나는 그것을 고쳤다. 또한, 귀하의 승/패가 규범에 따라 분배되면 이것이 고정 금액에 해당한다는 의혹이 있습니다.
이제 나는 지는 트릭과 승리하는 트릭의 크기가 동일합니다. 이를 위해서는 전체 TS를 삽질하고 일정 금액의 뇌물을 위해 날카롭게해야했지만이 경우 정확한 분석 표현을 제공하는 최적의 MM의 모든 힘을 사용할 수 있으며 장기적으로 , 자금을 재투자 할 때 다른 TS는 이것과 다르지 않으며 더 많은 이익을주지 않습니다! 공정성을 위해 일반적으로 이 진술은 사실이 아니며 더 수익성 있는 전략이 존재하지만 추세 시장과 높은 수준의 예측 가능성( р >0.2)에 대해서만 적용되며 이는 시장에 대해 결코 사실이 아닙니다. 이 전략은 "손실을 수정하고 이익을 늘리는 것"입니다.
무화과에. 왼쪽에는 거래 레버리지 L 의 다양한 값에 대한 최적 TS의 이익의 로그를 보여주는 이미 친숙한 그림이 있습니다. 여기에서 시장과 동일한 호가(EURUSD)에 대한 TS 운영의 Monte Carlo 방법을 사용한 수치 시뮬레이션 결과는 커미션 - Sp 를 고려하여 결합됩니다. 평균화는 200개 이상의 독립적인 거래 세션에서 수행되며 각 세션에는 1000개의 거래가 포함됩니다. 시작 자본은 조건부로 1(ln(1)=0)로 간주되며 수염은 1/e 수준으로 거래 결과의 특징적인 스프레드를 보여줍니다. 파란색은 기본 거래 방정식의 분석 솔루션 결과를 보여줍니다.
...하나.
그건 그렇고, Edward Thorpe의 작업에서 "블랙잭, 스포츠 경품 및 주식 시장의 켈리 기준"입니다. 거래 종료 시 계정 잔액의 분산에 대한 분석 솔루션이 제공되어 n- 트랜잭션 완료 후 계정이 있을 가능성이 가장 높은 회랑의 너비를 추정할 수 있습니다. 그러나 Thorp는 그것을 도출할 때 실수를 했고 그 결과는 현실과 일치하지 않았다. 비슷한 종속성을 얻을 수 있었고 결과는 파란색 원으로 표시됩니다. 수치 실험의 결과와 매우 잘 일치함을 알 수 있습니다. 다음은 자금 재투자에 따른 거래 결과의 변동에 대한 표현입니다.
물론 트레이더인 우리의 주요 관심사는 완전한 파멸의 위험에 대한 분석입니다. 무화과에. 오른쪽은 현재 가치(파란색 선)의 일부로서 예금의 최대 감소를 수치 시뮬레이션한 결과입니다. 우리가 사용하는 레버리지가 클수록 계정 손실이 더 위험하다는 것을 알 수 있습니다. 이러한 최대 감소의 평균과 프로세스의 분산(빨간색 데이터)을 찾을 수 있습니다. 불행히도 이러한 입찰 과정의 특성에 대한 정보 내용은 실제로 존재하지 않습니다. 사실은 거래자가 시장에서 보낸 시간이 증가함에 따라 거래 수가 증가하고 그에 따라 파멸의 위험이 증가한다는 것입니다. 즉, 파멸의 사실은 시간 문제입니다! 그리고 우리가 거래할 때 어떤 신중한 전술을 사용하더라도 조만간 우리는 항상 파산하게 될 것입니다! 이것은 신뢰할 수 있습니다. 여기서 제 시간에 멈추고 크림을 걷어내는 것이 중요합니다. 어쨌든 최적의 MM은 TS의 측정된 매개변수(예측 가능성의 정도 -p 및 거래 범위 -H )에서 예금의 최대 성장률을 보장합니다. 예, 우리는 보증금을 잃을 것이지만 처음부터 시작할 것이며 일반적으로 우리 웰빙의 성장률(가능한 폐허를 고려하여)은 자연에서 가능한 최대가 될 것입니다!
최적의 MM은 TS가 양의 MO를 가지거나 p > 0인 경우에만 최대 예금 성장률을 보장한다는 것을 상기시켜 드리고 싶습니다. 예금 성장률(특성의 역수 예금 두 배 시간) 최적의 거래 레버리지 값에서 예측 p 의 신뢰성이 증가함에 따라 거래 범위가 크게 증가합니다.
- 매개변수의 네 번째 거듭제곱으로. 이러한 상황에서 예측의 가능한 가장 높은 신뢰성을 제공하는 그러한 TS를 구축하기 위해 최대한의 노력을 기울이는 것이 매우 중요하며, 이를 위해 NN의 힘(숨겨진 뉴런의 수 레이어), 그러면 목표가 비용을 지불하기 때문에 시간과 노력을 아끼지 않아도 됩니다. 음, TS 최적화의 목표는 기능의 최대값을 찾는 것입니다.
........................... 4.
H -trading horizon이라는 하나의 매개변수만 열거하여 검색한 다음 이에 해당하는 예측 신뢰도를 계산합니다. -p . 발견된 값 H 는 최적으로 간주되며 일반적인 시장 추세에 변화가 있을 때까지 거래됩니다. 시장은 지속적으로 모니터링됩니다. 다행히 분석 솔루션이 있는 경우 리소스를 많이 사용하지 않습니다.
