Вы хотите быстро проверить торговую идею, не тратя времени на программирование? Выберите в "Мастере MQL5" нужный тип торговых сигналов, подключите модули сопровождения позиций и управления капиталом - на этом вся работа закончена. Создайте свои реализации модулей или закажите их через сервис "Работа" - и комбинируйте новые модули с уже существующими.
관심이 있는 사람들을 위해 몇 개의 짧은 강의 게시물에서 내가 정보 변환의 생물학적 방법을 기반으로 하고 희소성 원리를 사용하는 신경망이 매우 유망하다고 생각하는 이유를 설명하려고 합니다.
강의 1. 신경망에서 희소성의 생물학적 기반.
아동의 두뇌 발달은 많은 시냅스(뉴런 사이의 연결)를 만드는 단계를 거친 후 청소년기에 연결의 거의 절반이 제거되는 단계를 거칩니다. 많은 과학자들은 느린 신진대사와 호르몬 변화로 인해 뇌가 소비하는 에너지를 줄이기 위해 이러한 시냅스 제거가 필요하다고 추측합니다. 많은 수의 시냅스로 인해 어린이의 뇌는 많은 정보를 기억할 수 있으며, 이는 외국어가 청소년기 이전에 뿌리 내리기 쉬운 이유를 설명합니다. 청소년기에 연결의 절반을 제거하면 뇌가 정보를 더 잘 일반화하는 데 도움이 됩니다. 발달 중인 청소년 뇌에서 연결의 절반이 제거되는 메커니즘은 아직 알려져 있지 않습니다. 많은 사람들은 대사 변화가 시냅스를 유지하는 데 필요한 바이오젠(영양소)의 양을 감소시킨다고 믿습니다. 이러한 물질의 제한된 양이 존재하기 위해 뉴런의 입력 연결 사이에 경쟁을 일으킵니다. 이 경쟁은 뉴런의 입력 가중치의 절대값의 합 또는 제곱의 합이 일정하게 유지되는 경쟁(Competitive Learning)으로 가중치를 학습하는 방법에 의해 모델링됩니다. 이러한 방법은 자가 학습 네트워크에서 사용됩니다. 지도 네트워크(예: 피드포워드 네트워크)에서 뉴런 입력 가중치 간의 경쟁은 일반적으로 고려되지 않습니다. 이러한 네트워크에서 뉴런 간의 연결은 가중치가 훈련된 후 제거됩니다. 평균 학습 오류에 거의 영향을 미치지 않는 가장 작은 가중치 또는 가중치가 제거됩니다.
Huttenlocher, P. R. (1979). 인간의 전두엽 피질의 시냅스 밀도 - 발달 변화와 나이의 영향. Brain Res., 163, 195-205.
Braitenberg, V., Schuz, A. (1998). 피질: 신경 연결의 통계 및 기하학. 베를린: 스프링거.
LeCun, Y., Denker, JS, Solla, SA, Howard, RE, Jackel, LD(1990). 최적의 뇌 손상. Touretzky, DS(Eds), Advances in Neural Information Processing Systems 2, NIPS*89, Morgan Kaufmann, Denver, CO, 598--605.
Hassibi, B., Stork, DG, Wolff, GJ (1993). 최적의 뇌외과 전문의와 일반 네트워크 가지치기. 절차 IEEE 국제 회의 신경. 네트워크, 1, 293-299.
Miller, K D., & MacKay, DJC(1994). Hebbian 학습에서 제약 조건의 역할. 신경 계산., 6, 100-126.
Miller, K. D. (1996). 시냅스 경제학: 시냅스 가소성의 경쟁과 협력. 뉴런, 17, 371-374.
In neuroscience, synaptic pruning, neuronal pruning or axon pruning refer to neurological regulatory processes, which facilitate changes in neural structure by reducing the overall number of neurons and synapses, leaving more efficient synaptic configurations. Pruning is a process that is a general feature of mammalian neurological development...
미첵 : 더 많은 IMHO. 귀하의 요구 사항을 충족하는 전문 컨설턴트를 외부에서 찾을 가능성은 거의 없습니다. 기껏해야 같은 수준의 전문가들과 협상에 얽매이게 되지만, 협상 단계에서 요구하는 수준에 자신의 수준을 과대평가하여 지식을 팔려고 하는 전문가들. 메타쿼터에 대한 주관적인 평가를 기반으로 동등하게 또는 동등하지 않게 프로젝트 종료 시 사용자 간에 분할하는 것이 효율적입니다.
