1) 이 경우 가장 중요한 것은 소프트웨어 구현 방식이 아니라 아이디어다. 그 생각은 위의 St. 레마; 2) 아무도 실제로 작동하는 네트워크의 소스 코드를 공짜로 제공하지 않을 가능성이 큽니다. 3) 기성품 신경망 프로그램에 관하여: "모든 것에 대한 일반 이론"을 만드는 것은 불가능합니다. 따라서 목표가 실행 가능한 것을 개발하는 것이라면 아무도 아이디어를 독립적으로 구현하지 않아도 됩니다. 이러한 이유로 예를 들어 강력한 도구가 있는 Matlab조차도 저에게 적합하지 않았습니다. 물론 NSDT는 Matlab 수준에 도달하지 못했습니다.
예시.
바로 예약하겠습니다. 가격 자체에 대한 온갖 예측, 특히 소수점 셋째 자리나 넷째 자리까지의 예측은 당연히 무의미하다고 생각합니다. 내 생각에 그러한 구성은 자기기만에 불과합니다. 대신, 누군가가 이미 로컬 스레드 중 하나에서 제안한 것처럼 시작 가격 움직임을 조기에 인식하여 미리 결정된 포인트 이상을 통과하도록 시도할 수 있습니다. 이 수치는 이전 가격 행동의 분석을 기반으로 결정될 수 있습니다.
작업 가설: 강력한 가격 움직임에는 일종의 재현 가능한 "선구자"가 있습니다. "시장에서" 작업하면서 이러한 "선구자"를 인식하도록 네트워크를 가르칠 수 있습니다.
네트워크 장치(큰 네트워크의 주요 구조 단위인 St. Lem 용어의 "수정", 즉 "구름")는 일반적으로 다음과 같습니다.
- 입력, 중간 및 출력 레이어의 전달 함수 유형 및 매개변수를 선택할 수 있는 기능이 있는 하나의 출력이 있는 다층 자동 적응형 압축 Oia 네트워크. 이러한 네트워크는 적응 저장 및 입력 벡터 분류 기능을 동시에 수행할 수 있습니다.
- 레이어의 수는 입력 벡터의 차원에 의해 결정됩니다. 네트워크는 작업 배열을 정의하고 초기화/읽음으로써 자동으로 생성됩니다.
- 은닉층의 뉴런 수는 1/(2^N)("결정적 결정") 또는 1/N("기억 결정") 법칙에 따라 N이 증가함에 따라 점진적으로 감소합니다.
- 숨겨진 레이어의 비선형성 매개변수는 레이어 번호에 따라 달라질 수 있습니다.
- "클라우드"를 형성하기 위해 다른 "수정"과 통신하기 위한 전환 가능한 내부 피드백 모드 및 전환 가능한 외부 입력이 있습니다.
가장 중요하고 미묘한 점 중 하나는 입력 벡터의 형성입니다. 지금까지는 네트워크의 기능을 테스트하고 제어하기 위해 일반적으로 허용되는 방식으로 구성됩니다. y[] = (x[] - mean(x[])) / sigma(x[]). (문제의 이 부분은 아직 완전히 해결되지 않았습니다.)
네트워크는 휴리스틱 규칙에 따라 사실 이후 "훈련"됩니다. 가격이 주어진 포인트 수를 지나면 가중치를 특정 수만큼 뒤로 이동한 가중치로 조정하라는 명령이 내려집니다. "선행", 입력 벡터; 따라서 네트워크는 이전에 축적된 정보를 고려하여 이를 "기억"합니다. 이러한 방식으로 훈련된 네트워크는 "선구자"를 인식하여 실시간으로 거래 신호를 발행할 수 있다고 가정합니다. 그 사이에 "별도의 수정이 튀는 것만큼 날지 못했다..."(같은 책 참조).
출력의 해석 및 "클라우드"자체의 자동 형성, 즉 신경위원회는 아직 구현되지 않았습니다. 아직까지 특별히 아름다운 사진도 없습니다.
