Etiqueta de mercado ou boas maneiras em um campo minado - página 41
![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
Eu tenho estragado a precisão das previsões neurônicas de camada única e dupla nos relógios Eurobucks, e vejo que a camada única é visivelmente mais eficiente. Acho que isto se deve ao fato de que não existem dependências "complicadas" não lineares entre as barras no mercado. Tudo aqui é tão simples quanto um pé-de-cabra e as dependências são as mais lineares, que é o que o monocamada funciona. A propósito, essencialmente, a arquitetura de um único neurônio é análoga ao modelo AR linear da ordem n, onde n é um número de entradas de NS, e o fato de que a camada dupla não encontra nada de novo entre barras, diz sobre a inutilidade do uso de modelos AR não lineares neste caso, concreto.
Embora eu não tenha absoluta confiança em sua exatidão - tente seu neurônio nos meus dados - ele está no trailer junto com a garota, e se você tiver tempo e desejo - verifique a garota em seus dados.
Você me descarrega seu arquivo com EURUSD 1h e salva seus arquivos Matkad no formato 11, caso contrário não poderei lê-lo novamente.
Desculpe, é claro, mas ultimamente tenho tido problemas para conseguir a dica. Talvez seja porque tenho estado a exagerar no computador. O que é esse "algo" sobre o qual você está escrevendo? Pelo menos me dê um exemplo.
Uma vez alimentei estocástico(0) no momento da formação de uma nova barra, entre outras coisas. Ou você pode usar MA(0) com PRICE_TYPICAL como entrada. Por definição, ele já contém o preço fechado. Ou seja, você dá à rede uma "dica" e ela só deve se apoderar dela. Se ele pegar a dica, você saberá, que o algoritmo de treinamento funciona.
Tenho me estragado comparando a precisão da neurônica de camada única e dupla nos relógios Eurobucks, e vejo que a camada única é visivelmente mais eficiente. Acho que isto se deve ao fato de que não existem dependências "complicadas" não lineares entre as barras no mercado. Tudo aqui é tão simples quanto um pé-de-cabra e as dependências são as mais lineares, que é o que o monocamada funciona. A propósito, essencialmente, a arquitetura de um único neurônio é análoga ao modelo AR linear da ordem n, onde n é um número de entradas de NS, e o fato de que a camada dupla não encontra nada de novo entre barras, diz sobre a inutilidade do uso de modelos AR não lineares neste caso, concreto.
Basta enviar-me seu arquivo com EURUSD 1h e salvar seus arquivos Matkad no formato 11, caso contrário, não poderei lê-lo novamente.
Eu tinha essa suspeita, mas a rejeitei corajosamente :-) Desculpe pelo formato - não o vi direito. A propósito, estou tentando manipular a velocidade de aprendizagem agora (Greek Eta) - os resultados para AUDUSD melhoraram significativamente introduzindo este 15-20 - eu recebi mais de 4,5 retornos. Mas esta ação não teve nenhum efeito sobre o Eurobucks.
Uma vez eu alimentei com um estocástico(0) a entrada quando uma nova barra foi formada, entre outras coisas. Ou você pode usar MA(0) com PRICE_TYPICAL como entrada. Por definição, ele já contém o preço fechado. Ou seja, você dá à rede uma "dica" e ela só deve se apoderar dela. Se ele pegar a dica, você saberá, que o algoritmo de treinamento funciona.
Então não seria mais fácil apenas alimentar uma barra zero (inacabada perto) com a entrada? Mas como você vê os resultados? O testador não vai ajudar aqui, nem a modelagem numérica, que Sergei aqui me ensina.
Aqueceu até 100... maravilhas, no entanto!
Este é um grande método de ensino! O principal é entender como utilizá-lo corretamente.
Lembra-se de minhas "fantasias" sobre entropia e tudo isso? Então é exatamente isso que você fez, você só precisa abandonar a inicialização inicial da balança e aumentar a temperatura da garota, e depois esfriá-la gradualmente. E, a questão é: por que precisamos dessa camada dupla?
Seria bom pensar na otimização simultânea de três parâmetros: dimensionalidade de entrada, número de épocas e temperatura inicial. Todos os três parâmetros são críticos, ou seja, a mudança de qualquer um deles mesmo por um (temperatura por dez) dá um resultado completamente diferente.
Todos os três parâmetros são críticos, ou seja, mudar qualquer um deles mesmo por uma unidade (temperatura por um décimo) dá um resultado completamente diferente.
Em geral, isto pode indicar uma fraca capacidade de aprendizagem da NS. Pense nisso, a busca do mínimo global na superfície deve ser fornecida a partir de quase qualquer ponto de partida. E você não satisfaz esta condição (sensibilidade à randomização inicial de pesos). Isto é um sino.
Precisamos descobrir até compreendê-lo.
Onde procurá-lo?
Boa pergunta! Eu não sei. Felizmente, o Matcad permite visualizar o processo de contagem em qualquer etapa. Experiência.
Atualmente, estou me dedicando ao meu bilayer - estou analisando a dependência da eficiência do aprendizado em relação ao k. É bastante intensivo em recursos, portanto, ainda não estou executando sua solução por minha conta.