외부 전문가의 비용으로 지원하겠습니다. 첫째, 한 명의 전문가가 아니라 적어도 두 명(이상적으로는 더 많은 전문가)이 필요하고 두 번째로, 포럼의 적어도 두 명의 지역 회원이 더 많은 자격을 가질 것이라는 사실이 아닙니다.
세르게예프 :
더 쉽게 만들 수 있습니다.
이 상황에서 우리는 보편적인 모델로 추상화하려는 시도와 함께 특정에서 일반으로 이동합니다.
1. 우리는 우리가 구현할 수 있는 네트워크(위상 및 학습 방법)를 그립니다(종이 + 수학적 모델의 언어 알고리즘). 2. 추상 엔진 클래스를 생성하기 위해 그려진 모델에서 공통 도킹 포인트를 찾습니다.
이것이 코드라면 어떤 상인도 더 이상 사용할 수 없을 것이라고 생각합니다. 모든 프로그래머 상인, 그렇습니다. 모든 거래자에게 MQL5 마법사 를 통해 거래 시스템에 신경망을 포함하는 옵션이 적합하지만 마스터를 크게 수정해야 한다고 가정합니다.
나는 스레드를 읽고 있으며 이제 적어도 모든 것이 얼마나 어려운지 상상하기 시작했습니다.))
1. 이것은 상인-프로그래머(또는 그냥 MQL 프로그래머)가 필요한 복잡성과 기능의 신경망을 생성할 수 있는 도움으로 시작하기에 충분히 강력하고 다재다능한 라이브러리여야 한다고 생각합니다. 이 단계에서 적은 수의 객체로 구성된 라이브러리의 핵심을 만들어야 한다고 생각합니다(여기서는 최대 추상화와 보편성이 중요합니다).
2. 두 번째 단계에서는 라이브러리의 기능을 보다 상세하고 깊이 있게 기록해야 합니다(네트워크 유형, 교육 방법, 토폴로지 옵션 등 결정).
3. 세 번째 단계에서는 정확히 무엇을 입력하고 어떻게 학습할지 결정해야 할 것 같습니다.
4. 마지막으로, 제 생각에 가장 흥미로운 것입니다. MQ와 함께 모든 특성을 순차적으로 지정하여 신경망 템플릿을 만들 수 있는 "신경망 마법사"와 같은 것을 개발하는 것이 좋을 것입니다.
평신도의 눈에는 이렇게 되어야 합니다. 우리는 마법사를 시작하고 그 안에 지정합니다. 이런 종류의 네트워크, 그러한 뉴런과 같은 많은 레이어가 이런 종류의 칠면조 매개 변수를 처리하거나 단순히 특정 정보 흐름을 분석하면 특정 정보를 얻습니다. 출력에서 신호.
아이디어에 따르면 위저드의 작업 결과는 (적어도 꽤 괜찮은 것 같다) 독립된 모듈로 사용하거나 기존 WIZARD에서 전문가 템플릿을 개발할 때 사용할 수 있는 템플릿이어야 합니다.
5. 마법사 템플릿을 생성할 때 신경망을 사용하는 것에 대해 이야기하고 있다면 신경망을 추가할 수 있는 형식을 제공해야 합니다(하나 이상일 수도 있음).
이 경우 신경망 템플릿은 신호 등의 특정 위치에 있어야 하고 특정 요구 사항을 충족해야 합니다.
추신
전체 신경망, 별도의 계층(또는 계층의 일부) 및 이러한 캠페인이 있는 단일 뉴런의 "중요도"를 결정하는 것이 좋습니다.
이 모든 힙 네트워크는 해결할 수 있는 문제입니다. 가장 중요한 것은 거래 지향입니다.))) 이것은 작동하는 Expert Advisor로의 통합을 의미합니다. 저것들. 대부분의 일반적인 TS의 경우 입력 데이터를 전처리하거나 훈련 샘플을 준비하는 것과 같은 많은 보조 작업을 수행할 필요가 없지만 시스템화되고 자동화됩니다. 저것들. 누군가가 파형을 입력으로 제출하기로 결정했다면 먼저 파형에 대한 일련의 값을 생성한 다음 일련의 예측된 값(예: 일부 막대의 가격 증분)을 생성하고 정규화할 필요가 없습니다. 이 모든 것 등 그런 다음 네트워크를 훈련하고 이것이 자동으로 발생하도록 어드바이저 내부에서 입력과 예측을 결정하고 데이터의 전처리 및 후처리가 자동으로 구현되었습니다.