개인적으로 이 접근 방식은 나에게 유망한 것 같습니다. 다시 한 번 말씀드립니다. 위의 모든 내용은 순전히 개인적인 의견입니다.
"Oya 네트워크"는 여기에서 "Oya 규칙에 따라 가중치가 조정된 net"의 약어일 뿐입니다. Oya 규칙 자체는 조정 과정에서 자동 정규화에 의한 가중치의 무한한 성장을 제외하고 Hebb 규칙의 수정입니다. 이 경우 가중치 벡터의 끝은 대략 단위 하이퍼스피어 내에 위치합니다. 예를 들어 다음을 볼 수 있습니다. A.A. Ezhov, S.V. 슘스키. "뉴로컴퓨팅과 경제 및 비즈니스에서의 응용". M., 1998(강의 - 인터넷에서 pdf 형식으로 제공됨). 초보자에게는 다소 어렵지만 매우 좋은 책이기도 합니다. Stanislav Osovsky. "정보 처리를 위한 신경망 ". M., "재무 및 통계", 2002(인터넷에서 djvu 형식으로 사용 가능). 네트워크에 관한 다른 많은 문헌이 인터넷을 돌아다닙니다.
"믿는 자는 복이 있나니 세상에서 그에게 따뜻함이 있도다" ...
"Блажен, кто верует, тепло тому на свете"...
젠장, 스레드의 세 페이지와 질문에 대한 단일 답변을받지 못했습니다. 도움이 어렵습니까? 나는 결국 진짜에 대해 묻고 또 묻습니다. 커뮤니티 감사합니다.
"믿는 자는 복이 있나니 세상에 따뜻함이 있음이로다"…
젠장, 스레드의 세 페이지와 질문에 대한 단일 답변을받지 못했습니다. 도움이 어렵습니까? 나는 결국 진짜에 대해 묻고 묻습니다. 커뮤니티 감사합니다.
당신은 이것을 거부할 수 없습니다. 그들은 장점에 대해 말하지 않고 주제를 지지하는 방법을 알고 있습니다.
sayfuji 당신은 적어도 친구를 조금 사귈 것입니다, 검색을 사용합니다. 여기에 신경망에 대한 많은 스레드가 있습니다.
여기에서 볼 수도 있습니다. 이 포럼을 방문하는 매우 유명하고 존경받는 방문자이기도 합니다.
http://fxreal.ru/forums/index.php
나는 모든 책임을 가지고 질문에 접근했고 존경받는 LeoV만이 대화를 이어갔지만 질문의 본질에는 대답하지 않았습니다. 한동안 alp..ri 포럼에서 살았기 때문에 그의 지식과 기술에 대해 의심의 여지가 없었기 때문에 그의 답변을 기다리고 있었지만 거기에는 없었습니다.
PS Prival, 지점은 정말 좋습니다. 저는 몇 달 동안 그 지점에서 살고 있습니다. 젊은 남자
1) 이 경우 가장 중요한 것은 소프트웨어 구현 방식이 아니라 아이디어다. 그 생각은 위의 St. 레마;
2) 아무도 실제로 작동하는 네트워크의 소스 코드를 공짜로 제공하지 않을 가능성이 큽니다.
3) 기성품 신경망 프로그램에 관하여: "모든 것에 대한 일반 이론"을 만드는 것은 불가능합니다. 따라서 목표가 실행 가능한 것을 개발하는 것이라면 아무도 아이디어를 독립적으로 구현하지 않아도 됩니다. 이러한 이유로 예를 들어 강력한 도구가 있는 Matlab조차도 저에게 적합하지 않았습니다. 물론 NSDT는 Matlab 수준에 도달하지 못했습니다.
예시.
바로 예약하겠습니다. 가격 자체에 대한 온갖 예측, 특히 소수점 셋째 자리나 넷째 자리까지의 예측은 당연히 무의미하다고 생각합니다. 내 생각에 그러한 구성은 자기기만에 불과합니다. 대신, 누군가가 이미 로컬 스레드 중 하나에서 제안한 것처럼 시작 가격 움직임을 조기에 인식하여 미리 결정된 포인트 이상을 통과하도록 시도할 수 있습니다. 이 수치는 이전 가격 행동의 분석을 기반으로 결정될 수 있습니다.
