Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2495
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
..
Evet, inanıyorum, inanıyorum, şimdiden sakin ol)))
Çöp. Görünüşe göre sinir ağları burada gerçekten hüküm sürüyor. En azından benimkiler o seviyede...
tüm kollektif çiftlik ve fabrika vardiyasıyla güldü (oh, herkes toplandı) :-)
sinir ağlarında gerçekten çalışan bir yıldan daha eski bir sinyal göster
genellikle sadece kırmızı bir kelime için "sinir ağları, derin öğrenme" ve diğer zaumlardan bahsederler. Ve düşünürken - martingale, kilitler, ızgaralar ve basit MA. Ev yapımı gerçeklik - basit algoritmalar ve banal razvodilovo kuralı
---
konuya ne kadar bakarsam bakayım sonucu görüyorum: sadece güzel (gerçekten çok iyi) makaleler ve yazarların kişisel gelişimleri
tüm kollektif çiftlik ve fabrika vardiyası ile güldü (oh, herkes toplandı) :-)
sinir ağlarında gerçekten çalışan bir yıldan daha eski bir sinyal göster
genellikle sadece kırmızı bir kelime için "sinir ağları, derin öğrenme" ve diğer zaumlardan bahsederler. Ve düşünürken - martingale, kilitler, ızgaralar ve basit MA. Ev yapımı gerçeklik - basit algoritmalar ve banal razvodilovo kuralı
---
konuya ne kadar bakarsam bakayım sonucu görüyorum: sadece güzel (gerçekten çok iyi) makaleler ve yazarların kişisel gelişimleri
öyle demek istemedim...
Ve sinir ağları hakkında, yukarıda, standardın genel olarak hiçbir şey hakkında 55-56 olduğunu yazdım.
Modellere gelince, mesele onlarda değil, AI'nın esasen bir tahmin edici olduğu gerçeğinde ...
mesele sadece bu, mesele pom ile bulunan bağımlılıklar temelinde oluşturulan modellerde. AI, - ve modelden NN'ye gitmek gerekli değil, NN'den modele - belirli mevcut koşullarda çalışmak ... elbette koşullar değişebilir ...
Dengenin klasik AS segmentinde olduğunu düşündüm ve Keynesyen segmentteki dengesizliğin - Keyns'e göre - Ulusal Meclisin bu gerçeği küresel olarak belirlemesinin artık benim için önemli olmadığını anladım ...
(ve yaklaşıklık, AI becerilerinden sadece 1'idir, + optimizasyon vb.),
Evgeny İlin # :
İhtiyacınız olan her şey OHLC'dedir, geri kalan veriler onlardan türetilmiştir. Ana şey, OHLC'yi daha fazla ağırlığa sahip verilere dönüştürmenin bir yolunu bulan esnek bir algoritmadır, yine makinenin görevi budur. Ek olarak, sadece OHLC hemen hemen her yerde aynıdır, kene hacimlerine veya başka bir şeye bakarsanız, tüm bu veriler spreadler vb. gibi her yerde farklıdır. İhtiyacınız olan her şey terminaldeki çizelgede.
ancak derin öğrenme kapasitesi varsa, o zaman muhtemelen bu şekilde de mümkündür ... (1. ve 2. türevlerin yardımıyla sanki bir sis içindeymiş gibi “düz bir çizginin” eğriliğini nasıl bulacağımı bile hatırladım) , alıntı yazarı sayesinde))
ve eğer daha mütevazıysa, o zaman özelliğin önemine göre örneği şimdiki ana sürmek mümkündür ... o zaman verim eğrisi yatay bir düzleme gitmeye başladığında yeniden eğitin ...
ancak başlangıçta gerçekten anlamlı işaretler kullanırsanız (mantıklı! muhasebe ve ekonomik olarak), o zaman makine şu anda piyasayı neyin hareket ettirdiğini (yani sürücünün şu anda en çok neye bağlı olduğunu) anlayacaktır...
