최적화 함수를 찾는 방향으로 작업이 필요하다고 생각합니다. 즉, 목적 함수를 찾는 것입니다. 네트워크가 최적화 섹션에서 무엇을 찾기를 원하는가???? 동일한 사이트에서 최대 균형을 위한 매개변수. 아니오, 연습이 이것이 미래에 작동하지 않을 것임을 보여주기 때문입니다. 따라서 지금은 작동하지 않지만 앞으로 작동할 핵심 포인트를 찾아야 합니다. 이를 위해서는 통계를 수집하고, 어떤 순간, 언제, 어떻게 작동하는지 파악해야 합니다....
글쎄, 내 마음에 온 것을보십시오. 아마도 이것은 실제가 아니지만 이것이 길입니다 ... 말하자면 목표입니다.
다음을 수행하십시오.
내가 NSh로 스크린샷에서 했던 것과 같은 모든 것.
1. 우리는 6개월 동안 현장에서 네트워크를 훈련합니다. NS가 최고점에 있다면 그녀는 이러한 매개변수를 매우 잘 배울 것이고 정상적으로 거래할 것입니다.
2. 처음 3개월 동안 네트워크 거래 결과를 살펴봅니다. (아이디어에 따르면 네트워크가 이 데이터를 보았기 때문에 결과가 좋아야 합니다)
3. 우리가 이미 알고 있는 것과 똑같은 매개변수를 학습하도록 네트워크를 최적화합니다.
4. 우리는 특히 이러한 매개변수에 최적화를 이끌 수 있는 기능을 찾고, 선택하고, 발명하고 있습니다.
nikelodeon : 그러나 문제는 NS에서 복잡성 목적 함수가 있다는 것입니다. 그래서 당신은 그것을 그렇게 선택하지 않습니다 ...
흠. 나는 일반적으로 목표 함수가 훈련 또는 테스트 기간 동안의 균형 값이 아니라 네트워크 출력의 오류 값인 통계 패키지로 신경망을 훈련합니다. 이것은 원칙적으로 기계 학습의 고전적인 버전입니다. 오류 값으로 실험할 수 있습니다. 오류 제곱의 합을 구합니다. 예의 수로 나눈 제곱의 합; 모듈로 오류. 그리고 이것은 한계가 아닙니다.
그런 다음 dll 형식 의 훈련된 네트워크 는 로봇과 신호를 교환합니다. 행동의 자유는 단순히 거대합니다 ...
SKP를 사용할 수도 있습니다. 훈련 예제에서는 SPC가 먼저 훈련되고 예제가 셀 또는 클러스터에 속하는지 여부를 결정할 때 최대 오류가 측정됩니다. 그런 다음 하나 또는 여러 개의 신경망이 동일한 데이터에 대해 훈련됩니다. 예를 들어, 한 단계 앞서 가격 증분을 예측합니다. 그리고 이 작업에서는 구성된 UPC에 대해 이전에 알려지지 않은 새로운 예를 먼저 확인하고 미리 설정된 오류 임계값을 초과하면 예측 네트워크가 켜지지 않거나 거래 로봇이 네트워크의 신호에 응답하지 않습니다. 요컨대, 우리는 UPC를 사용하여 이상 징후를 식별하고 거래하지 않습니다. 실제 예: 마당에는 2008년 가을입니다. 우리는 신경망을 훈련하고 분기 동안 거래하기로 결정했습니다. 모든 주요 쌍에는 산사태 역학이 있으며, UPC의 가장 큰 부분은 단순히 필터링되고 거래 결정을 허용하지 않습니다. 그러나 이것은 나에게 모두 이론입니다. 그리고 블라블라블라. 실제로 테스트하지 않았습니다.
