그러나 여러 단계를 통해 전문 분야 교육에 뛰어들 수는 없습니다. 이것으로는 의미가 없습니다 ...
신경망은 그 자체로 "정확한 출력"을 제공하지 않습니다. 이것은 마술 지팡이가 아닙니다. 신경망 없이도 괜찮은 결과를 얻을 수 있는 거래 전략에 대한 올바른 아이디어가 필요합니다...
나는 그 아이디어에 대해 논쟁하지 않습니다. 물론 그것은 필요합니다. 그러나 신경망은 또한 아이디어를 빠르게 테스트하거나 최소한 이동할 방법을 찾는 데 도움이 될 것입니다. 예를 들어, 모두 +를 표시하는 표준 오실레이터의 11개 입력이 아무 것도 제공하지 않는다는 것을 이미 보았습니다. 마찬가지로, 그녀는 하나의 항목으로 거래할 수 있습니다.
점프에 대한 당신의 말이 옳습니다. 이것은 제 전문 분야가 아닙니다. 저는 수학자나 프로그래머도 아닙니다. 다행히도 이 클래스와 같은 기성 솔루션이 이미 존재하기 때문에 신경망이 무엇인지, 어떤 역할을 하는지 이해하는 것은 상당히 비유적입니다. 그런 다음 시장에 대한 이해를 바탕으로 몇 가지 아이디어를 테스트하고 실험하십시오.
Maxim Dmitrievsky : 이 모든 것에서 나는 가장 중요한 것이 올바른 입력이라는 것을 깨달았습니다. 그것에 대해 생각할 필요가 있습니다.
입구에 대해 - 예. 그러나 여기서 요점은 "좋은" 입력 세트를 즉시 만드는 것이 불가능하다는 것입니다. 그들을 인식하는 방법? 많은 입력을 만든 다음 정보 입력 벡터를 선택하는 절차를 만들어야 합니다. 그리고 이미 네트워크를 훈련시키기 위해 사용 중입니다. 또한 정보 입력(경우의 90%)을 찾으면 모델이 일종의 규칙 형성 알고리즘을 기반으로 구축될 수 있고 블랙 박스를 찌르지 않을 수 있기 때문에 네트워크가 완전히 필요하지 않게 됩니다.
중독에 대해. 네트워크는 중독의 형태에 대한 이해를 제공하지 않습니다. 처음부터 그렇게 설계된 것은 아닙니다. 그리고 다시 이전 요점으로 돌아갑니다. 유익한 신호를 찾고 통계적으로 중요한 규칙을 만들어야 합니다.
대본을 원하시면 더 말씀드릴 수 있어요) 네 제가 지금 복무중이라 설명에 많은 시간을 할애할 수는 없지만 오늘은 뽈뽈뽈뽈뽈뽈뽈뽈뽈뽈뽈뽈뽈뽈뽈뽈 ))
입구에 대해 - 예. 그러나 여기서 요점은 "좋은" 입력 세트를 즉시 만드는 것이 불가능하다는 것입니다. 그들을 인식하는 방법? 많은 입력을 만든 다음 정보 입력 벡터를 선택하는 절차를 만들어야 합니다. 그리고 이미 네트워크를 훈련하기 위해 그것에 있습니다. 또한 정보 입력(경우의 90%)을 찾으면 모델이 일종의 규칙 형성 알고리즘을 기반으로 구축될 수 있고 블랙 박스를 찌르지 않을 수 있기 때문에 네트워크가 완전히 필요하지 않게 됩니다.
중독에 대해. 네트워크는 중독의 형태에 대한 이해를 제공하지 않습니다. 처음부터 그렇게 설계된 것은 아닙니다. 그리고 다시 이전 요점으로 돌아갑니다. 유익한 신호를 찾고 통계적으로 중요한 규칙을 만들어야 합니다.
