Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Algo sobre a lógica deste script se assemelha a um simples codificador 4 em 2
Um scrambler é um sistema não-treinável.
E a rede neste roteiro é ensinável. E o processo de aprendizagem é mostrado em dinâmica de época em época na tela.
Você pode ver como os pesos dos neurônios em cada camada mudam, e como a grade fica cada vez mais precisa à medida que é treinada.
Acima estão três cargos onde o mesmo algoritmo foi aprendido
para trabalhar com três conjuntos diferentes de dados.
No caso de um codificador, seriam necessários três codificadores para cada conjunto de dados.
Aperfeiçoei um pouco o algoritmo de aprendizagem.
1º mudando dinamicamente o número de neurônios algo como um ALGORITMO GENÉTICO, embora sem selecionar o melhor e sem criar a partir deles gerações :-) sem correção de conexões
2 - parar de aprender quando se atinge alta precisão de resultados
Eu afinei ligeiramente o algoritmo de aprendizagem
1) mudando dinamicamente o número de neurônios, algo como um ALGORITHM GENÉTICO, mas sem selecionar o melhor e sem produzir a partir deles :-) sem corrigir conexões
2 - e parar de aprender quando se obtém alta precisão dos resultados.
E a versão finalizada não estará disponível para o público?
Algo sobre a lógica deste script se assemelha a um simples codificador 4v2
O codificador é um sistema sem treinamento.
E a rede é treinada neste roteiro. E o processo de aprendizagem é mostrado em dinâmica de época em época na tela.
Você pode ver como os pesos dos neurônios em cada camada mudam, e como a grade fica cada vez mais precisa à medida que é treinada.
Acima estão três posts onde o mesmo algoritmo aprendeu
para trabalhar com três conjuntos diferentes de dados .
No caso de um codificador, seriam necessários três codificadores para cada conjunto de dados.
Aperfeiçoei um pouco o algoritmo de aprendizagem.
1) mudando dinamicamente o número de neurônios, algo como um ALGORITMO GENÉTICO, mas sem selecionar os melhores neurônios ou criar descendentes deles :-) sem corrigir as conexões
2ª parada de treinamento quando a alta precisão dos resultados é alcançada
Aqui vamos nós!!! O gelo quebrou! :))))
Eu afinei ligeiramente o algoritmo de aprendizagem
1) mudando dinamicamente o número de neurônios, algo como um ALGORITHM GENÉTICO, mas sem selecionar o melhor e sem produzir a partir deles :-) sem corrigir conexões
2 - e parar de aprender quando se obtém alta precisão dos resultados.
Haverá uma versão finalizada para o público?
Claro, eu gostaria de dar uma olhada. Talvez alguém acrescente algo mais :)
Quanto à precisão, eu não acho que esse seja o objetivo.
O objetivo é que a rede, ao final do treinamento, distinga todos os conjuntos de treinamento
entre si . E isto está disponível com precisão normal.
Como as experiências demonstraram, esta rede precisa apenas de 300 épocas de treinamento para aprender a "pensar".
com os conjuntos acima. Sim, você pode ver isto visualmente durante o treinamento,
A rede começa rapidamente a distinguir entre os conjuntos de dados.
E seria interessante ver como mudar dinamicamente o número de neurônios em um Expert Advisor durante os testes,
na qual esta grade será construída. E o número de neurônios a serem capturados no otimizador de MT.
Como você faz para prever o preço?
Você não pode. Você não deve esperar um milagre de uma rede neural. Não é o NS que faz a previsão, mas o algoritmo embutido nela, o algoritmo é baseado nas condições comerciais, e as condições comerciais .... são determinados por VOCÊ.
Não contra, mas ainda não A FAVOR do uso de redes neurais no comércio.
Da mesma forma :) !!!
Mas o algoritmo está funcionando e aprendendo :) E então veremos :)
O interesse em redes é alimentado ainda mais pela EA ganhando o Campeonato com a rede .
É claro que ali tínhamos uma rede diferente. Mas o homem fez o trabalho e obteve o resultado.
A questão não é qual rede, mas o que você quer obter com ela. E o resultado foi obtido não por causa da NS, mas por causa das condições comerciais, que a NS compunha e dava uma certa previsão provável. NS é de fato um filtro, que pode ser adaptável (NS auto-aprendizagem) e, portanto, tem um atraso (para o período de aprendizagem). A vantagem da NS é que ela pode fundir componentes diferentes de seu TS em um único resultado e organizar independentemente as relações de significância para esses componentes (aprender).
Eu afinei ligeiramente o algoritmo de aprendizagem
1) mudando dinamicamente o número de neurônios, algo como um ALGORITHM GENÉTICO, mas sem selecionar o melhor e sem produzir a partir deles :-) sem corrigir conexões
2 - e parar de aprender quando se obtém alta precisão dos resultados.
Você não vai fornecer uma versão melhorada para o público?
Victor, haverá.
O problema é que o algoritmo leva muito tempo para ser treinado :-)))
Eu ainda não resolvi este problema - não me esquecerei de postar o código!
Eu não tenho o código baseado em um temporizador! Não o tenho na MQL4!
Como você faz para prever o preço?
Você não pode. Você não deve esperar um milagre de uma rede neural. O prognóstico não é dado pelo NS, mas pelo algoritmo incorporado nele, o algoritmo é baseado em condições comerciais, e condições comerciais .... são determinados por VOCÊ.
Você já encontrou algum algoritmo decente?
Apenas uma ou duas palavras sobre eles .
Como você faz para prever o preço?
Você não pode. Você não deve esperar um milagre de uma rede neural. O prognóstico não é dado pelo NS, mas pelo algoritmo incorporado nele, o algoritmo é baseado em condições comerciais, e condições comerciais .... E as condições comerciais são definidas por VOCÊ.
Os gurus aconselham a prever não o preço, mas o troco .
Nem sempre é necessário normalizar, quem diz que a grade PODE e DEVE funcionar apenas com 0 e 1?
Posso anexar uma grade simples com um exemplo, (infelizmente não há materiais à mão no momento) - o farei mais tarde
onde um simples NN resolve este problema sem preparação de dados com normalização
infelizmente esta não é a fonte
no entanto, o exemplo que dei! já está meio normalizadoa condição tem duas faixas
1 0-100
2 10-30
você só precisa encontrar a proporção da posição em uma faixa - que é conhecida por
em essência, isto é escalada.
A normalização é quase sempre necessária. Os dados devem estar dentro do intervalo de definição da função de ativação.
No roteiro, o sigmóide é [-1;+1]. Se você o substituir por, digamos, um exponencial ... ou raiz quadrada.
http://www.statsoft.ru/home/portal/applications/NeuralNetworksAdvisor/Adv-new/ActivationFunctions.htm