순전히 기술적으로 다음과 같이 보일 수 있습니다. 입력 뉴런의 경우 double을 반환하는 가상 함수 EnterData가 있습니다. 입력이나 무엇이든 일부 표시기를 보내고 싶었습니다. 이 함수에 모든 것을 썼습니다.
던져, 조금씩 긁어 보자.
Sparse Net에 여전히 관심이 많습니다.
그리고 퍼지 논리와 관련된 모델 - 만세!! 나는 모델 중 하나의 이름을 기억하고 있습니다. 여기에 설명에 대한 링크 가 있습니다. 모델 츠카모토.
____
이것들이 성공적으로 구현된다면 아마도 작은 폭탄이 될 것입니다.
더엑스퍼트 :
...
이를 위해서는 제품이 NSDT, niasilim과 같은 뉴로패키지 수준이어야 합니다.
...
유감입니다.)) 현재 모든 레벨의 사용자에게 가장 적합한 프로그램입니다. 트레이더 설문조사에 따르면 Stocks & Commodities 잡지에서 9년 동안 최고의 분석 프로그램 순위에서 1위를 차지했습니다. 그러나 OpenSource의 경우 너무 좋습니다. ))
레나트 2011.10.18 00:45 #
모든 거래자가 최소한의 노력으로 사용할 수 있도록 여러 유형의 일반 신경망 엔진을 개발하려는 아이디어가 있습니다.
코드는 MQL5 소스로 제공되며 터미널의 일부로 배포됩니다.
이것이 코드라면 어떤 상인도 더 이상 사용할 수 없을 것이라고 생각합니다. 모든 프로그래머 트레이더가 그렇습니다. 모든 거래자에게 MQL5 마법사 를 통해 거래 시스템에 신경망을 포함하는 옵션이 적합하지만 마스터를 크게 수정해야 한다고 가정합니다.
나는 스레드를 읽고 있으며 이제 적어도 모든 것이 얼마나 어려운지 상상하기 시작했습니다.))
나는 포럼의 별도 섹션을 구걸하기 위해 모두 동일하게 제안합니다. 하나의 주제에 있는 모든 것은 제스처입니다. 뒤죽박죽된 생각의 보고로서 괜찮지만, 토론이 시작되면...
참여를 원하는 사람은 공개합니다. 시스템 및 지점 관리자의 특정 측면과 관련된 주제를 시작하고 논의한 대로 첫 번째 게시물에서 최종 결정을 내립니다. 필요한 경우 별도의 부서 등에서 공개 투표를 주선합니다.
그건 그렇고, 분기의 모든 페이지에 고정된 게시물(관리자가 표시)의 기능이 있으면 항상 우리 눈앞에 토론의 결과가 있을 것입니다.
관심이 있는 사람들을 위해 몇 개의 짧은 강의 게시물에서 내가 정보 변환의 생물학적 방법을 기반으로 하고 희소성 원리를 사용하는 신경망이 매우 유망하다고 생각하는 이유를 설명하려고 합니다.
강의 1. 신경망에서 희소성의 생물학적 기반.
아동의 두뇌 발달은 많은 시냅스(뉴런 사이의 연결)를 만드는 단계를 거친 후 청소년기에 연결의 거의 절반이 제거되는 단계를 거칩니다. 많은 과학자들은 느린 신진대사와 호르몬 변화로 인해 뇌가 소비하는 에너지를 줄이기 위해 이러한 시냅스 제거가 필요하다고 추측합니다. 많은 수의 시냅스로 인해 어린이의 뇌는 많은 정보를 기억할 수 있으며, 이는 외국어가 청소년기 이전에 뿌리 내리기 쉬운 이유를 설명합니다. 청소년기에 연결의 절반을 제거하면 뇌가 정보를 더 잘 일반화하는 데 도움이 됩니다. 발달 중인 청소년 뇌에서 연결의 절반이 제거되는 메커니즘은 아직 알려져 있지 않습니다. 많은 사람들은 대사 변화가 시냅스를 유지하는 데 필요한 바이오젠(영양소)의 양을 감소시킨다고 믿습니다. 이러한 물질의 제한된 양이 존재하기 위해 뉴런의 입력 연결 사이에 경쟁을 일으킵니다. 이 경쟁은 뉴런의 입력 가중치의 절대값의 합 또는 제곱의 합이 일정하게 유지되는 경쟁(Competitive Learning)으로 가중치를 학습하는 방법에 의해 모델링됩니다. 이러한 방법은 자가 학습 네트워크에서 사용됩니다. 지도 네트워크(예: 피드포워드 네트워크)에서 뉴런 입력 가중치 간의 경쟁은 일반적으로 고려되지 않습니다. 이러한 네트워크에서 뉴런 간의 연결은 가중치가 훈련된 후 제거됩니다. 평균 학습 오류에 거의 영향을 미치지 않는 가장 작은 가중치 또는 가중치가 제거됩니다.