자금을 재투자할 때 "Bernoulli" TS가 최적인 것으로 나타났습니다. 거래 결과를 바탕으로 기능을 극대화하여 찾은 SL 및 TP 주문이 Hopt 와 동일하고 동일한 TS입니다. 동시에 최적의 거래 레버리지 Lopt 가 있어 최대 예금 성장률을 제공하므로 다른 MM은 장기간에 걸쳐 더 적은 이익을 얻을 수 있습니다.
이에 대해 하나의 도구로 작업할 때 최적의 MM에 대한 주제는 이론적으로 해결된 것으로 간주하고 실제 구현에 가져올 수 있습니다. 선택한 거래 범위 Hopt 에서 가격 증분 예측의 신뢰성을 극대화하는 문제는 여전히 열려 있습니다. 분명히 이 작업은 각 트랜잭션에 대해 재훈련 블록이 있는 신경망을 위한 것입니다.
이제 NN의 최적 진입 문제를 해결하고 있습니다. 물론, 그리드 자체가 무엇이 가장 좋은지 결정하기를 바라는 마음으로 가능한 칠면조를 입구에 어리석게 둘 수 있습니다 ... 그러나 앉아서 "시장에서 최적의 차량은 무엇입니까?"라고 생각하는 것이 더 정확합니다. . 그 순간을 정확히 예측할 가치가 있습니까?
이 작품을 읽어보세요. 물론 결함이 있지만 근본적인 것은 아닙니다.
여기, Yezhov를 읽는 과정에서 칠면조가 적어도있는 형태로 전혀 필요하지 않다는 의혹이 있습니다! Evil One에서 이러한 모든 RSI b StochasticY-:)
사실은 TA에서 사용되는 모든 지표의 상당 부분이 색상 계열의 평균을 사용하여 구축된다는 것입니다. 예를 들어, 동일한 RSI에는 견적의 양수 증가분의 평균과 음수 증가분의 평균이 포함됩니다. 모든 것이 잘 될 것이지만 VR을 평균화하려고 할 때 발생하는 불가피한 연방법은 우리의 모든 노력을 무효화합니다. 그리고 이것은 우연이 아니며 스무딩을 사용한 VR 예측은 VR에서만 가능하며 첫 번째 차이의 판독 값은 양의 상관 관계가 있음을 엄격하게 보여줄 수 있습니다. BP 유형 가격의 경우 이 조건이 충족되지 않습니다! 따라서 피할 수 없는 비참한 결과. 예측을 위해 가격 시리즈를 평균화하거나 평활화할 수 없습니다. 여기에서 분석의 다른 접근 방식이 필요합니다. 특히 회귀 방법(모델이 있는 경우) 또는 신경망(모델이 없는 경우).
이전 포스트에서 제시한 분석적 해법의 장점은 함수(4)를 명시적으로 얻었고 그 최대화를 NN으로 옮길 수 있다는 점이다. 이 경우 우리의 작업은 매우 간단합니다. 인터넷이 끊어지지 않도록 해야 합니다 :-)
사실은 TA에서 사용되는 모든 지표의 상당 부분이 색상 계열의 평균을 사용하여 구축된다는 것입니다. 예를 들어, 동일한 RSI에는 견적의 양수 증가분의 평균과 음수 증가분의 평균이 포함됩니다. 모든 것이 잘 될 것이지만 VR을 평균화하려고 할 때 발생하는 불가피한 연방법은 우리의 모든 노력을 무효화합니다. 그리고 이것은 우연이 아니며 스무딩을 사용한 VR 예측은 VR에서만 가능하며 첫 번째 차이의 판독 값은 양의 상관 관계가 있음을 엄격하게 보여줄 수 있습니다. BP 유형 가격의 경우 이 조건이 충족되지 않습니다! 그러므로 피할 수 없는 비참한 결과. 예측을 위해 가격 시리즈를 평균화하거나 평활화할 수 없습니다. 여기에서 분석의 다른 접근 방식이 필요합니다. 특히 회귀 방법(모델이 있는 경우) 또는 신경망(모델이 없는 경우).
이전 포스트에서 제시한 분석적 해법의 장점은 함수(4)를 명시적으로 얻었고 그 최대화를 NN으로 옮길 수 있다는 점이다. 이 경우 우리의 작업은 매우 간단합니다. 인터넷이 끊어지지 않도록 해야 합니다 :-)
중성자, 뭔가 이해하기 시작한 것 같아요! 많은 질문과 몇 가지 아이디어가 있습니다.
칠면조 f 화실! 어제 저는 재미있는 실험을 했습니다. 퍼셉트론이 증분을 예측하는 능력이 무엇인지 알고 싶었습니다.
사진 속 - ONE !!! 최적화 후 2개월 이내에 퍼셉트론. 나는 충격을 받았다!
질문이 너무 많아서 한번에 다 쓸 수가 없네요.
1. 입력 신호에 하이퍼탄젠트를 적용하고 분포 밀도를 균일하게 하기 위해 먼저 (하이퍼탄젠트까지) 신호에 계수 K> 1을 곱합니다.
대부분의 경우 상당히 균일한 분포를 얻을 수 있습니다. 다음 함수가 얻어진다: F(t) = tn(K * Y(t)). 나는 특별히 예리한 지표에서 경험적으로 선택합니다. 그러나 이것이 항상 가능한 것은 아닙니다. 일반적으로 이 신호에 K를 곱하기 전에 입력 신호의 하이퍼탄젠트 분포 밀도는 다음과 같습니다.
다음과 같이 K를 곱한 후:
저것들. 입력 신호(하이퍼탄젠트)는 그대로 +/-1 범위를 따라 늘어납니다.
그러나 VR 증분의 경우에는 균일한 분포로 환원될 수 없는 신호가 얻어진다.
다음은 곱하기 전의 신호입니다.
