Etiqueta de mercado ou boas maneiras em um campo minado - página 27
![MQL5 - Linguagem para estratégias de negociação inseridas no terminal do cliente MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
Uma centena de épocas é suficiente se o sinal for previsto?
Mais uma coisa: quando a rede acaba de ser inicializada, precisa de N épocas de treinamento, e quando a rede já está treinada, ou seja, em cada etapa subseqüente (após a próxima previsão) ela precisa de N épocas também, ou uma é suficiente?
Boa pergunta, paralocus.
Eu só posso dar recomendações. Portanto, de acordo com meus dados experimentais, o número de épocas de treinamento para NS com entrada binária varia de 10 a 100 iterações para 2 e 8 neurônios na camada oculta, respectivamente. Para a entrada analógica - 300-500. Tudo deve ser testado experimentalmente.
N épocas são necessárias a cada vez.
Estou vendo.
Aqui está o código da grade:
код сюда не влез, поэтому в аттаче
Eu, para minha vergonha, ainda estou confuso por uma simples pergunta - cálculo da duração da época.
Parece claro - P = k*w^2/q, onde k = (2....4); w - número de sinapses, q - número de entradas. Aparentemente, eu tenho algum tipo de confusão terminológica na minha cabeça. O que chamar de uma entrada e o que chamar de uma sinapse.
Você poderia esclarecê-lo mais uma vez? Acontece sempre na vida que as coisas mais simples são as mais difíceis de entender -:)
Parece estar funcionando -:)
Synapse(w), é o que o neurônio da esquerda tem. Input(d), refere-se ao número de sinapses em cada neurônio da primeira camada (oculta). Para um único neurônio NS, o número de sinapses é igual ao número de entradas. Para os NS consistindo de duas camadas e contendo dois neurônios na primeira camada (oculta) e um na segunda (saída): w=2d+3 . A entrada de um neurônio com uma compensação constante de +1 é considerada como uma entrada regular. Para tal rede com d=100, o número de sinapses w=2*100+3=203. Duração ótima do vetor de treinamento P=k*w^2/d=2*(2d+3)*(2d+3)/d=(aprox.)=2*2d*2=8d=8*100=800 amostras.
Obrigado!
Reformulou as entradas para o binário - tudo correu muito melhor! Agora estou executando a grade no testador com diferentes combinações de entradas. Que ótimo trabalho... -:)
Guten morgen,
Gostaria de compartilhar minha alegria: o primeiro resultado decente, não menos importante graças a alguns conselhos do Neutron no passado... A barra azul é o novo dado, ordenado em pips. Abscissa: 10.000 EURUSD60.
Posições longas:
As posições curtas não são tão impressionantes:
Rede neural, 13 entradas, sem camada oculta. Treinamento em algoritmos genéticos
Neutron, parece que você estava certo sobre a contagem de 25 prontidão... -:)
Algo em minha rede não está aprendendo. Após 100 épocas, os pesos são quase os mesmos com que a rede foi inicializada.
Em uma nota relacionada, outra pergunta boba:
O vetor de aprendizado é o mesmo em cada época ou não?
De qualquer forma, acontece que a razão entre correção acumulada e correção quadrática acumulada tende a zero muito rapidamente. Assim, após a 10ª iteração, o aprendizado praticamente pára.
Rede neural, 13 entradas, sem camada oculta. Treinamento em algoritmos genéticos
Incrível, YDzh!
Meus resultados são muito mais modestos. Você deve colocá-lo em demonstração e ver o que a grade vai cortar.