지금은 예를 들 수 없을지 모르지만, 미래에는 단말기, 프로그래밍 언어, 툴킷의 발전으로 본격적인 AI를 만들 수 있을 것입니다. 많은 위대한 사람들이 진보에 대해 잘못 알고 있었고, 시간, 이것 때문에 많은 사람들이 실패 했으므로 우리는 기다려야합니다 Bye
모이지 않고 실제로 작동하는 작업을 수행하지 않음)) 게다가 이러한 신경망이 아직 존재하지 않는다는 보장은 없으며 아마도 누군가의 터미널에서 조용히 작동하고 있을 것입니다.
인공 신경망의 발전은 1943년에 시작되어 69년 동안 개와 고양이를 구별하는 법도 배우지 못했습니다. 성공적으로 적용된 영역이 있고 데이터에 중요한 비선형 변환이 필요하지 않은 영역이 있습니다. 예를 들어, 시간과 기온을 기반으로 전력 소비를 예측합니다. 또는 공장 주문, 개인 소득, 실업률 등을 기반으로 GDP 성장을 예측합니다. 시장에서 체인은 과거 가격을 기반으로 결정을 내려야 합니다. N개의 과거 가격 자체를 네트워크 입력에 제공하는 것은 좋은 결과로 이어지지 않으므로 잡음이 있는 데이터 간에 비선형 관계를 설정하는 것은 어리석은 일입니다. 시장에는 패턴이 있지만 너무 왜곡되어 시간과 가격을 비선형적으로 변환하는 일반적인 방법으로도 설정할 수 없습니다. 예를 들어, N개의 과거 가격 중 하나 또는 두 개의 섹션만이 가장 중요한 순간이 될 수 있습니다. 대부분의 경우 이러한 중요한 영역 사이에서 가격이 어떻게 움직이는지는 중요하지 않습니다. 즉, 이러한 비선형 변환에 의해 N 데이터의 차원이 2~3배로 크게 줄어든다. 네트워크는 자체적으로 이러한 비선형 가격 변환을 수행하는 방법을 학습하지 않습니다. 이것이 우리가 해야 할 일입니다. 그러나 가격으로 무엇을 해야 하는지 안다면 우리는 이미 전략을 미리 알고 있으며(예: 수준 돌파) 네트워크가 필요한 이유는 무엇입니까? 추세의 1-2-3 패턴이 추세의 지속으로 이어진다는 것을 안다면 왜 네트워크가 필요한가요? 아마도 미래에는 컴퓨터가 너무 강력해져서 생물학적 네트워크와 더 유사한 새로운 유형의 네트워크가 나타날 것입니다(아마도 20-30년 후에).
크고 효과적인 소프트웨어 신경망을 구현하려면 많은 처리 및 저장 리소스를 투입해야 합니다. 뇌는 뉴런 그래프 를 통해 신호를 처리하는 작업에 맞게 조정된 하드웨어를 가지고 있지만 Von Neumann 기술에서 가장 단순화된 형태를 시뮬레이션하더라도 NN 설계자는 연결을 위해 수백만 개의 데이터베이스 행을 채우도록 강요할 수 있습니다. 컴퓨터 메모리 및 하드 디스크 공간. 게다가, NN 시스템의 설계자는 종종 이러한 연결과 관련 뉴런을 통한 신호 전송을 시뮬레이션해야 하며, 이는 종종 엄청난 양의 CPU 처리 능력 및 시간과 일치해야 합니다. 네트워크는 종종 효과적인 프로그램을 생성하지만 신경 효율성 을 희생시키면서 너무 자주 수행합니다(상당한 시간과 비용을 소비하는 경향이 있음).
Machine learning and data mining Problems Clustering Dimensionality reduction Ensemble learning Anomaly detection Theory An artificial neural network is an interconnected group of nodes, akin to the vast network of neurons in a brain. Here, each circular node represents an artificial neuron and an arrow represents a...