곱셈 후: (중간이 "사라지기" 때문에 내 표시기에서 이것을 항상 볼 수 있는 것은 아닙니다)
왜냐하면 이미 입력 미백이 훈련의 질에 큰 영향을 미치고 결과적으로 예측 가능성에 영향을 미친다는 것을 확신하고 있기 때문에 신호 곱셈 이외의 다른 방법이 있는지 알고 싶습니다.
이전 포스트에서 제시한 분석적 해법의 장점은 함수(4)를 명시적으로 얻었고 그 최대화를 NN으로 옮길 수 있다는 점이다. 이 경우 우리의 작업은 매우 간단합니다. 인터넷이 끊어지지 않도록 해야 합니다 :-)
나는 이미 이 스레드의 주요 주제를 평가할 수 있었습니다! -:) 당신은 천재이고 농담이 아닙니다!
아이디어가 있습니다. 꽤 신선합니다. 어젯밤 나는 개인 신경망의 모든 수준에서 "단락"을 겪었습니다. :-)
사실 나는 평생 동안 사람을 연구해 왔으며 그의 사회적, 개인적 깨달음의 맥락에서뿐만 아니라이 모든 것이 "표면"일뿐만 아니라 존재의 통합 현상이자 "의식의 용기"입니다. . 그리고 오늘, 하룻밤 사이에 수년간 축적된 모든 것이 단순히 정리된 사실과 가정의 집합에서 독립적인 무결성으로 체계화(자기 조직화)되었습니다.
기쁨을 숨길 수 없습니다! 글쎄요 ... 그것은 서정적 인 탈선이었습니다.
아이디어는 간단합니다.
규모와 목적에 관계없이 NS의 견고성을 높이려면 ... 감염시키려고 시도해야 합니다. 바이러스는 확실히 Turing 기계의 결정론적 논리에 치명적입니다. NS 및 인공 지능의 경우 유능한 "투여된" 응용 프로그램이 있는 경우 "생수"로 판명될 수 있습니다. 이제 순서대로 모든 것에 대해:
1. 모든 살아있는 유기체는 신경망의 본질입니다. 그 진술은 너무 대담해 보일 수 있지만, 이는 현상학적인 사실입니다.
2. 모든 살아있는 유기체는 학습을 위해 공격적인 환경에 배치됩니다. 우리는 이것을 진화라고 부릅니다. 형태의 진화와 함께 이러한 형태로 구현된 개별 의식의 지속적인 진화가 있음을 기억하면 됩니다. 의식 자체는 시스템의 복잡성(신경망)의 효과이며, 진화론적 "플랑크"는 시스템의 엔트로피에 대한 시스템의 복잡성의 비율입니다.
3. 엔트로피가 특정 한계 이하로 떨어진 시스템은 죽는다. 더 이상 진화할 수는 없지만 엔트로피가 특정 한계 이상으로 성장한 시스템도 자체 파괴됩니다. 따라서 결론: 시스템이 성공적으로 진화하려면 엔트로피가 주기적으로 일정 시간 동안 주어진 시스템에서 최대 허용 값에 도달해야 합니다. 우리는 이 상태를 "질병"이라고 부릅니다. "질병"이라는 단어에 대해 말하면 나는 소위 말하는 다소 넓은 의미에서 그것을 의미합니다. 완벽하게 건강해 보이는 범죄자는 아픈 사람입니다. 아픈 것은 그의 몸이 아니라 그의 의식과 고통을 받는데, 대부분 온도와 독감의 형태가 아니라 소위 말하는 형태입니다. "무거운 십자가", "운명" 등등. 그러나 그러한 사람이받는이 "사회적"고통은 진화 연속체의 교육적 영향 유형 중 하나입니다.이 생물의 엔트로피가 거의 견딜 수 없을 정도로 증가합니다. 이것은 교사와 그의 목표에 대한 철학적 질문을 제기하지만 ... 포럼 대화의 범위를 훨씬 뛰어 넘습니다. :)
4. 살아남은 사람들은 면역이 발달했습니다. 가장 넓은 의미에서 - 즉, 병원체와 사회에 대항할 뿐만 아니라 더 중요하게는 진화를 위해 - 트랜잭션 외부 및 트랜잭션 내부.
5. 모든 살아있는 시스템에는 면역 체계가 충분히 약해지면 확실히 죽이는 "미생물"이 있습니다. 자연은 왜 이렇게 되었을까요? 그러나 바로 그때 생존을 위한 시스템의 지속적인 내부 "훈련"으로 인해 환경 요인에 저항하는 동일한 시스템의 능력을 증가시키고 따라서 개별 진화를 계속할 더 많은 기회(시간)를 갖게 됩니다.
6. 진화하는 시스템의 임무가 (모든 의미에서) 면역을 개발하는 것이라고 가정하십시오. 그런 다음 흥미로운 사실이 밝혀졌습니다. 살아있는 NN의 입력 수와 출력 수(출력은 더 작음)는 뉴런 및 연결 수에 비해 엄청나게 작습니다! 저것들. 우리는 중간 레이어의 뉴런 수를 가져 와서 급격히 증가 시켰습니다 (입력, 은닉 및 출력의 세 가지 레이어가있는 경우). 이제 신경망을 "감염"시키려고 시도 할 수 있습니다. 이것은 체중 보정 중에 투여량 무작위 오류를 도입하여 수행할 수 있습니다! 그리고 한 걸음 더 나아가면 이 무작위 오류의 빈도나 진폭을 늘리거나 줄임으로써 NN의 대체 훈련이 가능합니다.