Mihail Marchukajtes'in çok ilginç/mantıklı bir yaklaşımı var ve kendisine polinomu anlattığı için teşekkürler ( ayrıca hatırlamaya çalışacağım )... Konuda sadece bir kişi! ... ve eğer başka biri bilmiyorsa ve istemiyorsa geçmişin istatistiklerinin nasıl çalıştığını bilmek (henüz model DEĞİL!!), gerçekten de geleceğe transfer için makul bir şekilde işlenebilmesi için (elbette, 50/50 olasılıkla) - o zaman modeli suçlayacaktır , ve nöron ve piyasa ve koşullar ... ve bu arada, ikincisini değiştirirken sadece iyi girdiler koyabilirsiniz! - çünkü yapısı ne olursa olsun herhangi bir ekosistemin işleyiş şeması her zaman aynıdır: Koşullar -> Tepkiler -> Sonuçlar (ve hatta çevresel sonuçlar )
Bir tüccarın ana becerisi, piyasaya ne zaman GİRMEYECEĞİNİZİ bilmektir! .. IMHO
not
ve bulunan mevcut bağımlılıkların ve etkileşimlerinin Model'e zaten dökülüp dökülmeyeceği - bu zaten daha küresel bir soru ... ve NN'yi hiçbir şekilde ilgilendirmiyor, daha ziyade yazarın beyninin yaklaşık yetenekleri ile ilgili. NN'yi bir araç olarak kullanan, ancak giriş için temel olmayan örnek çalışma ve analiz ve Sonuçlar konusundaki sorumluluğunu kendisine devretmeden
mesele sadece bu, mesele pom ile bulunan bağımlılıklar temelinde oluşturulan modellerde. AI, - ve modelden NN'ye gitmek gerekli değil, NN'den modele - belirli mevcut koşullarda çalışmak ... elbette koşullar değişebilir ...
Dengenin klasik AS segmentinde olduğunu düşündüm ve Keynesyen segmentteki dengesizliğin - Keyns'e göre - Ulusal Meclisin bu gerçeği küresel olarak belirlemesinin artık benim için önemli olmadığını anladım ...
(ve yaklaşıklık, AI becerilerinden sadece 1'idir, + optimizasyon vb.),
ancak derin öğrenme kapasitesi varsa, o zaman muhtemelen bu şekilde de mümkündür ... (1. ve 2. türevlerin yardımıyla sanki bir sis içindeymiş gibi “düz bir çizginin” eğriliğini nasıl bulacağımı bile hatırladım) , alıntı yazarı sayesinde))
ve eğer daha mütevazıysa, o zaman özelliğin önemine göre örneği şimdiki ana sürmek mümkündür ... o zaman verim eğrisi yatay bir düzleme gitmeye başladığında yeniden eğitin ...
ancak başlangıçta gerçekten anlamlı işaretler kullanırsanız (mantıksal! muhasebe ve ekonomik olarak), o zaman makine şu anda piyasayı neyin hareket ettirdiğini (yani sürücünün en çok neye bağlı olduğunu) anlayacaktır...
