예금 통화의 최소 인출액으로 최적화한 다음 최적화 결과에서 이 최소 인출액을 선택하면 두 포워드 모두 성공적인 것으로 나타났습니다. 여러 최적화 결과에 대해 최소 드로다운 값이 동일하면 최대 균형을 가진 것을 선택해야 합니다.
또한 예금 통화의 최소 인출액에 대해 최적화 한 다음 최대 이익률로 결과를 선택하면 포워드 테스트도 성공하지만 결과는 이미 이전의 경우보다 좋지 않은 것으로 나타났습니다.
그러나 이 방법은 단일 Expert Advisor에 대한 결과만 제공합니다. NS는 같지만 입력이 다른 다른 Expert Advisors에는 이 기능이 없으며, 지금까지 성공적인 포워드 테스트를 위한 최적화 결과의 징후를 결정하는 방법을 식별하는 것이 불가능했습니다.
거래 건수가 통제되나요? NN은 유연한 것입니다. 최소 드로다운을 학습 목적 함수로 설정하기만 하면 NN은 드로다운이 0인 변형을 쉽게 찾을 수 있습니다. 특정 NN의 아키텍처와 수학이 허용하는 경우 NN은 단순히 가중치를 선택하여 트랜잭션이 거의 없도록(통계적으로 중요하지 않은 수) 트랜잭션이 줄어들지만 전혀 감소하지 않습니다... 아마도 이것이 다른 NN에서 작동하지 않는 이유일 것입니다. 입력 및 네트워크?
나는 종종 비슷한 변형을 사용합니다: 기준 = 최대. 균형 - 감소하지만 최소 거래 수를 의무적으로 통제합니다. 저것들. 국회는 1년에 100번 이상 거래를 해야 하고 슈퍼 결과를 보여주는데 99번 거래하면 그 결과는 자동으로 버려야 한다고 생각하는데...
신경망의 가중치를 조정하려면 수조 개의 옵션이 필요하며 ha는 10-18,000개만 생성할 수 있습니다.
따라서 ga 모드에서 여러 번(최소 5회) 최적화한 다음 적절한 것을 선택하는 것이 옳습니다.
신경망의 아키텍처를 잘못 선택하고 있습니다. 사실, 그리드는 설정(가중치 및 임계값)의 약간의 변경이 출력에서 동일한 결과를 제공하도록 해야 합니다. 메쉬 아키텍처가 과도하게 조정되면 슈퍼 보석 조정이 필요하며 이러한 종소리와 휘파람의 결과는 재교육(피팅)됩니다.
예를 들어, 내 아키텍처는 10,000GA 패스가 이미 초과되었습니다. 최적화 후 약간 다른 설정으로 동일한 결과가 나타납니다(잔액, 이익 요소, 기대치 및 손실 기준). 이렇게 하면 메시가 더 넓은 범위의 설정에서 올바른 결과를 생성할 수 있습니다. 더 두꺼운 스킨이 적용됩니다.
신경망의 아키텍처를 잘못 선택하고 있습니다. 사실, 그리드는 설정(가중치 및 임계값)의 약간의 변경이 출력에서 동일한 결과를 제공하도록 해야 합니다. 메쉬 아키텍처가 과도하게 조정되면 슈퍼 보석 조정이 필요하며 이러한 종소리와 휘파람의 결과는 재교육(피팅)됩니다.
예를 들어, 내 아키텍처는 10,000GA 패스가 이미 초과되었습니다. 최적화 후 약간 다른 설정으로 동일한 결과가 나타납니다(잔액, 이익 요소, 기대치 및 손실 기준). 이렇게 하면 메시가 더 넓은 범위의 설정에서 올바른 결과를 생성할 수 있습니다. 더 두꺼운 스킨이 적용됩니다.
신경망의 모든 연구자들은 이 진술에 동의하지 않습니다.
ns에 대한 거의 모든 기사에서 네트워크가 더 좋을수록 더 많은 뉴런이 있지만 동시에 너무 많은 뉴런이 없어야 한다는 것을 읽을 수 있습니다.
결과적으로 통계를 수집하면 최대 균형 훈련의 목표가 항상 좋은 것은 아니라는 결론에 도달할 수 있습니다. 그러나 여기서 약간 다른 질문이 발생합니다. NN이 미래에 잘 작동하도록 바로 목표를 찾는 방법입니다.
NS로 Expert Advisor의 다양한 변형을 시도했습니다. 잔고, 이윤 계수, 수학적 기대치, 예금 통화의 감소 및 %의 감소. 그리고 최적화 섹션 이전과 이후의 앞으로 테스트를 살펴보았습니다.
예금 통화의 최소 인출액으로 최적화한 다음 최적화 결과에서 이 최소 인출액을 선택하면 두 포워드 모두 성공적인 것으로 나타났습니다. 여러 최적화 결과 에 대해 최소 드로다운 값이 동일하면 최대 균형을 가진 것을 선택해야 합니다.