예를 들어 가중치를 조정하기 전에 1000번의 호출 중 한 번 (무작위로) 특정 범위(예: +0.01 / -0.01 )에서 임의의 값을 반환하는 함수를 사용하여 수정기에 작은 오류를 추가할 수 있습니다. . 언제 어떤 뉴런이 약간의 잘못된 증가를 수신할지 알 수 없습니다. 이러한 증가가 더 자주 발생할수록 시스템의 엔트로피가 높아집니다. 그러면 효율성을 유지하기 위해 국회는 강제로 고려하게 될 것입니다 ... 자신의 실수!
한 가지 작은 점을 제외하고는 이 모든 것이 훌륭합니다. 원래 공식에 오류가 있습니다. 요점은 표현식 1+(L*(sigma*H-Sp)/S)가 거래당 자본 이득과 동일하지 않다는 것입니다. 이는 대신 이 표현식을 사용하려고 하는 것입니다. 솔직히, 나는 당신이 취한 것에 기초하여 그것이 "명백하다"는 것을 이해하지 못합니다. 이것이 첫 번째 순간입니다. 둘째, 통화 쌍에 따라 공식이 달라야 합니다. 공식에는 "직접 인용", "역 인용" 및 "교차 요금"이 있는 쌍의 세 가지 변형만 있습니다. 예를 들어 "직접 견적"의 경우 총 자본의 일부인 상금 금액은 (TakeProfit-Spread)*size_of_one_lot*number_of_lots/deposit과 같이 계산할 수 있습니다. 따라서 성장률을 구하려면 이 공식에 1을 더해야 하며, size_of_one_lot*number_of_lots 표현식은 마진 레버리지를 고려한 거래에 관련된 자금의 양입니다. 보다 일반적으로 직접 견적의 경우 기사 중 어딘가에 재무 결과 = (판매가격 - 구매 가격) * 로트 수 * 로트 크기 - 수수료 * 로트 수 ± 은행 이자라는 공식이 있습니다. 이 공식에서 스프레드는 가격에 직접 반영됩니다.
한 가지 작은 점을 제외하고는 이 모든 것이 훌륭합니다. 원래 공식에 오류가 있습니다. 요점은 표현식 1+(L*(sigma*H-Sp)/S) 가 거래당 자본 이득과 동일하지 않다는 것입니다. 이는 대신 이 표현식을 사용하려고 하는 것입니다.
계산을 확인하는 데 수고를 가한 HideYourRichess 에게 감사드립니다. 나는 다른 사람의 것을 확인하는 것이 얼마나 지루한지 압니다. 물론 나는 그들이 도출한 공식과 가정의 오류를 배제하지 않기 때문에 수치적 실험을 통해 해석적 해의 결과를 확인하려고 한다. 우리의 경우 H 포인트의 동일한 증분으로 이산 가격 증분 프로세스를 모델링했습니다. 또한, 이전 증가에 대한 예상 증가의 고정된 종속성이 규정되었습니다. p = 모든 동방향 연속 증가의 합을 모든 이동의 두 배로 나눈 값. 실제 시장 견적의 경우 유사한 파티션을 가져와 해당 계수 p 를 찾을 수 있습니다.
따라서 수치 시뮬레이션 결과는 내가 받은 해석 솔루션의 결과와 완벽하게 일치합니다(위 게시물의 왼쪽 그림 참조). 따라서 문제의 공식화와 분석 솔루션에는 오류가 없습니다! 현실 모델의 적합성에 대해 논쟁할 수 있지만 전혀 문제가 없습니다. 저는 항상 kotir에서 이 파티션을 구현하고 p 를 찾을 수 있습니다.
1. 시스템을 감염시키는 또 다른 옵션은 추가 무작위 입력을 뉴런 또는 뉴런 그룹(기관)에 도입하는 것입니다.
2. "기관"은 하나의 보편적인 피드백을 가진 특수화된 뉴런 그룹으로 나타낼 수 있습니다. 기관의 각 뉴런은 해당 그룹(장기 또는 가족)의 다른 뉴런의 출력이 무엇인지 "알고" 각 그룹은 신체의 출력이 무엇인지 알고 있습니다. 이러한 신경망은 동적 자가 조정이 가능하며 훈련의 필요성이 지배적인 것 중 하나가 될 것입니다. 시스템은 필요로 하는 지식을 의도적으로 그리고 스스로 동기를 부여하여 찾고 일반화할 수 있습니다. 우리의 임무는 거기에 장애물을 설치하고 여기 저기에 지식의 조각을 분산하는 것입니다 :-)
따라서 수치 시뮬레이션 결과는 내가 받은 해석 솔루션의 결과와 완벽하게 일치합니다(위 게시물의 왼쪽 그림 참조). 따라서 문제의 공식화와 분석 솔루션에는 오류가 없습니다! 현실 모델의 대응에 대해 논쟁할 수 있지만 전혀 문제가 없습니다. 나는 항상 kotir에서 이 파티션을 구현할 수 있으며 p를 찾는 데 문제가 없습니다.
어깨와 관련하여 약간 의 "트릭"이 있습니다. 이것은 무역 서버 에뮬레이터에 대한 시뮬레이션입니다.
Neutron, 나는 또한 Hebb의 훈련에 대해 묻고 싶었습니다(Wasserman에서 읽음). 가중치를 수정하는 공식은 매우 간단합니다.
Wij(t+1) = Wij(t) + [OUTi(t) - OUTi(t-1)]*[OUTj(t) - OUTj(t-1)]이며 경사 하강법이 없습니다. 작동할까요?
어떤 네트워크와 어떤 경우에 사용되는지 읽으십시오.
나는 그것을 고쳤다. 또한, 귀하의 승/패가 규범에 따라 분배되면 이것이 고정 금액에 해당한다는 의혹이 있습니다.