지금은 예를 들 수 없을지 모르지만, 미래에는 단말기, 프로그래밍 언어, 툴킷의 발전으로 본격적인 AI를 만들 수 있을 것입니다. 많은 위대한 사람들이 진보에 대해 잘못 알고 있었고, 시간, 이것 때문에 많은 사람들이 실패 했으므로 우리는 기다려야합니다 Bye
그리고 터미널과 MQL5는 그것과 아무 관련이 없습니다. 왜냐하면 오랫동안 아무도 일반적으로 AI와 특히 NN이 라이브러리 형태로 MT에 연결하는 것을 포함하여 다른 도구에서 구현(완전한)하는 것을 금지하지 않습니다.
문제는 그리드를 만들고 무언가를 가르치는 것이 아닙니다(많은 정보와 기성품 구현이 있기 때문에 이를 수행하는 방법은 이해할 수 있습니다). 그리드의 문제는 완전히 다릅니다. 실제로 여기에 나와 있습니다. 그리드의 모든 효율성은 우리가 학습할 초기 데이터 선택에 "묻혀 있습니다". 그리고 올바른 데이터를 선택하고(시장의 맥락에서) 올바르게 변환합니다(예: 이론 중 하나에 따르면 확률적 프로세스의 매력자가 형성되고 외부 표현 뒤에 숨겨진 다차원 공간으로 다시 계산합니다. 의 따옴표 변경) - 이것은 실제로 유용한 정보를 본 적이없는 가장 귀중한 노하우입니다. 물론 위의 분기에서 제안한 모든 것은 이미 시도되었지만 성공하지 못했습니다. 예를 들어 매크로 지표는 그리드가 필요하지 않습니다. 정확하게 해석하면 손으로 거래할 수 있기 때문입니다. 뉴스는 지표가 아닙니다. 첫째, 뉴스에 대한 반응은 사실 이후에 있을 것이고 우리는 뉴스가 이미 나오기 전에 움직임을 예측하고 결정을 내리기를 원합니다. 둘째, 뉴스에 대한 반응은 예측할 수 없습니다. 예: 일본 지진 - 엔화는 더 나빠져야 할 것 같지만 실제로는 엔화에 대한 수요가 증가했으며 종종 뉴스가 부정적인 것처럼 보이지만 덜 부정적입니다. 예상보다 높아 시장 상승 등의 원인으로 지목되고 있다. 일반적으로 모든 것이 이미 시도되었습니다. 성공한 사람들(있을 경우)은 여기에 앉지 않습니다. 그리고 그들은 노하우를 공유하지 않습니다.
우리는 시장에서 네트워크에 대한 논의를 계속합니다. 우리 뇌의 시각 피질을 예로 들어 보겠습니다. 이 피질의 V1 층에만 1억 4천만 개의 뉴런이 있으며 6개의 층만 있습니다. 이 모든 뉴런은 정보를 병렬로 처리하고 수십억 개의 적응 시냅스를 통해 상호 연결됩니다. 거래자가 처분할 수 있는 컴퓨터는 최대 1000개의 GPU 코어를 가질 수 있습니다. 즉, 시각 피질의 작업을 모방하기 위해 각 코어는 실시간으로 수십만 개의 뉴런을 계산해야 합니다. 그러한 네트워크를 훈련하는 데는 약 1년이 걸립니다. 그리고 이 모든 것은 세상을 보고 이미지를 인식하기 위한 것입니다. 우리가 이 네트워크를 성공적으로 훈련시킨다 하더라도 우리는 시각적 정보 이상을 사용하기 때문에 여전히 우리와 동일한 객체 인식 정확도를 달성하지 못할 것입니다. 예를 들어 인공 네트워크에서 가장 어려운 작업 중 하나는 그림자 인식입니다. 우리는 빛의 속성에 익숙하기 때문에 이것은 사소한 일입니다. 그러나 네트워크는 이러한 빛의 속성을 알지 못하며 이러한 속성을 가르치지 않으면 네트워크 자체에서 설정할 수 없습니다. 네트워크는 또한 객체 투명도 등에 익숙하지 않습니다. 이제 시각적 정보보다 훨씬 더 많은 노이즈가 있고 개체(가격 패턴)가 훨씬 더 왜곡되는 시장을 생각해 보십시오. 그리고 우리는 수십 개의 뉴런이 과거 가격을 보고 시장 패턴을 설정하기를 원합니다. 재미있지, 그렇지?