작업 가설: 강력한 가격 움직임에는 일종의 재현 가능한 "선구자"가 있습니다. "시장에서" 작업하면서 이러한 "선구자"를 인식하도록 네트워크를 가르칠 수 있습니다.
네트워크 장치(큰 네트워크의 주요 구조 단위인 St. Lem 용어의 "수정", 즉 "구름")는 일반적으로 다음과 같습니다.
- 입력, 중간 및 출력 레이어의 전달 함수 유형 및 매개변수를 선택할 수 있는 기능이 있는 하나의 출력이 있는 다층 자동 적응형 압축 Oia 네트워크. 이러한 네트워크는 적응 저장 및 입력 벡터 분류 기능을 동시에 수행할 수 있습니다.
- 레이어의 수는 입력 벡터의 차원에 의해 결정됩니다. 네트워크는 작업 배열을 정의하고 초기화/읽음으로써 자동으로 생성됩니다.
- 은닉층의 뉴런 수는 1/(2^N)("결정적 결정") 또는 1/N("기억 결정") 법칙에 따라 N이 증가함에 따라 점진적으로 감소합니다.
- 숨겨진 레이어의 비선형성 매개변수는 레이어 번호에 따라 달라질 수 있습니다.
- "클라우드"를 형성하기 위해 다른 "수정"과 통신하기 위한 전환 가능한 내부 피드백 모드 및 전환 가능한 외부 입력이 있습니다.가장 중요하고 미묘한 점 중 하나는 입력 벡터의 형성입니다. 지금까지는 네트워크의 기능을 테스트하고 제어하기 위해 일반적으로 허용되는 방식으로 구성됩니다. y[] = (x[] - mean(x[])) / sigma(x[]). (문제의 이 부분은 아직 완전히 해결되지 않았습니다.)
네트워크는 휴리스틱 규칙에 따라 사실 이후 "훈련"됩니다. 가격이 주어진 포인트 수를 지나면 가중치를 특정 수만큼 뒤로 이동한 가중치로 조정하라는 명령이 내려집니다. "선행", 입력 벡터; 따라서 네트워크는 이전에 축적된 정보를 고려하여 이를 "기억"합니다. 이러한 방식으로 훈련된 네트워크는 "선구자"를 인식하여 실시간으로 거래 신호를 발행할 수 있다고 가정합니다. 그 사이에 "별도의 수정이 튀는 것만큼 날지 못했다..."(같은 책 참조).
출력의 해석 및 "클라우드"자체의 자동 형성, 즉 신경위원회는 아직 구현되지 않았습니다. 아직까지 특별히 아름다운 사진도 없습니다.
개인적으로 이 접근 방식은 나에게 유망한 것 같습니다. 다시 한 번 말씀드립니다. 위의 모든 내용은 순전히 개인적인 의견입니다.
나는 모든 책임을 가지고 질문에 접근했고 존경받는 LeoV만이 대화를 이어갔지만 질문의 본질에는 대답하지 않았습니다. 한동안 alp..ri 포럼에서 살았기 때문에 그의 지식과 기술에 대해 의심의 여지가 없었기 때문에 그의 답변을 기다리고 있었지만 거기에는 없었습니다.
PS Prival, 지점은 정말 좋습니다. 저는 몇 달 동안 그 지점에서 살고 있습니다. 젊은 남자
실제로 무엇에 불만이 있습니까? Leov는 귀하가 원래 질문한 주관적인 질문에 답했지만, 귀하는 그 반대를 주장하려고 합니다. 그리고 그가 소스 코드를 공유하지 않았고 다른 세부 사항을 명확히하지 않았다는 사실은 그의 책임이 아닙니다.
일부 포럼 사용자가 하는 것처럼 좀 더 무례하게 질문하십시오. "자, 엄청난 이익을 주는 신경망의 출처를 보여주세요." 그리고 적절한 답변을 얻으십시오.