연결:
https://en.wikipedia.org/wiki/Synaptic_pruning
Huttenlocher, P. R. (1979).
인간의 전두엽 피질의 시냅스 밀도 - 발달 변화와 나이의 영향.
Brain Res., 163, 195-205.
Braitenberg, V., Schuz, A. (1998).
피질: 신경 연결의 통계 및 기하학.
베를린: 스프링거.
LeCun, Y., Denker, JS, Solla, SA, Howard, RE, Jackel, LD(1990).
최적의 뇌 손상.
Touretzky, DS(Eds), Advances in Neural Information Processing Systems 2, NIPS*89, Morgan Kaufmann, Denver, CO, 598--605.
Hassibi, B., Stork, DG, Wolff, GJ (1993).
최적의 뇌외과 전문의와 일반 네트워크 가지치기.
절차 IEEE 국제 회의 신경. 네트워크, 1, 293-299.
Miller, K D., & MacKay, DJC(1994).
Hebbian 학습에서 제약 조건의 역할.
신경 계산., 6, 100-126.
Miller, K. D. (1996).
시냅스 경제학: 시냅스 가소성의 경쟁과 협력.
뉴런, 17, 371-374.
더 많은 IMHO. 귀하의 요구 사항을 충족하는 전문 컨설턴트를 외부에서 찾을 가능성은 거의 없습니다. 기껏해야 같은 수준의 전문가들과 협상에 얽매이게 되지만, 협상 단계에서 요구하는 수준에 자신의 수준을 과대평가하여 지식을 팔려고 하는 전문가들. 메타쿼터에 대한 주관적인 평가를 기반으로 동등하게 또는 동등하지 않게 프로젝트 종료 시 사용자 간에 분할하는 것이 효율적입니다.
외부 전문가의 비용으로 지원하겠습니다. 첫째, 한 명의 전문가가 아니라 적어도 두 명(이상적으로는 더 많은 전문가)이 필요하고 두 번째로, 포럼의 적어도 두 명의 지역 회원이 더 많은 자격을 가질 것이라는 사실이 아닙니다.
더 쉽게 만들 수 있습니다.
이 상황에서 우리는 보편적인 모델로 추상화하려는 시도와 함께 특정에서 일반으로 이동합니다.
1. 우리는 우리가 구현할 수 있는 네트워크(위상 및 학습 방법)를 그립니다(종이 + 수학적 모델의 언어 알고리즘).
2. 추상 엔진 클래스를 생성하기 위해 그려진 모델에서 공통 도킹 포인트를 찾습니다.
톨64 :
이것이 코드라면 어떤 상인도 더 이상 사용할 수 없을 것이라고 생각합니다. 모든 프로그래머 상인, 그렇습니다. 모든 거래자에게 MQL5 마법사 를 통해 거래 시스템에 신경망을 포함하는 옵션이 적합하지만 마스터를 크게 수정해야 한다고 가정합니다.
나는 스레드를 읽고 있으며 이제 적어도 모든 것이 얼마나 어려운지 상상하기 시작했습니다.))
1. 이것은 상인-프로그래머(또는 그냥 MQL 프로그래머)가 필요한 복잡성과 기능의 신경망을 생성할 수 있는 도움으로 시작하기에 충분히 강력하고 다재다능한 라이브러리여야 한다고 생각합니다. 이 단계에서 적은 수의 객체로 구성된 라이브러리의 핵심을 만들어야 한다고 생각합니다(여기서는 최대 추상화와 보편성이 중요합니다).
2. 두 번째 단계에서는 라이브러리의 기능을 보다 상세하고 깊이 있게 기록해야 합니다(네트워크 유형, 교육 방법, 토폴로지 옵션 등 결정).
3. 세 번째 단계에서는 정확히 무엇을 입력하고 어떻게 학습할지 결정해야 할 것 같습니다.
