목표 함수가 거래 건수 또는 인출 만이라면 의미가 거의 없습니다. 네트워크는 자주 그리고 목적 없이 시장에 진입/퇴장하는 법을 배우거나 하락을 피하는 법을 배웁니다....
이익과 거래 수, 그리고 손실을 모두 최적화해야 합니다. 제가 기억하는 한 JGAP를 사용하면 여러 출력이 있는 목적 함수를 가질 수 있습니다. 이제 작업을 더 우선 순위로 봅니다. 입력 데이터와 순환 신경망을 염두에 두십시오.
내가 보기에 현재 내가 제안한 방법으로 입력 데이터를 검색하고 테스트하는 것은 누구에게나 별 관심이 없다 ...
Ilya, Currency Speculator(http://www.spekulant.ru/archive/2004_11_st11.html)의 기사에 관심이 있으실 거라 생각합니다. 적합성 함수도 거기에서 논의됩니다(순전히 자기자본 측면에서뿐만 아니라 인출 및 거래 수에 의한 희석).
이익과 거래 수, 그리고 손실을 모두 최적화해야 합니다. 제가 기억하는 한 JGAP를 사용하면 여러 출력을 가진 목적 함수를 가질 수 있습니다.
나는 또한 다중 목표 최적화에 대해 이야기했습니다. 흠, "Nifigase, 내가 생각해 낸 용어!"라고 생각했지만 오랫동안 사용해온 것으로 나타났습니다 ... 다중 기준 최적화
여러 피트니스 기능("..JGAP을 사용하면 여러 출력이 있는 목적 기능을 가질 수 있습니다..")이 아니라 하나, 하지만 몇 가지 필수 기준이 있어야 한다고 생각합니다. 이제 나는이 문제에 눈에 띄지 않게 접근하여 콧 구멍으로 잡는 방법에 대해 논의하고 있습니다 .. 누구든지이 문제에 대한 문헌에 조언 할 수 있습니까?
네트워크가 가상으로 무제한 이익을 받도록 감독되지 않은 상태로 훈련된 경우 입력 데이터가 여전히 이익 크기에 상한선을 부과한다는 점을 염두에 두어야 합니다. 선택한 훈련 기간에 얻을 수 없는 것 이상의 금액을 추정할 수 있습니다(전략에 의해 선택된 일정한 로트에 의해). 따라서 이 기간 동안의 네트워크 학습 계수는 네트워크가 제공하는 이론적인 최대 수익의 비율로 계산할 수 있습니다. 그런 다음 검증 기간에 대해 유사한 추정이 이루어지고 계수가 비교됩니다...
Ilya, Currency Speculator(http://www.spekulant.ru/archive/2004_11_st11.html)의 기사에 관심이 있으실 거라 생각합니다. 적합성 함수도 거기에서 논의됩니다(순전히 자기자본 측면에서뿐만 아니라 인출 및 거래 수에 의한 희석).
흥미로운 기사. 고맙습니다.
나에게 가장 흥미로운 것은 다음과 같습니다.
-목적 함수의 작성자가 정의한 "Fit = Profit/(l+Prosadka/ 1 0 + S t o p / 1 0 ) * (CountTrade/10)"
- 유전 알고리즘에 의한 MTS의 선택. 잘 공식화 된 아이디어는 솔루션의 절반입니다 ... 이 접근 방식에는 많은 장점이 있습니다 ... 구현하는 것이 더 좋고 더 쉬운 방법에 대해 신중하게 생각해야합니다 ...
lea писал(а) >>
의도한 목적을 위해 - 원래의 것보다 상관 관계가 약한 변수 세트를 선택합니다.
나는 조금 더 일찍 길쌈 네트워크를 만들려고 노력했다. 테스트를 위해 나는 M5 시계열, 네트워크 48-x-48, 이 시리즈는 0에 대해 대칭적인 형태로 가져왔다. Th() 활성화 함수. 따라서 0.1보다 큰 테스트 샘플에서는 오류를 얻을 수 없었습니다.
나는 조금 더 일찍 길쌈 네트워크를 만들려고 노력했다. 테스트를 위해 나는 M5 시계열, 네트워크 48-x-48, 이 시리즈는 0에 대해 대칭적인 형태로 가져왔다. Th() 활성화 함수. 따라서 0.1보다 큰 테스트 샘플에서는 오류를 얻을 수 없었습니다.
나는 가격대의 복잡함을 좋아하지 않습니다. 이미 일련의 지표(즉, 변환된 일련의 가격)가 있으므로 이 세트의 차원을 줄여야 합니다.
나는 가격대의 복잡함을 좋아하지 않습니다. 이미 일련의 지표(즉, 변환된 일련의 가격)가 있으므로 이 세트의 차원을 줄여야 합니다.
컨볼루션 네트워크와 PCA는 같은 것이고 용어만 다릅니다.
입력에서 X를 공급하고 네트워크 출력에서 예상합니다. 중간 계층의 뉴런 수는 입력/출력 계층보다 적습니다. 뉴런 출력 값
중간 레이어는 입력 세트의 매핑으로 간주됩니다. 이 데이터는 추가 처리에 사용됩니다.
lea писал(а) >>
아무도 주성분 분석(일명 "주성분 분석" 또는 "pca")을 사용하지 않습니까?
고맙습니다. 좋은 질문.
iliarr писал(а) >>
목표 함수가 거래 건수 또는 인출 만이라면 의미가 거의 없습니다. 네트워크는 자주 그리고 목적 없이 시장에 진입/퇴장하는 법을 배우거나 하락을 피하는 법을 배웁니다....
