Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 285
Alım-satım fırsatlarını kaçırıyorsunuz:
- Ücretsiz alım-satım uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Michael Marchukajtes :
J Derin öğrenme hakkında. Şimdi birçok insan bunun hakkında konuşuyor, daha fazlasını bilmek istiyorum. Ve başka bir soru. MT4'te bir öğretmen olmadan Recurrent Network'ü kim uyguladı?
===================================
Burayı , burayı okuyun
İkinci soru için ne diyeceğimi bile bilmiyorum.
İyi şanlar
Antrenman yaparken, hedefi yalnızca modelin eğitmek için çabaladığı ama asla ulaşamadığı bir tür temel olarak kullanırım. Ve modeli değerlendirmek için, tahminin doğruluğunu kullanmıyorum, ancak bu tür tahminlere göre bir ticaret dengesi grafiği oluşturuyorum ve bu grafiği örneğin keskin bir oran veya bir kurtarma faktörü veya başka bir şey aracılığıyla değerlendiriyorum. "Bir sonraki çubuğun rengi" hedefiyle iyi çalışır. Daha karmaşık hale gelebilir ve küçük hareketler üzerinde anlaşmaları seğirmemek ve sadece onları oturmamak için genetik ile bu hedefi düzenleyebilirsiniz, ayrıca bir sonraki mumun boyutu yayılmadan daha küçükse seğiremezsiniz. Genel olarak, en büyük karı elde etmek için her çubukta genetik bir karar (al/sat) seçin.
Belirli göstergeleri ve diğer girdileri alıyorum, modeli eğitiyorum, aynı eğitim verileri üzerinde bir tahmin yapıyorum; tahminlere göre bir denge grafiği oluşturuyorum ve değerlendiriyorum. Daha sonra, daha iyi bir tahminle bir denge tablosu elde etmek için çok uzun bir süre boyunca modelin parametrelerini ve göstergelerin parametrelerini ve bunların kombinasyonlarını seçiyorum. Sonuç olarak, tahmin doğruluğu %60'tan fazla değildir, ancak model trendlere girer ve her çubuktaki işlemlerle ilgilenmez.
Bu sadece buzdağının görünen kısmı, su altında hala birçok gizli detay var, örneğin girdilerin kullanışlılığını değerlendirmek ve modelin kötü girdilere daha az ağırlık vermesini sağlamak gibi; R'deki yüzlerce model arasından uygun bir modelin seçilmesi; çapraz doğrulama; modelin eğitildiği geçmişin uzunluğunun seçimi; ve daha tonlarca.
Bütün bunlar benim için sadece oldukça geniş zaman dilimlerinde işe yarıyor, ilk başta sadece D1'de çalıştı, sonra yavaş yavaş H1'e geçmeyi başardım. Tüm küçük zaman dilimleri benim için zaten tahmin edilemez gürültü.
https://www.accern.com/ denemesini tavsiye ederim, kullanıyorum, çok memnunum.
Harika görünüyor, ama pahalı.
Ücretsiz bir şey üzerinde pratik yapmak, gecikmeden gerçek zamanlı olarak nasıl çalıştığını görmek istiyorum ve dev bir gecikmeye sahip bir demo var.
Böyle bir sinyalin ticarette ve MO'da nasıl kullanıldığını kısaca açıklayabilir misiniz? Bu bir sır değilse, önemli bir haber geldiğinde, ticaret yapmak için zamanınız var mı, yoksa daha bir saniye, yarım saniye içinde birileri piyasaya çıkıp kaymağı sıyırmaya mı başlıyor?
Ve modeli değerlendirmek için, tahminin doğruluğunu kullanmıyorum, ancak bu tür tahminlere göre bir ticaret dengesi grafiği oluşturuyorum ve bu grafiği örneğin keskin bir oran veya bir kurtarma faktörü veya başka bir şey aracılığıyla değerlendiriyorum.