Mihail Marchukajtes'in çok ilginç/mantıklı bir yaklaşımı var ve kendisine polinomu açıkladığı için teşekkürler (ayrıca hatırlamaya çalışacağım)... Konuda sadece bir kişi! ... ve eğer başka biri bilmiyorsa ve istemiyorsa geçmişin istatistiklerinin nasıl çalıştığını bilmek (henüz model DEĞİL!!), gerçekten de geleceğe transfer için makul bir şekilde işlenebilmesi için (elbette, 50/50 olasılıkla) - o zaman modeli suçlayacaktır , ve nöron ve piyasa ve koşullar ... ve bu arada, ikincisini değiştirirken sadece iyi girdiler koyabilirsiniz! - çünkü yapısı ne olursa olsun herhangi bir ekosistemin işleyiş şeması tam olarak şudur: Koşullar -> Tepkiler -> Sonuçlar (ve hatta çevresel sonuçlar )
Bir tüccarın ana becerisi, piyasaya ne zaman GİRMEYECEĞİNİZİ bilmektir! .. IMHO
not
ve bulunan mevcut bağımlılıkların ve etkileşimlerinin Model'e zaten dökülüp dökülmeyeceği - bu zaten daha küresel bir soru ... ve NN'yi hiçbir şekilde ilgilendirmiyor, daha ziyade yazarın beyninin yaklaşık yetenekleri ile ilgili. NN'yi bir araç olarak kullanan, ancak analiz ve sonuçların tüm sorumluluğunu ona devretmeyen çalışma
TensorFlow belgelerini okuyun, her şey bir kurucu biçimindedir... pratik olarak. Doğru, bunlar kara kutular. Eğer ilgilenirseniz, el ile yazılmış algılayıcının koduna bir göz atabilirim ve bu arada, her şey tamamen matris hesabıdır, her şey üzerine kuruludur.
bu arada tensorflow.keras ( Evgeny Dyuka gibi) - o zaman
Şu anda Keras, özelliğin önemini ortaya çıkarmak için herhangi bir işlevsellik sağlamıyor.
SKLearn daha ilginç görünüyor - Makine öğrenimi sonuçlarının yorumlanması (belki çok iyi bir kütüphane değil, ancak değerlendirme mantığı verilmiştir)
ps
sen koymadın...
bu arada tensorflow.keras ( Evgeny Dyuka gibi) - o zaman
SKLearn daha ilginç görünüyor - Makine öğrenimi sonuçlarının yorumlanması (belki çok iyi bir kütüphane değil, ancak değerlendirme mantığı verilmiştir)
ps
sen koymadın...
Ne tür vahşilere tırmanıyorsun. NN'yi çok daha basit bir düzeyde tahmin etme (veya daha doğrusu tahmin etmeme) sorunları ve NN'nin kendisiyle hiçbir ilgisi yoktur
https://neurohive.io/en/tutorial/prostaja-nejronnaja-set-python/
Bu basit bir algılayıcıdır))).
Eğitim örneğim Jüpiter'de, parçaları kopyalamak istemiyorum ama github kullanmıyorum.
Ne tür vahşilere tırmanıyorsun.
mantığın içine ... bir özelliğin bir faktöre bağımlılığını açıklayan bir formülün eksikliğini gidermek gerektiğinde NN kullanılır ... ağırlıklandırma kullanılır ... ama aynı zamanda - önce ve sonra NN, standart/klasik bir stat çalışır. işleme ... örneğin, yalnızca PDF=F'(X)=dF(x)/dx'e sahip olmak (ancak popülasyon analizine ilişkin tüm sonuçlar PDF'ye göre yapıldığı için CDF'ye ihtiyacımız yok gibi görünse de) ve uçucu veriler -- Her şeyden önce, birlikte analiz edilebilmesi için dağılımları tekdüzeliğe getirmem gerekiyor - ve burada ağırlıklandırma yardımcı olacaktır (burada matematik için uğraşmıyorum) ... ama analizin kendisinin yapacak hiçbir şeyi yok NN ile ilgili sonuçlar (ns) ile yapın. .. böyle bir değerlendirme kaba olabilir, ancak klasik istatistik de kusurludur (örneğin, artışların logaritmasının kullanılması kendi içinde bir eğilim ortaya çıkarır. sonuçlara - tamamen matematiksel bir kusur) ... ve herhangi bir modelin Varsayımları vardır ...
piyasa katılımcıları tahminleri beklemezler, ancak risk ve oynaklığı değerlendirirler ve alım satım (ve korunma) kararlarını buna dayalı olarak verirler ... sadece bu analizde 2 değişken faktör vardır - oynaklık ve zaman penceresi - ve NN yardımcı olur numuneleri tek bir statüde ortak analiz etme olasılığı için tek biçimliliğe getirin (ancak GARCH da kullanılabilir). Modeller ve ufku belirlemeye yardımcı olur ... matın olmadığı anlarda. formüller ve gerekli değil (bu dünyadaki her şey değişir) ... ancak tartarak, tartarak ve tekrar tartarak (k-l regresyonuna sıkıştırma uğruna) - onu tek bir stat modelinde ortak analiz olasılığına getirmek ve tercihen hiç gürültüsüz veya en azından minimizasyonu ile ...