또한 예금 통화의 최소 인출액에 대해 최적화 한 다음 최대 이익률로 결과를 선택하면 포워드 테스트도 성공하지만 결과는 이미 이전의 경우보다 좋지 않은 것으로 나타났습니다.
그러나 이 방법은 단일 Expert Advisor에 대한 결과만 제공합니다. NS는 같지만 입력이 다른 다른 Expert Advisors에는 이 기능이 없으며, 지금까지 성공적인 포워드 테스트를 위한 최적화 결과의 징후를 결정하는 방법을 식별하는 것이 불가능했습니다.
NA로 Expert Advisor의 다양한 변형을 시도했습니다. 잔고, 이윤 계수, 수학적 기대치, 예금 통화의 감소 및 %의 감소. 그리고 최적화 섹션 이전과 이후의 앞으로 테스트를 살펴보았습니다.
예금 통화의 최소 인출액으로 최적화한 다음 최적화 결과에서 이 최소 인출액을 선택하면 두 포워드 모두 성공적인 것으로 나타났습니다. 여러 최적화 결과에 대해 최소 드로다운 값이 동일하면 최대 균형을 가진 것을 선택해야 합니다.
또한 예금 통화의 최소 인출액에 대해 최적화 한 다음 최대 이익률로 결과를 선택하면 포워드 테스트도 성공하지만 결과는 이미 이전의 경우보다 좋지 않은 것으로 나타났습니다.
그러나 이 방법은 단일 Expert Advisor에 대한 결과만 제공합니다. NS는 같지만 입력이 다른 다른 Expert Advisors에는 이 기능이 없으며, 지금까지 성공적인 포워드 테스트를 위한 최적화 결과의 징후를 결정하는 방법을 식별하는 것이 불가능했습니다.
신경망의 가중치를 조정하려면 수조 개의 옵션이 필요하며 ha는 10-18,000개만 생성할 수 있습니다.
따라서 ga 모드에서 여러 번(최소 5회) 최적화한 다음 적절한 것을 선택하는 것이 옳습니다.
예금 통화의 최소 인출액으로 최적화한 다음 최적화 결과에서 이 최소 인출액을 선택하면 두 포워드 모두 성공적인 것으로 나타났습니다. 여러 최적화 결과에 대해 최소 드로다운 값이 동일하면 최대 균형을 가진 것을 선택해야 합니다.
또한 예금 통화의 최소 인출액에 대해 최적화 한 다음 최대 이익률로 결과를 선택하면 포워드 테스트도 성공하지만 결과는 이미 이전의 경우보다 좋지 않은 것으로 나타났습니다.
그러나 이 방법은 단일 Expert Advisor에 대한 결과만 제공합니다. NS는 같지만 입력이 다른 다른 Expert Advisors에는 이 기능이 없으며, 지금까지 성공적인 포워드 테스트를 위한 최적화 결과의 징후를 결정하는 방법을 식별하는 것이 불가능했습니다.
거래 건수가 통제되나요? NN은 유연한 것입니다. 최소 드로다운을 학습 목적 함수로 설정하기만 하면 NN은 드로다운이 0인 변형을 쉽게 찾을 수 있습니다. 특정 NN의 아키텍처와 수학이 허용하는 경우 NN은 단순히 가중치를 선택하여 트랜잭션이 거의 없도록(통계적으로 중요하지 않은 수) 트랜잭션이 줄어들지만 전혀 감소하지 않습니다... 아마도 이것이 다른 NN에서 작동하지 않는 이유일 것입니다. 입력 및 네트워크?
나는 종종 비슷한 변형을 사용합니다: 기준 = 최대. 균형 - 감소하지만 최소 거래 수를 의무적으로 통제합니다. 저것들. 국회는 1년에 100번 이상 거래를 해야 하고 슈퍼 결과를 보여주는데 99번 거래하면 그 결과는 자동으로 버려야 한다고 생각하는데...
신경망의 가중치를 조정하려면 수조 개의 옵션이 필요하며 ha는 10-18,000개만 생성할 수 있습니다.
따라서 ga 모드에서 여러 번(최소 5회) 최적화한 다음 적절한 것을 선택하는 것이 옳습니다.
GA 테스터를 사용하여 NN을 교육합니까? 어떻게 했고 NS는 어떤 종류인가요? 이 접근 방식으로 "적합"할 수 있는 "가중치"는 몇 개입니까?
GA 테스터를 사용하여 NN을 교육합니까? 어떻게 했고 NS는 어떤 종류인가요? 이 접근 방식으로 "적합"할 수 있는 "가중치"는 몇 개입니까?
유리가 대답하는 동안 나는 어땠는지 말해줄게.