Bu tam olarak her zaman yaptığım şeydir, tahminler her zaman kötüdür, ancak ticaretin kendisi her zaman değildir.... Genel olarak, ideal hedef "00110" değerlerine sahip bir vektör değil, bazı küresel minimum arayışıdır. , örneğin, kurtarma faktörünün 4'ün altına düşmemesi için ticaret yapma görevini basitçe ızgaraya veriyoruz ve bir çözüm bulana kadar ağırlıklarını orada seçmesine izin veriyoruz, bunu nasıl yapacağı bizi ilgilendirmez.. Bu yöntem, olağan vektör hedefindeki tüm dezavantajları ortadan kaldırır ve birçok avantaja sahiptir ve bu yöntem, ticaret vektörü hedefine ilişkin olarak kesinlikle nesneldir, kesinlikle öznel bir şeydir (herkes farklı görür)
R'de böyle bir hedefi uygulamak gerçekçi değil, bu anlamda çok "pop", her şey "raylar" üzerinde, her şey şablona göre, bu aynı zamanda iyi ve kötü. Yani ağı kendiniz yazmanız gerekiyor, nasıl olduğunu bilmiyorum, biri nasıl olduğunu biliyorsa, kodu büyük bir ilgiyle incelerdim ve eğer R'de yapılsaydı, o zaman bir peri masalı ...
Belirli göstergeleri ve diğer girdileri alıyorum, modeli eğitiyorum, aynı eğitim verileri üzerinde bir tahmin yapıyorum; tahminlere göre bir denge grafiği oluşturuyorum ve değerlendiriyorum. Daha sonra, daha iyi bir tahminle bir denge tablosu elde etmek için çok uzun bir süre boyunca modelin parametrelerini ve göstergelerin parametrelerini ve bunların kombinasyonlarını seçiyorum. Sonuç olarak, tahmin doğruluğu %60'tan fazla değildir, ancak model trendlere girer ve her çubuktaki işlemlerle ilgilenmez.
Ağ ticaretini nasıl önemli ölçüde iyileştirebileceğinizi söyleyebilirim (eğer ilgileniyorsanız), ona bir tür eleştirel düşünme vererek, neredeyse her zaman onsuzdan daha iyi sonuçlar aldım.
mytarmailS :
R'de böyle bir hedefi uygulamak gerçekçi değil, bu anlamda çok "pop", her şey "raylar" üzerinde, her şey şablona göre, bu aynı zamanda iyi ve kötü. Yani ağı kendiniz yazmanız gerekiyor, nasıl olduğunu bilmiyorum, biri nasıl olduğunu biliyorsa, kodu büyük bir ilgiyle incelerdim ve eğer R'de yapılsaydı, o zaman bir peri masalı ...
Düşünceyi yanlış formüle ediyorsun. Basitçe yazın: "Dili yeterince iyi bilmiyorum ve istediğimi nasıl yapacağımı bilmiyorum." Derinlemesine bilmediğin bir şeyi değerlendirmene gerek yok. R dili, yeterli bilgiye sahipseniz herhangi bir fikrinizi hayata geçirmeyi mümkün kılar. R'de bir şey yoksa Python geliştirmelerini kullanın.
Elbette, kesinlikle konuşmak gerekirse, herhangi bir modelin denetimli eğitimi "eğitim" değildir. Derin öğrenme buna yakındır, ancak en umut verici olanı saf denetimsiz öğrenmedir ve uygulaması pekiştirmeli öğrenmedir . Şimdiye kadar, R'de bu yöntemi uygulamanıza izin veren tek bir paket var - RNeat. Ancak bu seviyeye ancak öncekilerin tümünü mükemmel bir şekilde anlayarak ulaşılabilir. Bu alan Python'da iyi gelişmiştir. Ve R ile mükemmel bir şekilde bütünleşir.
İyi şanlar
Düşünceyi yanlış formüle ediyorsun. Daha basit yazın: "Dili yeterince bilmiyorum ve istediğimi nasıl yapacağımı bilmiyorum." Derinlemesine bilmediğin bir şeyi değerlendirmene gerek yok. R dili, yeterli bilgiye sahipseniz herhangi bir fikrinizi gerçekleştirmenizi mümkün kılar. R'de bir şey yoksa Python geliştirmelerini kullanın.
