Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2772
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret 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
Herhangi bir ticaret yapılıyor muydu? Yoksa hepsi r-ka'daki testler düzeyinde miydi?
Sadece R.
MO'da profesyonel olmaktan çok uzağım, bu yüzden bir problemi nasıl çözeceğimi bilmek istiyorum.
Bildiğiniz gibi, sıcaklığı Fahrenheit'tan Celsius'a dönüştürmek için standart formül kullanılır: C = (F-32)*5/9
Gradient bousting örneklem içinde mükemmel sonuçlar verir, ancak örneklem dışında hata hemen artar.
neden? çünkü formül çok basit. döviz piyasasındaki karmaşık bir ilişki hakkında ne söyleyebiliriz?)
bu algoritmanın OOS üzerinde iyi sonuçlar göstermesi nasıl sağlanır?
neden? çünkü formül çok basit. döviz piyasasındaki karmaşık ilişki hakkında ne söyleyebiliriz?)
Bu algoritmanın OOS üzerinde iyi sonuçlar göstermesi nasıl sağlanır?
En iyi çözüm, strateji test cihazındaki aktivasyonun nöron sayısını, katmanlarını ve fonksiyon türlerini (bazıları ilkinde, diğerleri sonuncusunda) optimize etmek olmaz mı? Ve ağırlık değişimi olarak hatanın geri yayılımını kullanmak?
Bu fikri test etmeye karar verdim. Tek katmanlı ağ (katman sayısını nasıl genişleteceğimi bilmiyorum), nöronlarda tanjant fonksiyonu (nasıl değiştireceğimi bilmiyorum), çıkışta fonksiyon yok (nasıl koyacağımı bilmiyorum). Hatanın geriye doğru yayılımı. eğitim dönemi: yıl - 2021/08/01-2022/08/01
Optimizasyon aşağıdaki parametrelerin seçilmesinden oluşuyordu:
- giriş verilerinin sayısı (döngü girişe istenen sayıda kapanış fiyatı farkını gönderdi N0-N1, başka şeyler de yapabilirsiniz, ancak eller ulaşmadı) - 1'den 999'a kadar (dizi değişkeni daha fazlasını yapmaya izin vermedi), adım 1.
- nöron sayısı - 1'den 99 999'a kadar (gülmeyin), adım 1.
- set sayısı (Bar++[giriş verisi sayısı]) - 9 999, adım 1. Eğitim bir saatlik grafik üzerinde gerçekleştirildiğinden, bir yılda 6500 çubuk vardır. Sonuç neredeyse bir buçuk yıla kadar, bence sorun yok.
- çıktıdaki öğrenme faktörü : 0'dan 1'e 0.00001'lik adımlarla.
- girdideki öğrenme faktörü : 0'dan 1'e 0'lık adımlarla. 00001
- epok sayısı - 1'den 1000'e, adım 1.
Bu yüzden, size epok sayısı hakkında hemen söyleyeceğim - 1 epok veya 1000 olsun, hiçbir şeyi değiştirmeyi başaramadım, çok fazla fark görmedim, muhtemelen bazı hatalar var.
AMA! İlginç gözlemler:
- nöron sayısı arttıkça, daha fazla işlem (farklı yönlerde tahmin edilirlerse neredeyse her mum)
- ilk 10 en iyi sonuçta girdideki öğrenme oranı çoğunlukla 0,7'ye yakındır
- ilk 10 en iyi sonuçta çıktıdaki öğrenme oranı çoğunlukla 0,07'ye yakındır
- en iyi sonuçlar şu formülü gösterir: girdi verilerinin sayısı < nöron sayısı < set sayısı. En iyi sonuç (bekleyecek sabrım olduğu sürece) şöyleydi: yaklaşık 200 girdi verisi, yaklaşık 300 nöron ve yaklaşık 400 set. Neden en iyi sonuç? Çünkü geriye dönük testte - dalgalı yumuşak büyüme, ileriye dönük 2 ayda - dalgalı yumuşak büyüme ve.... yaklaşık 2 aylık geriye dönük testten önceki dönemde - dalgalı yumuşak büyüme .
İlgi uğruna 99 999 nöron - 50/50, ancak doğal olarak - en yüksek kar - veya en yüksek düşüş. Aynı zamanda, girdi sayısı 100'den fazla değil, set sayısı - 100'den fazla değil. Beklemek için uzun bir süre. Ancak, 1000 girdi ve 1000 set veya 10 000 ile sonuçların ne göstereceği bilinmemektedir.
neden? çünkü formül çok basit. döviz piyasasındaki karmaşık ilişki hakkında ne söyleyebiliriz?)
Bu algoritmanın OOS üzerinde iyi sonuçlar göstermesi nasıl sağlanır?
Sadece R
En iyi çıkış yolu bu değil mi.....
Bunu söylemek üzücü. Bu konuda ne yapacağımı bilmiyorum.
Temel seçenekler, başka nerelere bakılabilir...Bunu söylemek üzücü. Bu konuda ne yapacağımı bilmiyorum.
Ana seçenekler bunlar, başka nereye bakmalı...İğneleme mi?
Hayır, hiç de değil. Sadece başka ne yapacağımı bilmiyorum. Piyasadaki sinir ağlarını kullanmaya çalışıyorum. Orada da bir umut olduğunu sanmıyorum.