(새로운 데이터에 대한 훈련의 의미에서) 재훈련이 없는 단일 신경망은 작동할 수 없습니다. 시장은 변화하고 있으며 네트워크는 이를 배워야 합니다. 질문은 - 언제 새로운 교육을 시작해야 합니까? ;)
그런 다음 그리드가 "분해"될 때 그리드에서 무엇을 "고칠" 수 있고, 레이어와 뉴런 수, 또 다른 전달 함수를 변경할 수 있습니다. 하지만 무엇을, 어떻게, 어디서 변경해야 하는지는 결코 알 수 없습니다. 새로운 시장에 맞게 메쉬를 조정할 때까지 비즈니스는 없습니다. 그리고 이것은 if ( Price == Ask ) 블록을 봉인하고 Ask = 1.2345 이고 어떤 이유로 Price 가 1.23449999999 로 판명된 것을 보는 것과 전혀 같지 않습니다.
이제 귀하에게 "수익이 중단되면 무엇을 하시겠습니까?"라고 묻는 가능한 투자자와의 대화를 상상해 보십시오. 그가 가장 좋아하는 대답을 맞춰보세요.
1) 나는 NN을 다시 가르치기 시작할 것이고 (만약) 그녀가 배울 때, 나는 그녀를 다시 벌기 시작할 것입니다 (그 때까지 시장이 다시 변하지 않는다면)
2) 디버그 프린트를 넣고 오류를 찾아 수정하겠습니다.
따라서 "관심이 없는" 경우 - 물론 환영합니다. 돈을 벌면? ;)
이미 역할놀이? 나는 여기에서 조수가 아닙니다))) 당신이 원하는대로 주제에서 이것을 논의하지 않을 것입니다.
당신은 국회와 소통한 경험이 제한적이기 때문에 이 도구를 선험적으로 데이터, 블랙박스, 깨끗한 곳의 갈퀴 등에 적합하다고 생각합니다. 레이어, 뉴런, 기능 묶음의 수 -이 모든 것은 부적합한 손에 불필요한 짐입니다. 먼저, 네트워크가 작동해야 하는 이유를 알아야 하며 이 아이디어는 시계열의 다른 부분에서 장기 테스트를 통해 테스트해야 합니다. 위험 평가 는 예정된 배수 이후가 아니라 사전에 수행됩니다. 신에 의해. 저는 개인적으로 NA의 도움으로 한 푼도 유출하지 않았습니다. 나는 데모에서만 누출)
두 번째로 말하고 싶은 것은 필요한 모든 테스트를 마친 후 신경의 진지한 지지자가 규칙 추출 문제를 처리하거나 러시아어로 NN 내에서 훈련하는 동안 형성되는 발견적 방법을 이해한다는 것입니다. 입력 내용에 따라 출력 신호가 형성되는 규칙. 모든 블랙박스는 숲으로 갑니다. 신경망의 논리를 자세히 살펴보고 신경망이 하는 일을 이해해야 합니다. 주씨도 그것에 대해 썼고, 논리적이다. 그렇지 않으면 소비에트 러시아에서 국회가 당신을 통제한다는 것이 밝혀졌습니다. 하아.
그것은 혼돈 이론의 방법을 사용하여 입력 벡터의 지연을 형성합니다. 네트워크는 또한 잘못된 예측에 대해 패널티를 받습니다. 테스트 샘플 - 100일. 결과는 훌륭합니다: 80% 이상의 히트. 하지만 이번에는 상승세(+2%) 또는 하락세를 예상합니다. 그건 그렇고, 주식 시장의 추세는 잘 예측된다는 개인적인 경험으로 말하겠습니다. 실수를하면 손실이 크고 통계를 먹어 치우는 것과 같은 다른 함정이 있습니다. 이점. 믿거 나 말거나 나는 테스트에서 80 %의 정확도를 얻었습니다.
최적화 함수를 찾는 방향으로 작업이 필요하다고 생각합니다. 즉, 목적 함수를 찾는 것입니다. 네트워크가 최적화 섹션에서 무엇을 찾기를 원하는가???? 동일한 사이트에서 최대 균형을 위한 매개변수. 아니오, 연습이 이것이 미래에 작동하지 않을 것임을 보여주기 때문입니다. 따라서 지금은 작동하지 않지만 앞으로 작동할 핵심 포인트를 찾아야 합니다. 이를 위해서는 통계를 수집하고, 어떤 순간, 언제, 어떻게 작동하는지 파악해야 합니다....
글쎄, 내 마음에 온 것을보십시오. 아마도 이것은 실제가 아니지만 이것이 길입니다 ... 말하자면 목표입니다.