Elbette, kesinlikle konuşmak gerekirse, herhangi bir modelin denetimli eğitimi "eğitim" değildir. Derin öğrenme buna yaklaşır, ancak en umut verici olanı saf denetimsiz öğrenmedir ve uygulanması takviyeli öğrenmedir. Şimdiye kadar, R'de bu yöntemi uygulamanıza izin veren tek bir paket var - RNeat. Ancak bu seviyeye ancak öncekilerin tümünü mükemmel bir şekilde anlayarak ulaşılabilir. Bu alan Python'da iyi gelişmiştir. Ve R ile mükemmel bir şekilde bütünleşir.
İyi şanlar
Y Pekala, şimdi anlaşıldı. Başka bir deyişle, önce diyelim ki öğretmeni olmayan bir ağı eğitiyoruz. Daha sonra, sınıflandırıcının ağırlıklarını yazıyoruz ve ardından sınıflandırıcı öğretmenle daha fazla eğitilmiş durumda. çok ilginç ama net değil. Nöral iletim ince ayarının ağırlıklarını aldığımızı varsayalım, ağırlıklar optimizasyona devam ediyor????? Başka bir deyişle, denetimsiz ön eğitim gerçekleştirdikten sonra, sınıflandırıcı için onu global minimuma getiren başlangıç ağırlıklarını belirledik. Ne olmuş?
Çabuk tutun ve tam olarak doğru değil. R'de derin sinir ağlarını uygulayan iki paket vardır - derin ağ ve darch v.0.12. İlki, pek çok ayar ve özellik olmadan tamamen basitleştirilmiştir, ancak size deneme ve değerlendirme fırsatı verir. İkincisi, bir sinir ağını tasarlamak ve yapılandırmak için en geniş olanaklardır, hazırlıksız bir kullanıcının onu kullanması son derece zor olacaktır. Ancak doğru derin öğrenme yeteneklerine sahiptir.
1. Otomatik ilişkisel ağın (SAE/SRBM) olası maksimum etiketlenmemiş giriş verisi miktarı üzerinde ön eğitimi.
2. Ağırlıkların sinir ağının gizli katmanlarına aktarılması ve etiketlenen veriler üzerinde sadece üst katmanın eğitilmesi. Paket, hangi belirli katmanların eğitileceğini belirlemenizi sağlar.
3. Az sayıda çağ (2-3) ve az miktarda etiketlenmiş veri üzerinde düşük düzeyde eğitim ile tüm ağa ince ayar yapın. Bu, zirvelerin etrafına örnekler uygulamanız gereken yerdir.
Bu paketin uygulanması için çok önemli bir olasılık, sinir ağının ek eğitimi olasılığıdır.
Tabii ki, ağı ön eğitim olmadan da eğitmek mümkündür.
Ağ çok hızlıdır, ancak deneyim ve bilgi gerektirir.
İyi şanlar
Michael Marchukajtes :
Yine de, bunun derin öğrenmenin amacı olduğunu açıklığa kavuşturun. İlk aşamada nöronların ağırlıklarını aldığımızda. Bu ağırlıkları sınıflandırıcının gizli katmanına yazıyoruz. Ve sınıflandırıcıyı çıktı değişkeni üzerinde eğitmeye başlıyoruz. Ağırlıkların değerini sabit kodlarsak, optimize edilen şey. İnce ayar neye benziyor???? Açıklayabilir misin????
====================================
Kendime giderek artan bir şekilde şu soruyu soruyorum: "Konuyla ilgili temel kavramları elimden geldiğince çiğnemeye çalıştığım makaleleri neden yiyorum?"
"Derin öğrenme" konusundaki makalelerimi okudunuz mu? Orada bana göründüğü gibi her şeyi ayrıntılı olarak açıkladım. Yazılanları tekrarlamak için zaman yok. Onlara yansımayan bir soru varsa, cevaplamaya hazırım.
İyi şanlar