우리는 시장에서 네트워크에 대한 논의를 계속합니다. 뇌의 시각 피질을 예로 들어 보겠습니다. 이 피질의 V1 층에만 1억 4천만 개의 뉴런이 있으며 6개의 층만 있습니다. 이 모든 뉴런은 정보를 병렬로 처리하고 수십억 개의 적응 시냅스를 통해 상호 연결됩니다. 거래자가 처분할 수 있는 컴퓨터는 최대 1000개의 GPU 코어를 가질 수 있습니다. 즉, 시각 피질의 작업을 모방하기 위해 각 코어는 실시간으로 수십만 개의 뉴런을 계산해야 합니다. 그러한 네트워크를 훈련하는 데는 약 1년이 걸립니다. 그리고 이 모든 것은 세상을 보고 이미지를 인식하기 위한 것입니다. 우리가 이 네트워크를 성공적으로 훈련시킨다 하더라도 우리는 시각적 정보 이상을 사용하고 있기 때문에 여전히 우리와 동일한 객체 인식 정확도를 달성하지 못할 것입니다. 예를 들어 인공 네트워크에서 가장 어려운 작업 중 하나는 그림자 인식입니다. 우리는 빛의 속성에 익숙하기 때문에 이것은 사소한 일입니다. 그러나 네트워크는 이러한 빛의 속성을 알지 못하며 이러한 속성을 가르치지 않으면 네트워크 자체에서 설정할 수 없습니다. 네트워크는 또한 객체 투명도 등에 익숙하지 않습니다. 이제 시각적 정보보다 훨씬 더 많은 노이즈가 있고 개체(가격 패턴)가 훨씬 더 왜곡되는 시장을 생각해 보십시오. 그리고 우리는 수십 개의 뉴런이 과거 가격을 보고 시장 패턴을 설정하기를 원합니다. 재미있지, 그렇지?
다른 예를 들겠습니다.
RBC 웹사이트에 가보니 오늘 137개의 뉴스가 써져 있었는데 3개는 루블 환율에 실제로 영향을 미쳤을 수도 있고 더군다나 뉴스에 언급되지 않은 영향이 있을 가능성이 매우 큽니다.
즉, 입력 스트림을 잘 필터링하는 방법을 배워야 할 뿐만 아니라 입력 스트림에 특정 가격 변동의 이유를 설명하는 정보가 포함되어 있지 않을 수도 있습니다.
일반적으로 따뜻한 것과 부드러운 것을 혼동하지 마십시오. 기계는 원래 단조롭고 학습된 인간 노동을 대체하기 위해 만들어졌습니다. 우리가 무역의 영역을 취한다면, 대다수의 참가자들은 그들이 하는 일에 대해 거의 이해하지 못하고 있으며, 이는 실제로 결과에 반영됩니다. 미래의 결과를 보장하는 분명한 원칙은 없습니다. M3 달러와 SP500의 역동성을 취하면 Buy&Hold 전략도 손실을 보고 있음을 알 수 있습니다. 그렇다면 기계는 무엇을해야합니까 - 또한 단조롭게 ...
간섭이 없습니다. 네트워크에 대한 깊은 이해가 있습니다. 여기에서 오랫동안 설명하고 그 이유를 설명합니다. 따라서 나는 내 의견의 간단한 요약으로 나 자신을 제한합니다. 동의하지 않는 사람들은 목소리를 내고 예를 들어, 원한다면 르네상스 테크놀로지 까지. 같이 웃자.
네트워크에 대한 깊은 이해가 있습니다. 여기에서 오랫동안 설명하고 그 이유를 설명합니다.
간섭이 없습니다. 네트워크에 대한 깊은 이해가 있습니다. 오랫동안 여기에서 설명하고 그 이유를 설명합니다. 따라서 나는 내 의견의 간단한 요약으로 나 자신을 제한합니다. 동의하지 않는 사람들은 목소리를 내고 예를 들어, 원한다면 르네상스 테크놀로지 까지. 같이 웃자.
지금은 예를 들 수 없지만 앞으로는 터미널, 프로그래밍 언어, 툴킷의 발전으로 본격적인 AI를 만들 수 있을 것입니다. 많은 위인들이 진보에 대해 잘못 알고 있었고, 시간, 이것 때문에 많은 실패, 그래서 우리는 기다려야만 Bye
수학자 2명, 물리학자 2명, 신경과학자 2명, 경제학자 2명
그것은 얼마나 악순환으로 밝혀졌습니다!
