Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2465
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
Nasıl hatırlamaz? Aynen öyle.
"Sinir ağlarına dayalı veritabanları" ifadesiyle hiç karşılaştınız mı? Bir keresinde bununla karşılaştım ve NA/ağaçların ne olduğunun en iyi tanımının bu olduğunu düşünüyorum.
Bir ağaç son bölünmeye kadar eğitilebilir ve ardından tüm geçmişi mutlak bir doğrulukla kesinlikle hatırlayacaktır (fazla eğitilmiş bir model elde edeceğiz).
Son bölmeden önce değil, biraz daha önce, bölmeyi durdurun (örneğin, yaprak başına 10 örnek), o zaman bu en benzer 10 örneğin sonuçlarının ortalamasını ve genellemeyi içeren bir ezber alırsınız. Yeniden eğitim daha az olacaktır. Onlar. Yetersiz eğitim aşırıya kaçmaya başladığında bölünmeyi durdurmak gerekir. Bu ana ve en zor görevdir.
Bana öyle geliyor ki, ticarette sinir ağlarını ve makine öğrenimini karıştırmamalısınız - buradaki resimleri beğendim - hala sinir ağlarını gördüğüme dayanarak - Teknik Analiz için fırsatlar olarak (zaten olduğu gibi gözlerin, kulakların vb. yukarıda belirtilen) veya tekrarlayan seçenekleri için,
Elinizde çok fazla veri olduğunda, formülünüz olmadığında, veri kümenizdeki girdiler ve çıktılar arasında bir ilişki bulmanıza yardımcı olmak için ihtiyacınız olduğunda veya açıklamalar yapmak yerine tahminler yapmanız gerektiğinde olduğu gibi.
veya ağırlıklarla - (ancak bunları mantıksal olarak nasıl belirleyebilirim, bunu mümkün görmüyorum (0'dan 1'e kadar aptal olan hariç) veya eğitimliyse (0 veya 1), o zaman gitmemeleri için yoldan çıkmak)
Nöronlar, sinyalin sırayla geçtiği katmanlar oluşturur. Bütün bunlar sinirsel bağlantılarla - verilerin iletildiği kanallarla birbirine bağlanır. Her kanalın kendi "ağırlığı" vardır - ilettiği verileri etkileyen bir parametre
ve daha genel bir biçimde makine öğrenimi, hem bir karar ağacı hem de bir karar ormanıdır, burada sizinle aynı fikirdeyim, asıl mesele zamanında durmak ve sadece genetik algoritmalar (aynı Excel'de) ve istatistiklerle daha fazla öğrenme için hatalar ve hataların geri yayılımı ... ve muhtemelen, bir portföyün riskini ve çeşitlendirme ve riskten korunma yollarını değerlendirmek için aynı Monte-Carlo ve Sharpe oranı, vb. analiz için çok fazla veri)
ps
peki ve fiyat hareketlerini tahmin etmek için bir tür genel bakış NN
Tek bir doğru ağ organizasyonu yoktur. Her ağ mimarisinin kendi avantajları ve dezavantajları vardır. Geri yayılım ağları, iyi performans sundukları için yaygındır, ancak genellikle eğitilmesi ve yapılandırılması zordur. Tekrarlayan ağlar, geri yayılım ağlarına göre bazı avantajlar sunar, çünkü "bellek özellikleri" verilerdeki zaman bağımlılıklarını çıkarmak ve böylece tahmini geliştirmek için kullanılabilir. Daha karmaşık modeller, hatayı veya ağ yapılandırma sorunlarını azaltmak için yararlı olabilir, ancak genellikle eğitilmesi ve analiz edilmesi daha karmaşıktır.
- yani bellek ancak ağ mimarisine yerleştirilirse olacaktır ... ve belleği geçici bir değişkenin (bir fiyat gibi) bir modeline yerleştirmek bana çok saf ve pervasız görünüyor ... bellek demografik analize dahil edilebilir veriler, mevsimsel dalgalanmalar ve daha sistematik olarak başka bir şey Gerçekten tekrarlayan ve sabit... ANCAK bir günlük tüccar için fiyat hareketi DEĞİL... aşırı durumlarda, geyik analizinde... IMHO... son K'lar yalnızca bakarsanız (ve ardından Flat / Trend'i ayırt etmek için - yalnızca olasılık 0,5 )
(Belirtilen nedenlerden dolayı, muhtemelen, gerçekten de, bu anlaşmazlık anlamsızdır - belirli bir ağın belirli mimarisinden veya diğer makine öğrenimi seçeneğinden bağımsız olarak konuşmak ) ... ancak uyarı için - teşekkürler
burada hafıza ile - uzağa gitmenize gerek yok (daha doğrusu hafıza olmadan - onu götürdüler ve unuttular, çıktı'e'de ara hafıza verileri artık önemli değil):
Monte Carlo, her kararın genel risk üzerinde bir miktar etkisi olacağını varsayan bir karar verme aracıdır.