Bir Gauss için mantık Bayes çıkarımı akılda tutulmaya değerdir ...
asıl mesele, sinir ağının böyle bir mimarisini inşa etmektir, böylece sinir katmanlarından geçerken, çıktıya giden yolda varyans artmaz ... IMHO (zaten varsa neden biriktirin? olduğu gibi mevcut - retorik bir soru) ... ve sonra klasik istatistik mantığı ... ve çok derin bir tarihte bile, sağlam anların niteliksel bir analizi için yeterli örnek yok (hayatta her şey olur) ... muhtemelen , Mihail Marchukajtes sınıflandırma modelinde aykırı değerler olabilir... (onlarla nasıl başa çıkacağınızı düşünmeniz gerekir?)
şimdiye kadar IMHO'm ... import scipy.stats'a istatistik olarak bakacağım
ps
bağlantı için teşekkürler
Bir özelliğin bir faktöre bağımlılığını açıklayan bir formülün yokluğunun üstesinden gelmek gerektiğinde NN'nin kullanıldığı mantığa ... ağırlıklandırma kullanılır ... ancak aynı zamanda - önce ve sonra NN, standart/klasik bir stat çalışır. işleme ... örneğin, yalnızca PDF=F'(X)=dF(x)/dx'e sahip olmak (ancak popülasyon analizine ilişkin tüm sonuçlar PDF'ye göre yapıldığı için CDF'ye ihtiyacımız yok gibi görünse de) ve uçucu veriler -- Her şeyden önce, birlikte analiz edilebilmesi için dağılımları tekdüzeliğe getirmem gerekiyor - ve burada ağırlıklandırma yardımcı olacaktır (burada matematik için uğraşmıyorum) ... ama analizin kendisinin yapacak hiçbir şeyi yok NN ile ilgili sonuçlar (ns) ile yapın. .. böyle bir değerlendirme kaba olabilir, ancak klasik istatistik de kusurludur (örneğin, artışların logaritmasının kullanılması kendi içinde bir eğilim ortaya çıkarır. sonuçlara - tamamen matematiksel bir kusur) ... ve herhangi bir modelin Varsayımları vardır ...
piyasa katılımcıları tahminleri beklemezler, ancak risk ve oynaklığı değerlendirirler ve alım satım (ve korunma) kararlarını buna dayalı olarak verirler ... sadece bu analizde 2 değişken faktör vardır - oynaklık ve zaman penceresi - ve NN, numunelerin tek bir statü içinde ortak analizlerinin yapılabilmesi için tekdüzelik (ancak GARCH da kullanılabilir). Modeller ve ufku belirlemeye yardımcı olur ... matın olmadığı anlarda. formüller ve buna gerek yok (bu dünyadaki her şey değişir) ... ancak tartarak, tartarak ve tekrar tartarak - tek bir stat modelinde ve tercihen hiç gürültüsüz veya en azından onunla birlikte ortak analiz olasılığına yol açmak için minimizasyon...
asıl mesele, sinir ağının böyle bir mimarisini inşa etmektir, böylece sinir katmanlarının çıktıya giderken geçişi sırasında dağılma artmaz ... IMHO (zaten mevcutsa neden biriktirin? olduğu gibi - retorik bir soru) ... ve sonra klasik istatistik mantığı ... ve çok derin bir tarihte bile sağlam anların niteliksel bir analizi için yeterli örnek yok (hayatta her şey olur)
şimdiye kadar IMHO'm ... import scipy.stats'a istatistik olarak bakacağım
ps
bağlantı için teşekkürler