Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Если охота разобраться в структуре MLP то ИМХО лучше посмотрите на этот код...
Благодарю. Статья и ссылки помогли мне понять суть предназначения нейросетей - нахождение и обработка инварианта внутри вариативного пространства массива данных, и простейший метод технической реализации, который мне еще предстоит понять окончательно. Но, обьяснения очень доходчивы.
А мне больше нравится эта суть:
А мне больше нравится эта суть:
то есть прогноз надо заранее знать?
ну ну...
А мне больше нравится эта суть:
Техника "5 почему" построена на последовательных вопросах, когда каждый вопрос отвечает на причину предыдущего. К примеру, мы смотрим на график и растущий график цены и и строим вопросы (вопросы ответы даны абстрактно для разъяснения техники):
1. Куда торговать? - Покупать
2. Почему покупать? - Потому-что растущий тренд
3. Почему растущий тренд? - МА50 растет
4. Почему МА50 растет? - средня цена закрытия 50 свечей со сдвигом 1 ниже средней цены закрытия 50 последних свечей.
и т.д.
Т.к. вопросы последовательны и имеют причинно-следственную связь, то создаем слои для соблюдения этой связи. Если мы используем только 2 слоя, то теряется причинно- следственная связь, нейросеть анализирует ряд независимых вариантов и выбирает лучший.
метод 5 почему аналогичен дереву решений, также поэтапно сужается область поиска решения/причины. Всё-таки непонятно как это связано с тем, что используется 4 слоя в НС в такой структуре. Я понимаю еще структура была бы хитромудрая, например на второй слой подается просуммированный выход первого слоя и неизмененный входной сигнал и т.п.
Подскажите, вы опирались на какие-то другие работы, где использовались такие основания для выбора кол-ва слоев? Или это ваше ноу-хау?
з.ы. Работа хорошая, спасибо.
Техника "5 почему" построена на последовательных вопросах, когда каждый вопрос отвечает на причину предыдущего. К примеру, мы смотрим на график и растущий график цены и и строим вопросы (вопросы ответы даны абстрактно для разъяснения техники):
1. Куда торговать? - Покупать
2. Почему покупать? - Потому-что растущий тренд
3. Почему растущий тренд? - МА50 растет
4. Почему МА50 растет? - средня цена закрытия 50 свечей со сдвигом 1 ниже средней цены закрытия 50 последних свечей.
и т.д.
Т.к. вопросы последовательны и имеют причинно-следственную связь, то создаем слои для соблюдения этой связи. Если мы используем только 2 слоя, то теряется причинно- следственная связь, нейросеть анализирует ряд независимых вариантов и выбирает лучший.
Редкая ересь. Как связаны Ваши вопросы и количество слоев?! Вам бы теорию по нейросетям почитать.
Четырехслойная нейросеть, которую Вы построили ничему научиться не сможет. Есть такое понятие как деградация обратного распространения ошибки. При двух слоях все нормально, но при 4 ошибка просто не проходит все слои обратно. Для решения этой проблемы и появились глубокие нейросети различной архитектуры.
Как упражнение в программировании и как пример программирования наверное полезно. Но пользы от практического применения не будет. ИМХО
Удачи
Информации по описанному типу сетей (и по многим другим типам) полно на данном сайте -- и статьи, и программы в кодебазе. Нужно только задействовать поиск. Например, статьи: Рецепты нейросетей, Нейросетевой самооптимизирующийся советник; кодебаза - классы для MLP (у того же автора см. еще несколько типов сетей, и не у него одного), индикатор с нейросетевым прогнозированием (с кратким описанием теории), и т.д. Для того чтобы понять, как это работает, информации достаточно. Но для реального использования одного источника мало - нужно прочесть кучу материалов и учесть кучу нюансов.
Информации по описанному типу сетей (и по многим другим типам) полно на данном сайте -- и статьи, и программы в кодебазе. Нужно только задействовать поиск. Например, статьи: Рецепты нейросетей, Нейросетевой самооптимизирующийся советник; кодебаза - классы для MLP (у того же автора см. еще несколько типов сетей, и не у него одного), индикатор с нейросетевым прогнозированием (с кратким описанием теории), и т.д. Для того чтобы понять, как это работает, информации достаточно. Но для реального использования одного источника мало - нужно прочесть кучу материалов и учесть кучу нюансов.
вы не поняли, я знаком с нейронными сетями
мне пример кода нужен для простой архитектуры (например два нейрона на входе, 3 во внутреннем скрытом слое, один на выходе) и результат ее работы (как по профиту - график, так и по времени обучения и на конкретном оборудовании ) ...
хочется понять просто: будет ли реально работать эта схема при достаточной точности (прибыльности) и разумных временных затратах на ее обучение ...
добавлю что разработать классы и функции но не привести пример эксперта по этим классам - это не полная статья .... это просто теория которой полно на просторах интернетов