Portföy optimizasyonu için Monte Carla yöntemi nasıl kullanılır -
İlk olarak hisse senetlerine rastgele ağırlıklar verilmiş, ardından getiri ve standart sapma hesaplanmıştır. Alınan değerler kaydedilir. Bir sonraki adım, ağırlıkları rastgele değiştirmek (ana şey, toplamlarının bir olması gerektiğini unutmamaktır) ve her şey tekrar eder - sonuçtaki değeri hesaplamak ve kaydetmek. Yineleme sayısı zamana, hesaplama için bilgisayar gücüne ve yatırımcının kabul etmeye istekli olduğu risklere bağlıdır.
(Analiz ve Çözüm Paketi ile Excel'de - muhtemelen, uygulama daha da basittir - soru yine modelde kalır ve Genetik ve diğer algoritmalar Çözüm Arama'da seçilecek şekilde ayarlanmıştır - ve işte burada " künt numaralandırma yöntemi " hazır) .. risk yönetimi için doğru ve henüz bir fiyat hareketi tahmini değil
tüm cevaplardan sonra, bir sonuç bölümü yapmalısın, çünkü şimdiye kadar herkes kendi hakkında konuşuyor ... (konu şu - tek bir sonuç olmayacak - birçok yöntem var - ortak bir payda yok)
elibrarius'un hatırladığı bir ağaçta olduğu gibi
Onlar. Yetersiz eğitim aşırıya kaçmaya başladığında bölünmeyi durdurmak gerekir. Bu ana ve en zor görevdir.
tüm cevaplardan sonra, bir sonuç bölümü yapmalısın, çünkü şimdiye kadar herkes kendi hakkında konuşuyor ... (konu şu - tek bir sonuç olmayacak - birçok yöntem var - ortak bir payda yok)
elibrarius'un hatırladığı bir ağaçta olduğu gibi
Bunların hepsi kumarhane için, Forex'te her şey farklı. Bir robota ne anlatabilirsin? Mavi olan kırmızı olandan daha yüksek olduğunda, satın alın. Bu kadar;)
Vladimir, yaklaşık bir düzine benzersiz konumum/durumum var
stackoverflow üzerinden bakarsanız çok basit bir mantık ortaya çıkıyor (Excel Çözüm Arama eklentisinde olduğu gibi):
0/ dürüst olun ve eğitim setinden elde edilen ortalamayı ve ölçeği kullanın -
1/ Sinir ağı, öğrendiklerini ağırlıkları ve yanlılıkları aracılığıyla hatırlar .
2/ Ağırlıkları rastgele başlat - bu zaten sorumluluğu makineye kaydırıyor - geliştiriciye değil NE LÜTFEN
3/ onu bazı kalıplarla - büyük verilerle (ve bu arada bilgisayarın büyük gücüyle) - veya bir gerileme veya lojistik modelle veya başkalarıyla (düşünmeye ve seçmeye değer - çok fazla seçmek zorunda değilsiniz , çünkü seçerek) doğrusal regresyon, optimize edicinin çalışma fırsatını ortadan kaldıracağız, bu yüzden sanırım)
4/ ... girdiyi girin ve eğitimli makineden ve HER ŞEYDEN sonucu alın
ps Sürekli ve Ayrık yapay sinir ağlarını hatırlayın - 1., muhtemelen bir integral fonksiyon, 2. - düz/eğilimi belirlemek için, örneğin ...
ve moda hakkında bazı tavsiyeler
Tekrarlayan sinir ağları çeşitli finansal tahmin uygulamaları için çeşitli zamanlarda moda bir yöntem olmuştur, örneğin
pps biraz teori
Bayes ağlarında köşelerin ve kenarların anlamı vardır - Ağ yapısının kendisi size değişkenler arasındaki koşullu bağımlılık hakkında değerli bilgiler verir. Sinir Ağları ile ağ yapısı size hiçbir şey söylemez.
ve python kitaplıkları (ayrıca R yapabilirsiniz), eğer excel yeterli değilse
(Şimdiye kadar okuyamayan ve anlamayanlar, kumarhanede yeterince oynamadıkları için robotlarına bir şeyler açıklamanın hayalini kuruyorlar)
... ancak lineer regresyon kafa karıştırıcı çünkü hatırladığım kadarıyla fiyatlar lineer değil ve getiri lineer (tersi değilse?)
tersi değil, çünkü
Fiyatlar normal dağılımlı olmasa da, çoğu durumda fiyat getirisi normal dağılıma sahiptir.
tersi değil, çünkü
mantık tersine dönse de uzak hafıza ile birlikte doğrulanır...MT5 için çalışan bir uygulama yaptım, zaten son kullanıcıya direkt, iki tıkla kuruluyor.
Sinir ağı, kullanıcının bilgisayarında bir exe dosyasında başlatılır (exe ve ardından bir Python betiği olmadan da mümkündür).
Harici istekler, API'ler, dll'ler vb.
Standart bir gösterge şeklinde tahminler.
Daha fazlasını buradan okuyun.