NS 입력에 무엇이 공급되어야 하는지 안다면 NS nafik은 필요하지 않습니다.
그리고 모든 종류의 쓰레기를 입력에 적용하면 NS가 작동하고 학습합니다.
결론은 스스로 제안합니다. 신경망은 가상의 것입니다!!!! =)
국회의 의견에 정말 중요한 정보를 제출하는 것이 필요하다고 생각합니다.
1) 최근 시세, 예를 들어 마지막 10시간 막대(국회에서 수준과 패턴을 결정할 수 있도록)
2) 현재 시간 (뉴스 및 시장 개장이 라운드 타임 값으로 발생하기 때문에 국회에서 변동성 급증이 예상되는 시점을 알 수 있도록 함)
3) 거시경제 지표(가급적 실시간, MT5에 입력하는 방법과 위치를 모릅니다)
4) 뉴스는 지역마다 좋고 나쁨(구현 방법을 모르겠고, 나쁜/좋은 소식의 계수를 입력할 수 있지만 MT5에 제출하는 방법과 사람 없이 자동으로 어디에서 간섭);
지금은 예를 들 수 없을지 모르지만, 미래에는 단말기, 프로그래밍 언어, 툴킷의 발전으로 본격적인 AI를 만들 수 있을 것입니다. 많은 위대한 사람들이 진보에 대해 잘못 알고 있었고, 시간, 이것 때문에 많은 사람들이 실패 했으므로 우리는 기다려야합니다 Bye
모이지 않고 실제로 작동하는 작업을 수행하지 않음)) 게다가 이러한 신경망이 아직 존재하지 않는다는 보장은 없으며 아마도 누군가의 터미널에서 조용히 작동하고 있을 것입니다.인공 신경망의 발전은 1943년에 시작되어 69년 동안 개와 고양이를 구별하는 법도 배우지 못했습니다. 성공적으로 적용된 영역이 있고 데이터에 중요한 비선형 변환이 필요하지 않은 영역이 있습니다. 예를 들어, 시간과 기온을 기반으로 전력 소비를 예측합니다. 또는 공장 주문, 개인 소득, 실업률 등을 기반으로 GDP 성장을 예측합니다. 시장에서 체인은 과거 가격을 기반으로 결정을 내려야 합니다. N개의 과거 가격 자체를 네트워크 입력에 제공하는 것은 좋은 결과로 이어지지 않으므로 잡음이 있는 데이터 간에 비선형 관계를 설정하는 것은 어리석은 일입니다. 시장에는 패턴이 있지만 너무 왜곡되어 시간과 가격을 비선형적으로 변환하는 일반적인 방법으로도 설정할 수 없습니다. 예를 들어, N개의 과거 가격 중 하나 또는 두 개의 섹션만이 가장 중요한 순간이 될 수 있습니다. 대부분의 경우 이러한 중요한 영역 사이에서 가격이 어떻게 움직이는지는 중요하지 않습니다. 즉, 이러한 비선형 변환에 의해 N 데이터의 차원이 2~3배로 크게 줄어든다. 네트워크는 자체적으로 이러한 비선형 가격 변환을 수행하는 방법을 학습하지 않습니다. 이것이 우리가 해야 할 일입니다. 그러나 가격으로 무엇을 해야 하는지 안다면 우리는 이미 전략을 미리 알고 있으며(예: 수준 돌파) 네트워크가 필요한 이유는 무엇입니까? 추세의 1-2-3 패턴이 추세의 지속으로 이어진다는 것을 안다면 왜 네트워크가 필요한가요? 아마도 미래에는 컴퓨터가 너무 강력해져서 생물학적 네트워크와 더 유사한 새로운 유형의 네트워크가 나타날 것입니다(아마도 20-30년 후에).
여기를 읽으십시오. 네트워크의 단점이 잘 설명되어 있습니다. https://en.wikipedia.org/wiki/Neural_network
예를 들어 이 구절은 다음과 같습니다.