대본을 원하시면 더 말씀드릴 수 있어요) 네 제가 지금 복무중이라 설명에 많은 시간을 할애할 수는 없지만 오늘은 뽈뽈뽈뽈뽈뽈뽈뽈뽈뽈뽈뽈뽈뽈뽈뽈 ))
일반적으로 내 아이디어는 처음에 다음과 같습니다. 다른 TF에서 네트워크를 훈련시킨 다음 작은 TF에서 큰 신호로 신호를 필터링합니다. 그리드가 잘못된 입력의 일정 비율(예: 50~50)을 제공한다는 점을 감안할 때 이에 대한 통계적 이점을 얻으십시오. 일부 특정 정성적 패턴에서 제외되지만 접시에 많은 수의 신호가 번집니다. 그리고 내부에서 무슨 일이 일어나고 있는지는 중요하지 않습니다. 신경망이 모든 것을 간소화하려고 노력하는 것이 중요합니다. 그러나 OpenCl이 없으면 매우 오랫동안 작동하지 않습니다. 그리고 기사 에 설명된 대로 navreno, 3세대 네트워크가 여기에 필요합니다.
일반적으로 귀하의 의견은 물론 흥미롭습니다. 나는 앞서 제안한 지표로 땜질하려고 노력할 것입니다. 지그재그(2개의 출구)와 짝을 이루면 불명확한 것이 나옵니다. 입력 수를 줄이고 출력에만 남겨 둡니다.
일반적으로 내 아이디어는 처음에 다음과 같습니다. 다른 TF에서 네트워크를 훈련시킨 다음 작은 TF에서 큰 신호로 신호를 필터링합니다. 그리드가 잘못된 입력의 일정 비율(예: 50~50)을 제공한다는 점을 감안할 때 이에 대한 통계적 이점을 얻으십시오. 일부 특정 정성적 패턴에서 제외되지만 접시에 많은 수의 신호가 번집니다. 그리고 내부에서 무슨 일이 일어나고 있는지는 중요하지 않습니다. 신경망이 모든 것을 간소화하려고 노력하는 것이 중요합니다. 그러나 OpenCl이 없으면 매우 오랫동안 작동하지 않습니다. 그리고 기사 에 설명된 대로 navreno, 3세대 네트워크가 여기에 필요합니다.
일반적으로 귀하의 의견은 물론 흥미롭습니다. 나는 앞서 제안한 지표로 땜질하려고 노력할 것입니다. 지그재그(2개의 출구)와 짝을 이루면 불명확한 것이 나옵니다. 입력 수를 줄이고 출력에만 남겨 둡니다.
정보 표시 또는 기능 선택에 대해 읽으십시오. 네트워크에 공급하는 것이 이것이 최선의 접근 방식이 아닌 이유는 명확하지 않습니다.
나는 예를 든다:
직장에서 입력에서 10개의 이산 변수에 대한 이진 분류기 모델을 개발했습니다. 76개의 기능 중에서 교묘하게 선택했습니다. 소위의 예측. 다수 - 몫이 훨씬 크면 1입니다. 분류기의 품질은 76개의 변수로 구성된 전체 기능 벡터를 사용하여 150개의 트리로 구성된 랜덤 포레스트보다 나쁘지 않은 것으로 나타났습니다! 또한 사람이 읽을 수 있는 규칙은 간단한 모델로 구성되어 있으며 포리스트는 다크 박스입니다.
그런데 기존의 다층 퍼셉트론은 훈련된 네트워크에서 가중치를 분석하여 특징을 선택하는 데 사용할 수 있습니다. 네트워크가 상호 모순되는 입력-출력 쌍에서 상관 입력에 대해 더 나쁘게 학습한다는 것을 알고 있을 것입니다. 여기에서 잘못된 입력을 제거하려면 선별해야 합니다.
Алексей : 정보 표시 또는 기능 선택에 대해 읽으십시오. 네트워크에 공급하는 것이 이것이 최선의 접근 방식이 아닌 이유는 명확하지 않습니다.
나는 예를 든다:
직장에서 입력에서 10개의 이산 변수에 대한 이진 분류기 모델을 개발했습니다. 76가지 기능 중에서 교묘하게 선택했습니다. 소위의 예측. 대다수 - 사람의 몫이 훨씬 더 크면 하나입니다. 분류기의 품질은 76개의 변수로 구성된 전체 기능 벡터를 사용하여 150개의 트리로 구성된 랜덤 포레스트보다 나쁘지 않은 것으로 나타났습니다! 또한 사람이 읽을 수 있는 규칙은 간단한 모델로 구성되어 있으며 포리스트는 다크 박스입니다.