이제 나는 지는 트릭과 승리하는 트릭의 크기가 동일합니다. 이를 위해서는 전체 TS를 삽질하고 일정 금액의 뇌물을 위해 날카롭게해야했지만이 경우 정확한 분석 표현을 제공하는 최적의 MM의 모든 힘을 사용할 수 있으며 장기적으로 , 자금을 재투자 할 때 다른 TS는 이것과 다르지 않으며 더 많은 이익을주지 않습니다! 공정성을 위해 일반적으로 이 진술은 사실이 아니며 더 수익성 있는 전략이 존재하지만 추세 시장과 높은 수준의 예측 가능성( р >0.2)에 대해서만 적용되며 이는 시장에 대해 결코 사실이 아닙니다. 이 전략은 "손실을 수정하고 이익을 늘리는 것"입니다.
무화과에. 왼쪽에는 거래 레버리지 L 의 다양한 값에 대한 최적 TS의 이익의 로그를 보여주는 이미 친숙한 그림이 있습니다. 여기에서 시장과 동일한 호가(EURUSD)에 대한 TS 운영의 Monte Carlo 방법을 사용한 수치 시뮬레이션 결과는 커미션 - Sp 를 고려하여 결합됩니다. 평균화는 200개 이상의 독립적인 거래 세션에서 수행되며 각 세션에는 1000개의 거래가 포함됩니다. 시작 자본은 조건부로 1(ln(1)=0)로 간주되며 수염은 1/e 수준으로 거래 결과의 특징적인 스프레드를 보여줍니다. 파란색은 기본 거래 방정식의 분석 솔루션 결과를 보여줍니다.
그건 그렇고, Edward Thorpe의 작업에서 "블랙잭, 스포츠 경품 및 주식 시장의 켈리 기준"입니다. 거래 종료 시 계정 잔액의 분산에 대한 분석 솔루션이 제공되어 n- 트랜잭션 완료 후 계정이 있을 가능성이 가장 높은 회랑의 너비를 추정할 수 있습니다. 그러나 Thorp는 그것을 도출할 때 실수를 했고 그 결과는 현실과 일치하지 않았다. 비슷한 종속성을 얻을 수 있었고 결과는 파란색 원으로 표시됩니다. 수치 실험의 결과와 매우 잘 일치함을 알 수 있습니다. 다음은 자금 재투자에 따른 거래 결과의 변동에 대한 표현입니다.
물론 트레이더인 우리의 주요 관심사는 완전한 파멸의 위험에 대한 분석입니다. 무화과에. 오른쪽은 현재 가치(파란색 선)의 일부로서 예금의 최대 감소를 수치 시뮬레이션한 결과입니다. 우리가 사용하는 레버리지가 클수록 계정 손실이 더 위험하다는 것을 알 수 있습니다. 이러한 최대 감소의 평균과 프로세스의 분산(빨간색 데이터)을 찾을 수 있습니다. 불행히도 이러한 입찰 과정의 특성에 대한 정보 내용은 실제로 존재하지 않습니다. 사실은 거래자가 시장에서 보낸 시간이 증가함에 따라 거래 수가 증가하고 그에 따라 파멸의 위험이 증가한다는 것입니다. 즉, 파멸의 사실은 시간 문제입니다! 그리고 우리가 거래할 때 어떤 신중한 전술을 사용하더라도 조만간 우리는 항상 파산하게 될 것입니다! 이것은 신뢰할 수 있습니다. 여기서 제 시간에 멈추고 크림을 걷어내는 것이 중요합니다. 어쨌든 최적의 MM은 TS의 측정된 매개변수(예측 가능성의 정도 -p 및 거래 범위 -H )에서 예금의 최대 성장률을 보장합니다. 예, 우리는 보증금을 잃을 것이지만 처음부터 시작할 것이며 일반적으로 우리 웰빙의 성장률(가능한 폐허를 고려하여)은 자연에서 가능한 최대가 될 것입니다!
최적의 MM은 TS가 양의 MO를 가지거나 p > 0인 경우에만 최대 예금 성장률을 보장한다는 것을 상기시켜 드리고 싶습니다. 예금 성장률(특성의 역수 예금 두 배 시간) 최적의 거래 레버리지 값에서 예측 p 의 신뢰성이 증가함에 따라 거래 범위가 크게 증가합니다.
- 매개변수의 네 번째 거듭제곱으로. 이러한 상황에서 예측의 가능한 가장 높은 신뢰성을 제공하는 그러한 TS를 구축하기 위해 최대한의 노력을 기울이는 것이 매우 중요하며, 이를 위해 NN의 힘(숨겨진 뉴런의 수 레이어), 그러면 목표가 비용을 지불하기 때문에 시간과 노력을 아끼지 않아도 됩니다. 음, TS 최적화의 목표는 기능의 최대값을 찾는 것입니다.
H -trading horizon이라는 하나의 매개변수만 열거하여 검색한 다음 이에 해당하는 예측 신뢰도를 계산합니다. -p . 발견된 값 H 는 최적으로 간주되며 일반적인 시장 추세에 변화가 있을 때까지 거래됩니다. 시장은 지속적으로 모니터링됩니다. 다행히 분석 솔루션이 있는 경우 리소스를 많이 사용하지 않습니다.
자금을 재투자할 때 "Bernoulli" TS가 최적인 것으로 나타났습니다. 거래 결과를 바탕으로 기능을 극대화하여 찾은 SL 및 TP 주문이 Hopt 와 동일하고 동일한 TS입니다. 동시에 최적의 거래 레버리지 Lopt 가 있어 최대 예금 성장률을 제공하므로 다른 MM은 장기간에 걸쳐 더 적은 이익을 얻을 수 있습니다.