이익과 거래 수, 그리고 손실을 모두 최적화해야 합니다. 제가 기억하는 한 JGAP를 사용하면 여러 출력이 있는 목적 함수를 가질 수 있습니다. 이제 작업을 더 우선 순위로 봅니다. 입력 데이터와 순환 신경망을 염두에 두십시오.
내가 보기에 현재 내가 제안한 방법으로 입력 데이터를 검색하고 테스트하는 것은 누구에게나 별 관심이 없다 ...
Ilya, Currency Speculator(http://www.spekulant.ru/archive/2004_11_st11.html)의 기사에 관심이 있으실 거라 생각합니다. 적합성 함수도 거기에서 논의됩니다(순전히 자기자본 측면에서뿐만 아니라 인출 및 거래 수에 의한 희석).
목적 함수가 거래 건수 또는 인출만 있다면 의미가 거의 없을 것입니다. 네트워크는 자주 그리고 목적 없이 시장에 진입/퇴장하는 법을 배우거나 하락을 피하는 법을 배웁니다....
저도 별로 쓸모가 없을 것 같아서 '관심'이라고 적었습니다
iliarr 작성 >>
이익과 거래 수, 그리고 손실을 모두 최적화해야 합니다. 제가 기억하는 한 JGAP를 사용하면 여러 출력을 가진 목적 함수를 가질 수 있습니다.
나는 또한 다중 목표 최적화에 대해 이야기했습니다. 흠, "Nifigase, 내가 생각해 낸 용어!"라고 생각했지만 오랫동안 사용해온 것으로 나타났습니다 ... 다중 기준 최적화
여러 피트니스 기능("..JGAP을 사용하면 여러 출력이 있는 목적 기능을 가질 수 있습니다..")이 아니라 하나, 하지만 몇 가지 필수 기준이 있어야 한다고 생각합니다. 이제 나는이 문제에 눈에 띄지 않게 접근하여 콧 구멍으로 잡는 방법에 대해 논의하고 있습니다 .. 누구든지이 문제에 대한 문헌에 조언 할 수 있습니까?
시장 상인 썼다 (a) >>
네트워크가 가상으로 무제한 이익을 받도록 감독되지 않은 상태로 훈련된 경우 입력 데이터가 여전히 이익 크기에 상한선을 부과한다는 점을 염두에 두어야 합니다. 선택한 훈련 기간에 얻을 수 없는 것 이상의 금액을 추정할 수 있습니다(전략에 의해 선택된 일정한 로트에 의해). 따라서 이 기간 동안의 네트워크 학습 계수는 네트워크가 제공하는 이론적인 최대 수익의 비율로 계산할 수 있습니다. 그런 다음 검증 기간에 대해 유사한 추정이 이루어지고 계수가 비교됩니다...
iliar님 말씀에 동의합니다. 핏을 잡다
PS 글을 쓰는 동안 Daniil은 나보다 앞서 있었고 그도 거의 비슷했습니다.
Ilya, Currency Speculator(http://www.spekulant.ru/archive/2004_11_st11.html)의 기사에 관심이 있으실 거라 생각합니다. 적합성 함수도 거기에서 논의됩니다(순전히 자기자본 측면에서뿐만 아니라 인출 및 거래 수에 의한 희석).
흥미로운 기사. 고맙습니다.
나에게 가장 흥미로운 것은 다음과 같습니다.
-목적 함수의 작성자가 정의한 "Fit = Profit/(l+Prosadka/ 1 0 + S t o p / 1 0 ) * (CountTrade/10)"
- 유전 알고리즘에 의한 MTS의 선택. 잘 공식화 된 아이디어는 솔루션의 절반입니다 ... 이 접근 방식에는 많은 장점이 있습니다 ... 구현하는 것이 더 좋고 더 쉬운 방법에 대해 신중하게 생각해야합니다 ...
이제 다음 덕분에:
리아 작성 >>
아무도 기본 구성 요소 분석(일명 "주 구성 요소 분석" 또는 "pca")을 사용하지 않습니까?
상관관계 제거로 인해 신경망에 제공되는 정보의 압축 문제에 관심이 많았습니다.
나는 조금 더 일찍 길쌈 네트워크를 만들려고 노력했다. 테스트를 위해 나는 M5 시계열, 네트워크 48-x-48, 이 시리즈는 0에 대해 대칭적인 형태로 가져왔다. Th() 활성화 함수. 따라서 0.1보다 큰 테스트 샘플에서는 오류를 얻을 수 없었습니다.
아마도 잘못 사용했거나 준비했다는 뜻입니다.
이미지 압축으로 작업했습니다. 압축 정도(주요 구성 요소의 수)와 입력의 정보 내용에 따라 오류가 0일 때도 있고 아닐 때도 있습니다.
간단한 예를 들어보십시오.
다음은 최적화에 관한 몇 권의 책입니다. 방금 다운로드했지만 여전히 뜨겁습니다.
....... 첨부할 수 없습니다. http://torrents.ru에서 가져왔습니다.
그리고 그것이 무엇에 관한 모든 것이라고 생각했습니까? MathCad/MathLab?
나 스스로도 믿기 힘든데 엑셀로 계산했다. IMHO는 이해 측면에서 matkada보다 약간 낫습니다(최종 상태가 아닌 계산 프로세스의 시각화).