그런데 기존의 다층 퍼셉트론은 훈련된 네트워크에서 가중치를 분석하여 특징을 선택하는 데 사용할 수 있습니다. 네트워크가 상호 모순되는 입력-출력 쌍에서 상관 입력에 대해 더 나쁘게 학습한다는 것을 알고 있을 것입니다. 여기서 잘못된 입력을 제거하려면 선별해야 합니다.
네, 이것을 차원의 저주라고 하는 것 같습니다. :) 사실 제 경우에는 입력에 동일한 오실레이터가 많이 있는 경우 이 모든 것을 제거하고 그대로 두어야 합니다.
또 다른 질문 - 입력에 대한 데이터를 정규화할 때 전체 세트의 최대값과 최소값을 고려하여 모든 벡터를 동시에 한 주기로 정규화하거나 최대 및 각 특정 벡터의 최소값?
아무도 생각하지 않았어, 그냥 재미있다고 생각했을 뿐이야)
이것이 흥미롭다는 사실은 아무도 주장하지 않습니다!
그러나 여러 단계를 통해 전문 분야 교육에 뛰어들 수는 없습니다. 이것으로는 의미가 없습니다 ...
신경망은 그 자체로 "정확한 출력"을 제공하지 않습니다. 이것은 마술 지팡이가 아닙니다. 신경망 없이도 괜찮은 결과를 얻을 수 있는 거래 전략에 대한 올바른 아이디어가 필요합니다...
이것이 흥미롭다는 사실은 아무도 주장하지 않습니다!
그러나 여러 단계를 통해 전문 분야 교육에 뛰어들 수는 없습니다. 이것으로는 의미가 없습니다 ...
신경망은 그 자체로 "정확한 출력"을 제공하지 않습니다. 이것은 마술 지팡이가 아닙니다. 신경망 없이도 괜찮은 결과를 얻을 수 있는 거래 전략에 대한 올바른 아이디어가 필요합니다...
나는 그 아이디어에 대해 논쟁하지 않습니다. 물론 그것은 필요합니다. 그러나 신경망은 또한 아이디어를 빠르게 테스트하거나 최소한 이동할 방법을 찾는 데 도움이 될 것입니다. 예를 들어, 모두 +를 표시하는 표준 오실레이터의 11개 입력이 아무 것도 제공하지 않는다는 것을 이미 보았습니다. 마찬가지로, 그녀는 하나의 항목으로 거래할 수 있습니다.
점프에 대한 당신의 말이 옳습니다. 이것은 제 전문 분야가 아닙니다. 저는 수학자나 프로그래머도 아닙니다. 다행히도 이 클래스와 같은 기성 솔루션이 이미 존재하기 때문에 신경망이 무엇인지, 어떤 역할을 하는지 이해하는 것은 상당히 비유적입니다. 그런 다음 시장에 대한 이해를 바탕으로 몇 가지 아이디어를 테스트하고 실험하십시오.
이제 신경망에 대한 주제를 찾아보겠습니다. ....오랫동안 4위였습니다.
http://forum.mql4.com/ru/38550
입구에서 약간의 시차를 두고 가격차이를 적용했습니다.(주문은 몇시간 정도 소요됩니다.) 출력에서 앞으로 몇 시간 동안의 예측은 바이너리 플러스 또는 마이너스입니다.
네트워크는 모두 아키텍처를 열거하여 얻습니다.
주요 문제는 몇 가지 정방향 테스트를 결합하는 것이었습니다. 이것은 잘 자동화되어야 합니다.
이 모든 것에서 나는 가장 중요한 것이 올바른 입력이라는 것을 깨달았습니다. 그것에 대해 생각할 필요가 있습니다.