이에 대해 하나의 도구로 작업할 때 최적의 MM에 대한 주제는 이론적으로 해결된 것으로 간주하고 실제 구현에 가져올 수 있습니다. 선택한 거래 범위 Hopt 에서 가격 증분 예측의 신뢰성을 극대화하는 문제는 여전히 열려 있습니다. 분명히 이 작업은 각 트랜잭션에 대해 재훈련 블록이 있는 신경망을 위한 것입니다.
이제 NN의 최적 진입 문제를 해결하고 있습니다. 물론, 그리드 자체가 무엇이 가장 좋은지 결정하기를 바라는 마음으로 가능한 칠면조를 입구에 어리석게 둘 수 있습니다 ... 그러나 앉아서 "시장에서 최적의 차량은 무엇입니까?"라고 생각하는 것이 더 정확합니다. . 그 순간을 정확히 예측할 가치가 있습니까?
이 작품을 읽어보세요. 물론 결함이 있지만 근본적인 것은 아닙니다.
여기, Yezhov를 읽는 과정에서 칠면조가 적어도있는 형태로 전혀 필요하지 않다는 의혹이 있습니다! Evil One에서 이러한 모든 RSI b StochasticY-:)
나는 이것에 대해 오랫동안 이야기해왔다.
사실은 TA에서 사용되는 모든 지표의 상당 부분이 색상 계열의 평균을 사용하여 구축된다는 것입니다. 예를 들어, 동일한 RSI에는 견적의 양수 증가분의 평균과 음수 증가분의 평균이 포함됩니다. 모든 것이 잘 될 것이지만 VR을 평균화하려고 할 때 발생하는 불가피한 연방법은 우리의 모든 노력을 무효화합니다. 그리고 이것은 우연이 아니며 스무딩을 사용한 VR 예측은 VR에서만 가능하며 첫 번째 차이의 판독 값은 양의 상관 관계가 있음을 엄격하게 보여줄 수 있습니다. BP 유형 가격의 경우 이 조건이 충족되지 않습니다! 따라서 피할 수 없는 비참한 결과. 예측을 위해 가격 시리즈를 평균화하거나 평활화할 수 없습니다. 여기에서 분석의 다른 접근 방식이 필요합니다. 특히 회귀 방법(모델이 있는 경우) 또는 신경망(모델이 없는 경우).
이전 포스트에서 제시한 분석적 해법의 장점은 함수(4)를 명시적으로 얻었고 그 최대화를 NN으로 옮길 수 있다는 점이다. 이 경우 우리의 작업은 매우 간단합니다. 인터넷이 끊어지지 않도록 해야 합니다 :-)
나는 이것에 대해 오랫동안 이야기해왔다.
사실은 TA에서 사용되는 모든 지표의 상당 부분이 색상 계열의 평균을 사용하여 구축된다는 것입니다. 예를 들어, 동일한 RSI에는 견적의 양수 증가분의 평균과 음수 증가분의 평균이 포함됩니다. 모든 것이 잘 될 것이지만 VR을 평균화하려고 할 때 발생하는 불가피한 연방법은 우리의 모든 노력을 무효화합니다. 그리고 이것은 우연이 아니며 스무딩을 사용한 VR 예측은 VR에서만 가능하며 첫 번째 차이의 판독 값은 양의 상관 관계가 있음을 엄격하게 보여줄 수 있습니다. BP 유형 가격의 경우 이 조건이 충족되지 않습니다! 그러므로 피할 수 없는 비참한 결과. 예측을 위해 가격 시리즈를 평균화하거나 평활화할 수 없습니다. 여기에서 분석의 다른 접근 방식이 필요합니다. 특히 회귀 방법(모델이 있는 경우) 또는 신경망(모델이 없는 경우).
이전 포스트에서 제시한 분석적 해법의 장점은 함수(4)를 명시적으로 얻었고 그 최대화를 NN으로 옮길 수 있다는 점이다. 이 경우 우리의 작업은 매우 간단합니다. 인터넷이 끊어지지 않도록 해야 합니다 :-)
중성자, 뭔가 이해하기 시작한 것 같아요! 많은 질문과 몇 가지 아이디어가 있습니다.
칠면조 f 화실! 어제 저는 재미있는 실험을 했습니다. 퍼셉트론이 증분을 예측하는 능력이 무엇인지 알고 싶었습니다.
사진 속 - ONE !!! 최적화 후 2개월 이내에 퍼셉트론. 나는 충격을 받았다!
질문이 너무 많아서 한번에 다 쓸 수가 없네요.
1. 입력 신호에 하이퍼탄젠트를 적용하고 분포 밀도를 균일하게 하기 위해 먼저 (하이퍼탄젠트까지) 신호에 계수 K> 1을 곱합니다.
대부분의 경우 상당히 균일한 분포를 얻을 수 있습니다. 다음 함수가 얻어진다: F(t) = tn(K * Y(t)). 나는 특별히 예리한 지표에서 경험적으로 선택합니다. 그러나 이것이 항상 가능한 것은 아닙니다. 일반적으로 이 신호에 K를 곱하기 전에 입력 신호의 하이퍼탄젠트 분포 밀도는 다음과 같습니다.
다음과 같이 K를 곱한 후:
저것들. 입력 신호(하이퍼탄젠트)는 그대로 +/-1 범위를 따라 늘어납니다.
그러나 VR 증분의 경우에는 균일한 분포로 환원될 수 없는 신호가 얻어진다.
다음은 곱하기 전의 신호입니다.