크고 효과적인 소프트웨어 신경망을 구현하려면 많은 처리 및 저장 리소스를 투입해야 합니다. 뇌는 뉴런 그래프 를 통해 신호를 처리하는 작업에 맞게 조정된 하드웨어를 가지고 있지만 Von Neumann 기술에서 가장 단순화된 형태를 시뮬레이션하더라도 NN 설계자는 연결을 위해 수백만 개의 데이터베이스 행을 채우도록 강요할 수 있습니다. 컴퓨터 메모리 및 하드 디스크 공간. 게다가, NN 시스템의 설계자는 종종 이러한 연결과 관련 뉴런을 통한 신호 전송을 시뮬레이션해야 하며, 이는 종종 엄청난 양의 CPU 처리 능력 및 시간과 일치해야 합니다. 네트워크는 종종 효과적인 프로그램을 생성하지만 신경 효율성 을 희생시키면서 너무 자주 수행합니다(상당한 시간과 비용을 소비하는 경향이 있음).
지금은 예를 들 수 없을지 모르지만, 미래에는 단말기, 프로그래밍 언어, 툴킷의 발전으로 본격적인 AI를 만들 수 있을 것입니다. 많은 위대한 사람들이 진보에 대해 잘못 알고 있었고, 시간, 이것 때문에 많은 사람들이 실패 했으므로 우리는 기다려야합니다 Bye
그리고 터미널과 MQL5는 그것과 아무 관련이 없습니다. 왜냐하면 오랫동안 아무도 일반적으로 AI와 특히 NN이 라이브러리 형태로 MT에 연결하는 것을 포함하여 다른 도구에서 구현(완전한)하는 것을 금지하지 않습니다.
문제는 그리드를 만들고 무언가를 가르치는 것이 아닙니다(많은 정보와 기성품 구현이 있기 때문에 이를 수행하는 방법은 이해할 수 있습니다). 그리드의 문제는 완전히 다릅니다. 실제로 여기에 나와 있습니다. 그리드의 모든 효율성은 우리가 학습할 초기 데이터 선택에 "묻혀 있습니다". 그리고 올바른 데이터를 선택하고(시장의 맥락에서) 올바르게 변환합니다(예: 이론 중 하나에 따르면 확률적 프로세스의 매력자가 형성되고 외부 표현 뒤에 숨겨진 다차원 공간으로 다시 계산합니다. 의 따옴표 변경) - 이것은 실제로 유용한 정보를 본 적이없는 가장 귀중한 노하우입니다. 물론 위의 분기에서 제안한 모든 것은 이미 시도되었지만 성공하지 못했습니다. 예를 들어 매크로 지표는 그리드가 필요하지 않습니다. 정확하게 해석하면 손으로 거래할 수 있기 때문입니다. 뉴스는 지표가 아닙니다. 첫째, 뉴스에 대한 반응은 사실 이후에 있을 것이고 우리는 뉴스가 이미 나오기 전에 움직임을 예측하고 결정을 내리기를 원합니다. 둘째, 뉴스에 대한 반응은 예측할 수 없습니다. 예: 일본 지진 - 엔화는 더 나빠져야 할 것 같지만 실제로는 엔화에 대한 수요가 증가했으며 종종 뉴스가 부정적인 것처럼 보이지만 덜 부정적입니다. 예상보다 높아 시장 상승 등의 원인으로 지목되고 있다. 일반적으로 모든 것이 이미 시도되었습니다. 성공한 사람들(있을 경우)은 여기에 앉지 않습니다. 그리고 그들은 노하우를 공유하지 않습니다.