입구에 대해 - 예. 그러나 여기서 요점은 "좋은" 입력 세트를 즉시 만드는 것이 불가능하다는 것입니다. 그들을 인식하는 방법? 많은 입력을 만든 다음 정보 입력 벡터를 선택하는 절차를 만들어야 합니다. 그리고 이미 네트워크를 훈련시키기 위해 사용 중입니다. 또한 정보 입력(경우의 90%)을 찾으면 모델이 일종의 규칙 형성 알고리즘을 기반으로 구축될 수 있고 블랙 박스를 찌르지 않을 수 있기 때문에 네트워크가 완전히 필요하지 않게 됩니다.
중독에 대해. 네트워크는 중독의 형태에 대한 이해를 제공하지 않습니다. 처음부터 그렇게 설계된 것은 아닙니다. 그리고 다시 이전 요점으로 돌아갑니다. 유익한 신호를 찾고 통계적으로 중요한 규칙을 만들어야 합니다.
대본을 원하시면 더 말씀드릴 수 있어요) 네 제가 지금 복무중이라 설명에 많은 시간을 할애할 수는 없지만 오늘은 뽈뽈뽈뽈뽈뽈뽈뽈뽈뽈뽈뽈뽈뽈뽈뽈 ))
입구에 대해 - 예. 그러나 여기서 요점은 "좋은" 입력 세트를 즉시 만드는 것이 불가능하다는 것입니다. 그들을 인식하는 방법? 많은 입력을 만든 다음 정보 입력 벡터를 선택하는 절차를 만들어야 합니다. 그리고 이미 네트워크를 훈련하기 위해 그것에 있습니다. 또한 정보 입력(경우의 90%)을 찾으면 모델이 일종의 규칙 형성 알고리즘을 기반으로 구축될 수 있고 블랙 박스를 찌르지 않을 수 있기 때문에 네트워크가 완전히 필요하지 않게 됩니다.
중독에 대해. 네트워크는 중독의 형태에 대한 이해를 제공하지 않습니다. 처음부터 그렇게 설계된 것은 아닙니다. 그리고 다시 이전 요점으로 돌아갑니다. 유익한 신호를 찾고 통계적으로 중요한 규칙을 만들어야 합니다.
대본을 원하시면 더 말씀드릴 수 있어요) 네 제가 지금 복무중이라 설명에 많은 시간을 할애할 수는 없지만 오늘은 뽈뽈뽈뽈뽈뽈뽈뽈뽈뽈뽈뽈뽈뽈뽈뽈 ))
일반적으로 내 아이디어는 처음에 다음과 같습니다. 다른 TF에서 네트워크를 훈련시킨 다음 작은 TF에서 큰 신호로 신호를 필터링합니다. 그리드가 잘못된 입력의 일정 비율(예: 50~50)을 제공한다는 점을 감안할 때 이에 대한 통계적 이점을 얻으십시오. 일부 특정 정성적 패턴에서 제외되지만 접시에 많은 수의 신호가 번집니다. 그리고 내부에서 무슨 일이 일어나고 있는지는 중요하지 않습니다. 신경망이 모든 것을 간소화하려고 노력하는 것이 중요합니다. 그러나 OpenCl이 없으면 매우 오랫동안 작동하지 않습니다. 그리고 기사 에 설명된 대로 navreno, 3세대 네트워크가 여기에 필요합니다.
일반적으로 귀하의 의견은 물론 흥미롭습니다. 나는 앞서 제안한 지표로 땜질하려고 노력할 것입니다. 지그재그(2개의 출구)와 짝을 이루면 불명확한 것이 나옵니다. 입력 수를 줄이고 출력에만 남겨 둡니다.
그리고 나는 누군가가 이동 평균에서 지속적으로 돈을 벌 것이라는 말을 듣지 못했습니다)
모든 패턴이 선형 지표 에 비해 지연된다는 것을 알고 있습니다. 이 경우 신경망은 쓸모가 없습니다.
