 :))
1) 때문일 수 있다. 예시로만 인용
2) 아니요, 이 경우 필터는 데이터 사전 처리가 아니라 거래 논리의 일부입니다.
그리드를 알고리즘에 넣지 않고 TS의 일반 논리의 일부로 네트워크를 훈련할 수 있는 기회를 제공할 것을 제안합니다. 국회의 성과는 무엇이라고 생각하는가? 최종 매수/매도 예측만 가능합니까?
1) 이것은 당신 방향의 조약돌이 아닙니다. 나는 단지 이 순간의 중요성을 강조했습니다.
2) 국회의 출력은 어떤 해석의 신호일 수 있습니다. 거래의 맥락에서 시장 상황(나쁨, 좋음, 플랫 추세 등)의 분류 또는 특정 거래 신호일 수 있습니다. 그런데 , 아무도 특정 지표의 신호를 분류하는 것을 금지하지 않습니다. 예를 들어: "Masha right now"는 잘못된 신호를 제공합니다. 이러한 신호에 대해 그리드를 훈련하면 위원회의 일부로 사용할 수 있습니다. 위에서 네트워크를 위원회로 결합하기 위한 편리한 인터페이스를 생성하기 위해 제안된 것 같습니다. 트랜잭션 효율성은 후처리의 특별한 경우일 뿐입니다.
글쎄요, 저는 국회에 당신의 TS를 사용하여 무역하도록 가르치고 싶습니다. 위에서부터 몇 가지 자유도를 추가하십시오.
당신은 실제로 벌 수 있는 무언가가 필요합니다
글쎄요, 이 필터는 그냥 평범하고 만드는 데 전혀 문제가 없다는 것입니다. 알고리즘은 간단합니다. 우리는 TSku를 운전하고 진입점 또는 일부 이웃에서 입력 및 필요한 매개변수(MA, RSI, ATP)를 수집합니다.
그런 다음 수집된 매개변수를 입력에 제공합니다. 즉, 출력 또는 트랜잭션 결과 에 pip 단위로 제공하거나 플러스이면 1, 마이너스이면 -1을 제공합니다. 우리는 모든 것을 평범한 3층 비선형 퍼셉트론에 집어넣고 훈련시킵니다.
짜잔.
2) 국회의 출력은 어떤 해석의 신호일 수 있습니다. 거래의 맥락에서 시장 상황(나쁨, 좋음, 플랫 추세 등)의 분류 또는 특정 거래 신호일 수 있습니다. 그런데 , 아무도 특정 지표의 신호를 분류하는 것을 금지하지 않습니다. 예를 들어: "Masha right now"는 잘못된 신호를 제공합니다. 이러한 신호에 대해 그리드를 훈련하면 위원회의 일부로 사용할 수 있습니다. 위에서 네트워크를 위원회로 결합하기 위한 편리한 인터페이스를 생성하기 위해 제안된 것 같습니다. 거래 효율성은 후처리의 특별한 경우일 뿐입니다.
위원회는 솔루션의 일부일 뿐입니다. 특정 시스템 논리의 일부일 뿐인 이러한 NN의 교육을 편리하고 효과적으로 구현하는 방법은 무엇입니까? 따로 훈련할 수 없습니다. 훈련 샘플이 없습니다.
글쎄요, 이 필터는 그냥 평범하고 만드는 데 전혀 문제가 없다는 것입니다. 알고리즘은 간단합니다. 우리는 TSku를 운전하고 진입점 또는 일부 이웃에서 입력 및 필요한 매개변수(MA, RSI, ATP)를 수집합니다.
그런 다음 수집된 매개변수를 입력에 제공합니다. 즉, 출력 또는 트랜잭션 결과 에 pip 단위로 제공하거나 플러스이면 1, 마이너스이면 -1을 제공합니다. 우리는 모든 것을 평범한 3층 비선형 퍼셉트론으로 밀어넣고 훈련시킵니다.
짜잔.
예, 할 수 있지만 한 곳에 있습니다.)))
예를 들어, 옵션이 있는 TSka. 각 도매 실행에 대해 유사한 연습을 수행하시겠습니까? 좋습니다. 어떻게든 이 프로세스를 왜곡하고 자동화할 수 있습니다.
또는 그 반대의 경우 입력 필터는 정상(Boolean logic)이지만 NS를 사고파는 것입니다.
그러나 원칙적으로 모든 것에서 벗어나 어떻게 든 구현할 수 있습니다. 다른 사람이 사용할 수 있는 편의성, 가시성 및 휴대성의 문제입니다.
그러나 NN을 사용한 작업은 토폴로지 선택으로만 구성됩니까? 교수법도 중요한 역할을 한다. 토폴로지와 학습은 밀접하게 관련되어 있습니다.
모든 사용자는 자신의 IMHO를 가지고 있으므로 결정의 절반을 스스로 할 수 없습니다.
사전 설정에 제한되지 않는 네트워크 디자이너 를 만들어야 합니다. 그리고 최대한 다재다능합니다.
내가 제안한 네트워크 구성 방식에서 학습 방법은 토폴로지 독립적입니다 !!!
그리드 자체가 그리드가 어디에서 오고 어디로 가는지 알고 있기 때문에 오류 전파는 자동이며 프로그래머는 이에 대해 신경 쓸 필요가 없습니다.
세르게예프
2011.10.19 17:06:502차원 배열이 다양한 토폴로지와 시각적 이해에 충분할까요?
나는 방금 대답했지만 여가 시간에 다음과 같이 생각했습니다.
네트워크를 구축하려면 이 링크 테이블이면 충분합니다.
이것은 3층 MLP, 제로 입력 레이어, 첫 번째 레이어 2개 뉴런, 두 번째 레이어 1개 뉴런의 예입니다.
처음 세 열은 모든 뉴런과 뉴런의 모든 입력을 순차적으로 열거하여 생성되고, 두 번째 패스는 대응을 설정합니다(한 가지 예외, "연결 계층"이 "계층"보다 크거나 같으면 출력은 다음과 같습니다. 0보다 크면 신호는 지연 연산자에서만 다시 가져올 수 있습니다.
이러한 링크 테이블을 사용하면 최소한 무작위로 토폴로지를 설정할 수 있지만 이것은 여전히 보편성의 지표입니다.
일반적으로 레이어 번호를 뉴런 자체에 저장하고 1차원 배열에 대해 순차적으로 번호를 매길까 생각했지만 지금은 일반 공식과 세부 사항에 대해서는 나중에 논의하는 것이 좋습니다.
내가 제안한 네트워크 구성 방식에서 학습 방법은 토폴로지 독립적입니다 !!!
그리드 자체가 그리드가 어디에서 오고 어디로 가는지 알고 있기 때문에 오류 전파는 자동이며 프로그래머는 이에 대해 신경 쓸 필요가 없습니다.
나는 (들) 믿지 않는다 :)