다음을 수행하십시오.
내가 NSh로 스크린샷에서 했던 것과 같은 모든 것.
1. 우리는 6개월 동안 현장에서 네트워크를 훈련합니다. NS가 최고점에 있다면 그녀는 이러한 매개변수를 매우 잘 배울 것이고 정상적으로 거래할 것입니다.
2. 처음 3개월 동안 네트워크 거래 결과를 살펴봅니다. (아이디어에 따르면 네트워크가 이 데이터를 보았기 때문에 결과가 좋아야 합니다)
3. 우리가 이미 알고 있는 것과 똑같은 매개변수를 학습하도록 네트워크를 최적화합니다.
4. 우리는 특히 이러한 매개변수에 최적화를 이끌 수 있는 기능을 찾고, 선택하고, 발명하고 있습니다.
5. 기능 찾기. 네트워크에 표시되지 않은 사이트에서 테스트 .......
이제 NS에서 부분적으로 살펴보도록 하겠습니다.
트렌드 영역에서만 훈련된 신경망의 신호는 무작위가 아니지만 네트워크가 훈련된 것과 동일합니다. 즉, 움직임을 따라 측면에서 병합합니다.
급격한 변화, 예측할 수 없는 움직임 등을 의미했습니다.
급격한 변화, 예측할 수 없는 움직임 등을 의미했습니다.
그리드는 그러한 움직임이 나타날 때 울타리에 앉도록 가르칠 수 있습니다. 예를 들면 다음과 같습니다. https://www.mql5.com/ru/code/10151
그러나 문제는 NS에서 복잡성 목적 함수가 있다는 것입니다. 그래서 당신은 그것을 그렇게 선택하지 않습니다 ...
흠. 나는 일반적으로 목표 함수가 훈련 또는 테스트 기간 동안의 균형 값이 아니라 네트워크 출력의 오류 값인 통계 패키지로 신경망을 훈련합니다. 이것은 원칙적으로 기계 학습의 고전적인 버전입니다. 오류 값으로 실험할 수 있습니다. 오류 제곱의 합을 구합니다. 예의 수로 나눈 제곱의 합; 모듈로 오류. 그리고 이것은 한계가 아닙니다.
그런 다음 dll 형식 의 훈련된 네트워크 는 로봇과 신호를 교환합니다. 행동의 자유는 단순히 거대합니다 ...
그리드는 그러한 움직임이 나타날 때 울타리에 앉도록 가르칠 수 있습니다. 예를 들면 다음과 같습니다. https://www.mql5.com/en/code/10151
SKP를 사용할 수도 있습니다. 훈련 예제에서는 SPC가 먼저 훈련되고 예제가 셀 또는 클러스터에 속하는지 여부를 결정할 때 최대 오류가 측정됩니다. 그런 다음 하나 또는 여러 개의 신경망이 동일한 데이터에 대해 훈련됩니다. 예를 들어, 한 단계 앞서 가격 증분을 예측합니다. 그리고 이 작업에서는 구성된 UPC에 대해 이전에 알려지지 않은 새로운 예를 먼저 확인하고 미리 설정된 오류 임계값을 초과하면 예측 네트워크가 켜지지 않거나 거래 로봇이 네트워크의 신호에 응답하지 않습니다. 요컨대, 우리는 UPC를 사용하여 이상 징후를 식별하고 거래하지 않습니다. 실제 예: 마당에는 2008년 가을입니다. 우리는 신경망을 훈련하고 분기 동안 거래하기로 결정했습니다. 모든 주요 쌍에는 산사태 역학이 있으며, UPC의 가장 큰 부분은 단순히 필터링되고 거래 결정을 허용하지 않습니다. 그러나 이것은 나에게 모두 이론입니다. 그리고 블라블라블라. 실제로 테스트하지 않았습니다.
예, 여기서 흥미로운 점은 무엇입니까? (뇌를 훈련시키는 작업 자체를 제외하고) ??