곱셈 후: (중간이 "사라지기" 때문에 내 표시기에서 이것을 항상 볼 수 있는 것은 아닙니다)
왜냐하면 이미 입력 미백이 훈련의 질에 큰 영향을 미치고 결과적으로 예측 가능성에 영향을 미친다는 것을 확신하고 있기 때문에 신호 곱셈 이외의 다른 방법이 있는지 알고 싶습니다.
그리고 그렇지 않다면 어떻게해야합니까?
이전 포스트에서 제시한 분석적 해법의 장점은 함수(4)를 명시적으로 얻었고 그 최대화를 NN으로 옮길 수 있다는 점이다. 이 경우 우리의 작업은 매우 간단합니다. 인터넷이 끊어지지 않도록 해야 합니다 :-)
나는 이미 이 스레드의 주요 주제를 평가할 수 있었습니다! -:) 당신은 천재이고 농담이 아닙니다!
아이디어가 있습니다. 꽤 신선합니다. 어젯밤 나는 개인 신경망의 모든 수준에서 "단락"을 겪었습니다. :-)
사실 나는 평생 동안 사람을 연구해 왔으며 그의 사회적, 개인적 깨달음의 맥락에서뿐만 아니라이 모든 것이 "표면"일뿐만 아니라 존재의 통합 현상이자 "의식의 용기"입니다. . 그리고 오늘, 하룻밤 사이에 수년간 축적된 모든 것이 단순히 정리된 사실과 가정의 집합에서 독립적인 무결성으로 체계화(자기 조직화)되었습니다.
기쁨을 숨길 수 없습니다! 글쎄요 ... 그것은 서정적 인 탈선이었습니다.
아이디어는 간단합니다.
규모와 목적에 관계없이 NS의 견고성을 높이려면 ... 감염시키려고 시도해야 합니다. 바이러스는 확실히 Turing 기계의 결정론적 논리에 치명적입니다. NS 및 인공 지능의 경우 유능한 "투여된" 응용 프로그램이 있는 경우 "생수"로 판명될 수 있습니다. 이제 순서대로 모든 것에 대해:
1. 모든 살아있는 유기체는 신경망의 본질입니다. 그 진술은 너무 대담해 보일 수 있지만, 이는 현상학적인 사실입니다.
2. 모든 살아있는 유기체는 학습을 위해 공격적인 환경에 배치됩니다. 우리는 이것을 진화라고 부릅니다. 형태의 진화와 함께 이러한 형태로 구현된 개별 의식의 지속적인 진화가 있음을 기억하면 됩니다. 의식 자체는 시스템의 복잡성(신경망)의 효과이며, 진화론적 "플랑크"는 시스템의 엔트로피에 대한 시스템의 복잡성의 비율입니다.
3. 엔트로피가 특정 한계 이하로 떨어진 시스템은 죽는다. 더 이상 진화할 수는 없지만 엔트로피가 특정 한계 이상으로 성장한 시스템도 자체 파괴됩니다. 따라서 결론: 시스템이 성공적으로 진화하려면 엔트로피가 주기적으로 일정 시간 동안 주어진 시스템에서 최대 허용 값에 도달해야 합니다. 우리는 이 상태를 "질병"이라고 부릅니다. "질병"이라는 단어에 대해 말하면 나는 소위 말하는 다소 넓은 의미에서 그것을 의미합니다. 완벽하게 건강해 보이는 범죄자는 아픈 사람입니다. 아픈 것은 그의 몸이 아니라 그의 의식과 고통을 받는데, 대부분 온도와 독감의 형태가 아니라 소위 말하는 형태입니다. "무거운 십자가", "운명" 등등. 그러나 그러한 사람이받는이 "사회적"고통은 진화 연속체의 교육적 영향 유형 중 하나입니다.이 생물의 엔트로피가 거의 견딜 수 없을 정도로 증가합니다. 이것은 교사와 그의 목표에 대한 철학적 질문을 제기하지만 ... 포럼 대화의 범위를 훨씬 뛰어 넘습니다. :)
4. 살아남은 사람들은 면역이 발달했습니다. 가장 넓은 의미에서 - 즉, 병원체와 사회에 대항할 뿐만 아니라 더 중요하게는 진화를 위해 - 트랜잭션 외부 및 트랜잭션 내부.
5. 모든 살아있는 시스템에는 면역 체계가 충분히 약해지면 확실히 죽이는 "미생물"이 있습니다. 자연은 왜 이렇게 되었을까요? 그러나 바로 그때 생존을 위한 시스템의 지속적인 내부 "훈련"으로 인해 환경 요인에 저항하는 동일한 시스템의 능력을 증가시키고 따라서 개별 진화를 계속할 더 많은 기회(시간)를 갖게 됩니다.
6. 진화하는 시스템의 임무가 (모든 의미에서) 면역을 개발하는 것이라고 가정하십시오. 그런 다음 흥미로운 사실이 밝혀졌습니다. 살아있는 NN의 입력 수와 출력 수(출력은 더 작음)는 뉴런 및 연결 수에 비해 엄청나게 작습니다! 저것들. 우리는 중간 레이어의 뉴런 수를 가져 와서 급격히 증가 시켰습니다 (입력, 은닉 및 출력의 세 가지 레이어가있는 경우). 이제 신경망을 "감염"시키려고 시도 할 수 있습니다. 이것은 체중 보정 중에 투여량 무작위 오류를 도입하여 수행할 수 있습니다! 그리고 한 걸음 더 나아가면 이 무작위 오류의 빈도나 진폭을 늘리거나 줄임으로써 NN의 대체 훈련이 가능합니다.