4. 마지막으로, 제 생각에 가장 흥미로운 것입니다. MQ와 함께 모든 특성을 순차적으로 지정하여 신경망 템플릿을 만들 수 있는 "신경망 마법사"와 같은 것을 개발하는 것이 좋을 것입니다.
평신도의 눈에는 이렇게 되어야 합니다. 우리는 마법사를 시작하고 그 안에 지정합니다. 이런 종류의 네트워크, 그러한 뉴런과 같은 많은 레이어가 이런 종류의 칠면조 매개 변수를 처리하거나 단순히 특정 정보 흐름을 분석하면 특정 정보를 얻습니다. 출력에서 신호.
아이디어에 따르면 위저드의 작업 결과는 (적어도 꽤 괜찮은 것 같다) 독립된 모듈로 사용하거나 기존 WIZARD에서 전문가 템플릿을 개발할 때 사용할 수 있는 템플릿이어야 합니다.
5. 마법사 템플릿을 생성할 때 신경망을 사용하는 것에 대해 이야기하고 있다면 신경망을 추가할 수 있는 형식을 제공해야 합니다(하나 이상일 수도 있음).
이 경우 신경망 템플릿은 신호 등의 특정 위치에 있어야 하고 특정 요구 사항을 충족해야 합니다.
추신
전체 신경망, 별도의 계층(또는 계층의 일부) 및 이러한 캠페인이 있는 단일 뉴런의 "중요도"를 결정하는 것이 좋습니다.
나는 포럼의 별도 섹션을 구걸하기 위해 모두 동일하게 제안합니다. 하나의 주제에 있는 모든 것은 제스처입니다. 뒤죽박죽된 생각의 보고로서 괜찮지만, 토론이 시작되면...
이 모든 힙 네트워크는 해결할 수 있는 문제입니다. 가장 중요한 것은 거래 지향입니다.))) 이것은 작동하는 Expert Advisor로의 통합을 의미합니다. 저것들. 대부분의 일반적인 TS의 경우 입력 데이터를 전처리하거나 훈련 샘플을 준비하는 것과 같은 많은 보조 작업을 수행할 필요가 없지만 시스템화되고 자동화됩니다. 저것들. 누군가가 파형을 입력으로 제출하기로 결정했다면 먼저 파형에 대한 일련의 값을 생성한 다음 일련의 예측된 값(예: 일부 막대의 가격 증분)을 생성하고 정규화할 필요가 없습니다. 이 모든 것 등 그런 다음 네트워크를 훈련하고 이것이 자동으로 발생하도록 어드바이저 내부에서 입력과 예측을 결정하고 데이터의 전처리 및 후처리가 자동으로 구현되었습니다.
순전히 기술적으로 다음과 같이 보일 수 있습니다. 입력 뉴런의 경우 double을 반환하는 가상 함수 EnterData가 있습니다. 입력이나 무엇이든 일부 표시기를 보내고 싶었습니다. 이 함수에 모든 것을 썼습니다.
출력 뉴런의 경우 예측되는 것을 계산하는 ExitData 함수도 동일합니다.
예를 들어, 5개의 막대에 대한 가격 변동을 예측하고 싶습니다. 함수를 재정의했습니다.
이중 ExitData(){
return(열기[-5]-열기[0]) ;
}
또는 변동성을 예측하려는 경우
이중 ExitData(){
return(높음[iHighest(...,5,-5)]-낮음[iLowest(....,5,-5)]) ;
}
등.
또한 훈련 기간과 out-of-samples를 네트워크 객체의 속성으로 설정합니다. 그리고 훈련 후에는 샘플로부터의 자기자본 곡선의 특성을 얻을 수 있었습니다(예를 들어, 이익 계수)
저것들.
Net.StartTime=2005
Net.FinishTime=2008
Net.StartOutOfSamples=2009
Net.FinishOutOfSamples=2011
Net.Teach;
Net.OutOfSamples;
if (Net.PFOutOfSamples>3) Print("좋음");
또는 네트워크가 자체적으로 거래되지 않지만 예를 들어 변동성을 예측하는 경우 사용자 자신이 네트워크 품질을 평가하는 기능을 샘플 외로 재정의합니다.
그런 다음 테스터 및 최적화의 표준 도구를 사용하여 최상의 토폴로지 검색 또는 네트워크 유형 선택 등을 구현할 수 있습니다.