(새로운 데이터에 대한 훈련의 의미에서) 재훈련이 없는 단일 신경망은 작동할 수 없습니다. 시장은 변화하고 있으며 네트워크는 이를 배워야 합니다. 질문은 - 언제 새로운 교육을 시작해야 합니까? ;)
그런 다음 그리드가 "분해"될 때 그리드에서 무엇을 "고칠" 수 있고, 레이어와 뉴런 수, 또 다른 전달 함수를 변경할 수 있습니다. 하지만 무엇을, 어떻게, 어디서 변경해야 하는지는 결코 알 수 없습니다. 새로운 시장에 맞게 메쉬를 조정할 때까지 비즈니스는 없습니다. 그리고 이것은 if ( Price == Ask ) 블록을 봉인하고 Ask = 1.2345 이고 어떤 이유로 Price 가 1.23449999999 로 판명된 것을 보는 것과 전혀 같지 않습니다.
이제 귀하에게 "수익이 중단되면 무엇을 하시겠습니까?"라고 묻는 가능한 투자자와의 대화를 상상해 보십시오. 그가 가장 좋아하는 대답을 맞춰보세요.
1) 나는 NN을 다시 가르치기 시작할 것이고 (만약) 그녀가 배울 때, 나는 그녀를 다시 벌기 시작할 것입니다 (그 때까지 시장이 다시 변하지 않는다면)
2) 디버그 프린트를 넣고 오류를 찾아 수정하겠습니다.
따라서 "관심이 없는" 경우 - 물론 환영합니다. 돈을 벌면? ;)
이미 역할놀이? 나는 여기에서 조수가 아닙니다))) 당신이 원하는대로 주제에서 이것을 논의하지 않을 것입니다.
당신은 국회와 소통한 경험이 제한적이기 때문에 이 도구를 선험적으로 데이터, 블랙박스, 깨끗한 곳의 갈퀴 등에 적합하다고 생각합니다. 레이어, 뉴런, 기능 묶음의 수 -이 모든 것은 부적합한 손에 불필요한 짐입니다. 먼저, 네트워크가 작동해야 하는 이유를 알아야 하며 이 아이디어는 시계열의 다른 부분에서 장기 테스트를 통해 테스트해야 합니다. 위험 평가 는 예정된 배수 이후가 아니라 사전에 수행됩니다. 신에 의해. 저는 개인적으로 NA의 도움으로 한 푼도 유출하지 않았습니다. 나는 데모에서만 누출)
두 번째로 말하고 싶은 것은 필요한 모든 테스트를 마친 후 신경의 진지한 지지자가 규칙 추출 문제를 처리하거나 러시아어로 NN 내에서 훈련하는 동안 형성되는 발견적 방법을 이해한다는 것입니다. 입력 내용에 따라 출력 신호가 형성되는 규칙. 모든 블랙박스는 숲으로 갑니다. 신경망의 논리를 자세히 살펴보고 신경망이 하는 일을 이해해야 합니다. 주씨도 그것에 대해 썼고, 논리적이다. 그렇지 않으면 소비에트 러시아에서 국회가 당신을 통제한다는 것이 밝혀졌습니다. 하아.
강의는 어떤가요? :)
예, 그렇습니다... 나는 그들이 사용할 수 있고 점진적으로 개발되기를 바랍니다. 최근에 무언가가 나를 소모하고 있습니다.
모아서 몇 개 더 봐야겠습니다. 나는 경사 하강법에 대한 강의, 즉 거의 처음에 멈췄습니다.
신경 기술을 예측에 성공적으로 적용한 것에 대한 또 다른 기사.
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.184.7175&rep=rep1&type=pdf
그것은 혼돈 이론의 방법을 사용하여 입력 벡터의 지연을 형성합니다. 네트워크는 또한 잘못된 예측에 대해 패널티를 받습니다. 테스트 샘플 - 100일. 결과는 훌륭합니다: 80% 이상의 히트. 하지만 이번에는 상승세(+2%) 또는 하락세를 예상합니다. 그건 그렇고, 주식 시장의 추세는 잘 예측된다는 개인적인 경험으로 말하겠습니다. 실수를하면 손실이 크고 통계를 먹어 치우는 것과 같은 다른 함정이 있습니다. 이점. 믿거 나 말거나 나는 테스트에서 80 %의 정확도를 얻었습니다.