단 21wt. 변수는 -1에서 1까지의 값을 취합니다. 변수 최적화 단계를 0.05로 했습니다.
더 작은 단계는 수행할 수 없으며 옵티마이저의 조합 수는 제한됩니다. 19자, 나는 그런 수조차 모릅니다.
즉, 999999999999999999와 같은 최적화 프로그램의 한계였습니다.
내 테마: https://www.mql5.com/en/forum/126476
NN을 훈련하기 위해 GA 테스터를 사용합니까? 어떻게 했고 NS는 어떤 종류인가요? 이 접근 방식으로 "적합"할 수 있는 "가중치"는 몇 개입니까?
20개의 시냅스.
8개 입력
숨겨진 레이어 4 + 3
1번 출구
Fa가 있는 모든 뉴런 - 쌍곡선 탄젠트
============
이러한 네트워크는 세 가지가 있습니다. 세 가지 모두의 결과가 위원회를 구성합니다.
첫 번째 네트워크가 먼저 훈련됩니다. 다른 두 개의 출력은 0입니다.
그런 다음 첫 번째 항목이 활성화된 상태에서 두 번째 항목이 최적화되어 수익을 유지하거나 늘리면서 손실 을 최소화합니다.
그런 다음 세 번째 네트워크는 이미 작동 중인 두 개의 네트워크에 연결되고 이전 경우와 같이 가중치가 조정됩니다.
거래 건수가 통제되나요? NN은 유연한 것입니다. 최소 드로다운을 학습 목적 함수로 설정하기만 하면 NN은 드로다운이 0인 변형을 쉽게 찾을 수 있습니다.
메타 트레이더 테스터에서는 제로 드로우다운을 얻지 못할 것입니다. 그는 균형이 아닌 자본으로 계산합니다. 저것들. 피팅의 모든 거래가 수익성이 있더라도 드로다운은 여전히 0이 아닙니다. 촛불에는 그림자가 있습니다.
예, 수익성이 없는 거래가 전혀 없는 방식으로 조정을 수행하는 것은 바람직하지 않습니다. 매우 드문 예외를 제외하고 이러한 조정은 순방향 테스트에서 누출됩니다.
신경망의 가중치를 조정하려면 수조 개의 옵션이 필요하며 ha는 10-18,000개만 생성할 수 있습니다.
따라서 ga 모드에서 여러 번(최소 5회) 최적화한 다음 적절한 것을 선택하는 것이 옳습니다.
신경망의 아키텍처를 잘못 선택하고 있습니다. 사실, 그리드는 설정(가중치 및 임계값)의 약간의 변경이 출력에서 동일한 결과를 제공하도록 해야 합니다. 메쉬 아키텍처가 과도하게 조정되면 슈퍼 보석 조정이 필요하며 이러한 종소리와 휘파람의 결과는 재교육(피팅)됩니다.
예를 들어, 내 아키텍처는 10,000GA 패스가 이미 초과되었습니다. 최적화 후 약간 다른 설정으로 동일한 결과가 나타납니다(잔액, 이익 요소, 기대치 및 손실 기준). 이렇게 하면 메시가 더 넓은 범위의 설정에서 올바른 결과를 생성할 수 있습니다. 더 두꺼운 스킨이 적용됩니다.
이전 게시물에 대한 설명입니다.
네트워크를 훈련하고 패턴 3과 6을 잘 구별한다고 가정해 보겠습니다.
두 번째 및 세 번째 네트워크(내 경우)의 목적은 첫 번째 네트워크가 3과 6에 사용했던 z 및 b 패턴을 만날 때 어드바이저가 트리거하는 것을 방지하는 것입니다.
신경망의 아키텍처를 잘못 선택하고 있습니다. 사실, 그리드는 설정(가중치 및 임계값)의 약간의 변경이 출력에서 동일한 결과를 제공하도록 해야 합니다. 메쉬 아키텍처가 과도하게 조정되면 슈퍼 보석 조정이 필요하며 이러한 종소리와 휘파람의 결과는 재교육(피팅)됩니다.
예를 들어, 내 아키텍처는 10,000GA 패스가 이미 초과되었습니다. 최적화 후 약간 다른 설정으로 동일한 결과가 나타납니다(잔액, 이익 요소, 기대치 및 손실 기준). 이렇게 하면 메시가 더 넓은 범위의 설정에서 올바른 결과를 생성할 수 있습니다. 더 두꺼운 스킨이 적용됩니다.
신경망의 모든 연구자들은 이 진술에 동의하지 않습니다.
ns에 대한 거의 모든 기사에서 네트워크가 더 좋을수록 더 많은 뉴런이 있지만 동시에 너무 많은 뉴런이 없어야 한다는 것을 읽을 수 있습니다.
따라서 대부분은 2-3개의 은닉층이 있는 네트워크를 사용하는 경향이 있습니다.