예를 들어 가중치를 조정하기 전에 1000번의 호출 중 한 번 (무작위로) 특정 범위(예: +0.01 / -0.01 )에서 임의의 값을 반환하는 함수를 사용하여 수정기에 작은 오류를 추가할 수 있습니다. . 언제 어떤 뉴런이 약간의 잘못된 증가를 수신할지 알 수 없습니다. 이러한 증가가 더 자주 발생할수록 시스템의 엔트로피가 높아집니다. 그러면 효율성을 유지하기 위해 국회는 강제로 고려하게 될 것입니다 ... 자신의 실수!
여기 몇 가지 생각이 있습니다 ...
한 가지 작은 점을 제외하고는 이 모든 것이 훌륭합니다. 원래 공식에 오류가 있습니다. 요점은 표현식 1+(L*(sigma*H-Sp)/S)가 거래당 자본 이득과 동일하지 않다는 것입니다. 이는 대신 이 표현식을 사용하려고 하는 것입니다. 솔직히, 나는 당신이 취한 것에 기초하여 그것이 "명백하다"는 것을 이해하지 못합니다. 이것이 첫 번째 순간입니다. 둘째, 통화 쌍에 따라 공식이 달라야 합니다. 공식에는 "직접 인용", "역 인용" 및 "교차 요금"이 있는 쌍의 세 가지 변형만 있습니다. 예를 들어 "직접 견적"의 경우 총 자본의 일부인 상금 금액은 (TakeProfit-Spread)*size_of_one_lot*number_of_lots/deposit과 같이 계산할 수 있습니다. 따라서 성장률을 구하려면 이 공식에 1을 더해야 하며, size_of_one_lot*number_of_lots 표현식은 마진 레버리지를 고려한 거래에 관련된 자금의 양입니다. 보다 일반적으로 직접 견적의 경우 기사 중 어딘가에 재무 결과 = (판매 가격 - 구매 가격) * 로트 수 * 로트 크기 - 수수료 * 로트 수 ± 은행 이자라는 공식이 있습니다. 이 공식에서 스프레드는 가격에 직접 반영됩니다.
한 가지 작은 점을 제외하고는 이 모든 것이 훌륭합니다. 원래 공식에 오류가 있습니다. 요점은 표현식 1+(L*(sigma*H-Sp)/S) 가 거래당 자본 이득과 동일하지 않다는 것입니다. 이는 대신 이 표현식을 사용하려고 하는 것입니다.
계산을 확인하는 데 수고를 가한 HideYourRichess 에게 감사드립니다. 나는 다른 사람의 것을 확인하는 것이 얼마나 지루한지 압니다. 물론 나는 그들이 도출한 공식과 가정의 오류를 배제하지 않기 때문에 수치적 실험을 통해 해석적 해의 결과를 확인하려고 한다. 우리의 경우 H 포인트의 동일한 증분으로 이산 가격 증분 프로세스를 모델링했습니다. 또한, 이전 증가에 대한 예상 증가의 고정된 종속성이 규정되었습니다. p = 모든 동방향 연속 증가의 합을 모든 이동의 두 배로 나눈 값. 실제 시장 견적의 경우 유사한 파티션을 가져와 해당 계수 p 를 찾을 수 있습니다.
따라서 수치 시뮬레이션 결과는 내가 받은 해석 솔루션의 결과와 완벽하게 일치합니다(위 게시물의 왼쪽 그림 참조). 따라서 문제의 공식화와 분석 솔루션에는 오류가 없습니다! 현실 모델의 적합성에 대해 논쟁할 수 있지만 전혀 문제가 없습니다. 저는 항상 kotir에서 이 파티션을 구현하고 p 를 찾을 수 있습니다.
나는 이미 이 스레드의 주요 주제를 평가할 수 있었습니다!
좋은 말씀 감사합니다만, 도함수를 취하여 함수의 극한값을 구하는 기능의 특별한 점은 무엇입니까? 간단하고 많은 사람들이 상세한 분석에 참여하기 쉽고 곧바로 채석장으로 향하는 것이 더 쉽습니다.
위에 적어주신 내용을 자세히 살펴보겠습니다.
친절한 말씀 감사합니다...
이것은 당신 덕분입니다!
박스 오피스에 대한 자세한 내용은 다음과 같습니다.
1. 시스템을 감염시키는 또 다른 옵션은 추가 무작위 입력을 뉴런 또는 뉴런 그룹(기관)에 도입하는 것입니다.
2. "기관"은 하나의 보편적인 피드백을 가진 특수화된 뉴런 그룹으로 나타낼 수 있습니다. 기관의 각 뉴런은 해당 그룹(장기 또는 가족)의 다른 뉴런의 출력이 무엇인지 "알고" 각 그룹은 신체의 출력이 무엇인지 알고 있습니다. 이러한 신경망은 동적 자가 조정이 가능하며 훈련의 필요성이 지배적인 것 중 하나가 될 것입니다. 시스템은 필요로 하는 지식을 의도적으로 그리고 스스로 동기를 부여하여 찾고 일반화할 수 있습니다. 우리의 임무는 거기에 장애물을 설치하고 여기 저기에 지식의 조각을 분산하는 것입니다 :-)
따라서 수치 시뮬레이션 결과는 내가 받은 해석 솔루션의 결과와 완벽하게 일치합니다(위 게시물의 왼쪽 그림 참조). 따라서 문제의 공식화와 분석 솔루션에는 오류가 없습니다! 현실 모델의 대응에 대해 논쟁할 수 있지만 전혀 문제가 없습니다. 나는 항상 kotir에서 이 파티션을 구현할 수 있으며 p를 찾는 데 문제가 없습니다.
어깨와 관련하여 약간 의 "트릭"이 있습니다. 이것은 무역 서버 에뮬레이터에 대한 시뮬레이션입니다.