일반적으로 내 아이디어는 처음에 다음과 같습니다. 다른 TF에서 네트워크를 훈련시킨 다음 작은 TF에서 큰 신호로 신호를 필터링합니다. 그리드가 잘못된 입력의 일정 비율(예: 50~50)을 제공한다는 점을 감안할 때 이에 대한 통계적 이점을 얻으십시오. 일부 특정 정성적 패턴에서 제외되지만 접시에 많은 수의 신호가 번집니다. 그리고 내부에서 무슨 일이 일어나고 있는지는 중요하지 않습니다. 신경망이 모든 것을 간소화하려고 노력하는 것이 중요합니다. 그러나 OpenCl이 없으면 매우 오랫동안 작동하지 않습니다. 그리고 기사 에 설명된 대로 navreno, 3세대 네트워크가 여기에 필요합니다.
일반적으로 귀하의 의견은 물론 흥미롭습니다. 나는 앞서 제안한 지표로 땜질하려고 노력할 것입니다. 지그재그(2개의 출구)와 짝을 이루면 불명확한 것이 나옵니다. 입력 수를 줄이고 출력에만 남겨 둡니다.
직장에서 입력에서 10개의 이산 변수에 대한 이진 분류기 모델을 개발했습니다. 76개의 기능 중에서 교묘하게 선택했습니다. 소위의 예측. 다수 - 몫이 훨씬 크면 1입니다. 분류기의 품질은 76개의 변수로 구성된 전체 기능 벡터를 사용하여 150개의 트리로 구성된 랜덤 포레스트보다 나쁘지 않은 것으로 나타났습니다! 또한 사람이 읽을 수 있는 규칙은 간단한 모델로 구성되어 있으며 포리스트는 다크 박스입니다.
그런데 기존의 다층 퍼셉트론은 훈련된 네트워크에서 가중치를 분석하여 특징을 선택하는 데 사용할 수 있습니다. 네트워크가 상호 모순되는 입력-출력 쌍에서 상관 입력에 대해 더 나쁘게 학습한다는 것을 알고 있을 것입니다. 여기에서 잘못된 입력을 제거하려면 선별해야 합니다.
정보 표시 또는 기능 선택에 대해 읽으십시오. 네트워크에 공급하는 것이 이것이 최선의 접근 방식이 아닌 이유는 명확하지 않습니다.
직장에서 입력에서 10개의 이산 변수에 대한 이진 분류기 모델을 개발했습니다. 76가지 기능 중에서 교묘하게 선택했습니다. 소위의 예측. 대다수 - 사람의 몫이 훨씬 더 크면 하나입니다. 분류기의 품질은 76개의 변수로 구성된 전체 기능 벡터를 사용하여 150개의 트리로 구성된 랜덤 포레스트보다 나쁘지 않은 것으로 나타났습니다! 또한 사람이 읽을 수 있는 규칙은 간단한 모델로 구성되어 있으며 포리스트는 다크 박스입니다.
그런데 기존의 다층 퍼셉트론은 훈련된 네트워크에서 가중치를 분석하여 특징을 선택하는 데 사용할 수 있습니다. 네트워크가 상호 모순되는 입력-출력 쌍에서 상관 입력에 대해 더 나쁘게 학습한다는 것을 알고 있을 것입니다. 여기서 잘못된 입력을 제거하려면 선별해야 합니다.
네, 이것을 차원의 저주라고 하는 것 같습니다. :) 사실 제 경우에는 입력에 동일한 오실레이터가 많이 있는 경우 이 모든 것을 제거하고 그대로 두어야 합니다.
또 다른 질문 - 입력에 대한 데이터를 정규화할 때 전체 세트의 최대값과 최소값을 고려하여 모든 벡터를 동시에 한 주기로 정규화하거나 최대 및 각 특정 벡터의 최소값?
이것이 흥미롭다는 사실은 아무도 주장하지 않습니다!
그러나 여러 단계를 통해 전문 분야 교육에 뛰어들 수는 없습니다. 이것으로는 의미가 없습니다 ...
신경망은 그 자체로 "정확한 출력"을 제공하지 않습니다. 이것은 마술 지팡이가 아닙니다.
신경망 없이도 괜찮은 결과를 얻을 수 있는 거래 전략에 대한 올바른 아이디어가 필요합니다...
그러면 뉴런이 필요하지 않습니다.