우리는 시장에서 네트워크에 대한 논의를 계속합니다. 우리 뇌의 시각 피질을 예로 들어 보겠습니다. 이 피질의 V1 층에만 1억 4천만 개의 뉴런이 있으며 6개의 층만 있습니다. 이 모든 뉴런은 정보를 병렬로 처리하고 수십억 개의 적응 시냅스를 통해 상호 연결됩니다. 거래자가 처분할 수 있는 컴퓨터는 최대 1000개의 GPU 코어를 가질 수 있습니다. 즉, 시각 피질의 작업을 모방하기 위해 각 코어는 실시간으로 수십만 개의 뉴런을 계산해야 합니다. 그러한 네트워크를 훈련하는 데는 약 1년이 걸립니다. 그리고 이 모든 것은 세상을 보고 이미지를 인식하기 위한 것입니다. 우리가 이 네트워크를 성공적으로 훈련시킨다 하더라도 우리는 시각적 정보 이상을 사용하기 때문에 여전히 우리와 동일한 객체 인식 정확도를 달성하지 못할 것입니다. 예를 들어 인공 네트워크에서 가장 어려운 작업 중 하나는 그림자 인식입니다. 우리는 빛의 속성에 익숙하기 때문에 이것은 사소한 일입니다. 그러나 네트워크는 이러한 빛의 속성을 알지 못하며 이러한 속성을 가르치지 않으면 네트워크 자체에서 설정할 수 없습니다. 네트워크는 또한 객체 투명도 등에 익숙하지 않습니다. 이제 시각적 정보보다 훨씬 더 많은 노이즈가 있고 개체(가격 패턴)가 훨씬 더 왜곡되는 시장을 생각해 보십시오. 그리고 우리는 수십 개의 뉴런이 과거 가격을 보고 시장 패턴을 설정하기를 원합니다. 재미있지, 그렇지?
우리는 시장에서 네트워크에 대한 논의를 계속합니다. 뇌의 시각 피질을 예로 들어 보겠습니다. 이 피질의 V1 층에만 1억 4천만 개의 뉴런이 있으며 6개의 층만 있습니다. 이 모든 뉴런은 정보를 병렬로 처리하고 수십억 개의 적응 시냅스를 통해 상호 연결됩니다. 거래자가 처분할 수 있는 컴퓨터는 최대 1000개의 GPU 코어를 가질 수 있습니다. 즉, 시각 피질의 작업을 모방하기 위해 각 코어는 실시간으로 수십만 개의 뉴런을 계산해야 합니다. 그러한 네트워크를 훈련하는 데는 약 1년이 걸립니다. 그리고 이 모든 것은 세상을 보고 이미지를 인식하기 위한 것입니다. 우리가 이 네트워크를 성공적으로 훈련시킨다 하더라도 우리는 시각적 정보 이상을 사용하고 있기 때문에 여전히 우리와 동일한 객체 인식 정확도를 달성하지 못할 것입니다. 예를 들어 인공 네트워크에서 가장 어려운 작업 중 하나는 그림자 인식입니다. 우리는 빛의 속성에 익숙하기 때문에 이것은 사소한 일입니다. 그러나 네트워크는 이러한 빛의 속성을 알지 못하며 이러한 속성을 가르치지 않으면 네트워크 자체에서 설정할 수 없습니다. 네트워크는 또한 객체 투명도 등에 익숙하지 않습니다. 이제 시각적 정보보다 훨씬 더 많은 노이즈가 있고 개체(가격 패턴)가 훨씬 더 왜곡되는 시장을 생각해 보십시오. 그리고 우리는 수십 개의 뉴런이 과거 가격을 보고 시장 패턴을 설정하기를 원합니다. 재미있지, 그렇지?
다른 예를 들겠습니다.
RBC 웹사이트에 가보니 오늘 137개의 뉴스가 써져 있었는데 3개는 루블 환율에 실제로 영향을 미쳤을 수도 있고 더군다나 뉴스에 언급되지 않은 영향이 있을 가능성이 매우 큽니다.
즉, 입력 스트림을 잘 필터링하는 방법을 배워야 할 뿐만 아니라 입력 스트림에 특정 가격 변동의 이유를 설명하는 정보가 포함되어 있지 않을 수도 있습니다.
일반적으로 따뜻한 것과 부드러운 것을 혼동하지 마십시오. 기계는 원래 단조롭고 학습된 인간 노동을 대체하기 위해 만들어졌습니다. 우리가 무역의 영역을 취한다면, 대다수의 참가자들은 그들이 하는 일에 대해 거의 이해하지 못하고 있으며, 이는 실제로 결과에 반영됩니다. 미래의 결과를 보장하는 분명한 원칙은 없습니다. M3 달러와 SP500의 역동성을 취하면 Buy&Hold 전략도 손실을 보고 있음을 알 수 있습니다. 그렇다면 기계는 무엇을해야합니까 - 또한 단조롭게 ...
예술을 위한 예술이지만 삶에 대한 권리도 있습니다.