Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2464
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
Ve MT kullanarak Moskova Borsasına hangi komisyoncu aracılığıyla erişiyorsunuz?
Benim fikrimi "tersi"ne kadar yorumladınız, doğada hedef en pratik olanıdır - en "gerekli" hayatta kalır ve çoğalır. Ve en "pratik" hedefi hiçbir şekilde değiştirmeden eğitmeniz gerekiyor.
Veriler hakkında, evet, girişe sağlanan bilgiler, ancak ideal olarak, "gözler", "kulaklar", "burun" vb.
1) evet, sadece "Bir sinir ağını eğitmek için, dikkatle seçilmiş devasa veri kümelerine ihtiyacınız var"
Yeni bir sinir ağı oluşturmak için bir algoritma tanımlamanız, tüm verileri onun içinden geçirmeniz, test etmeniz ve tekrar tekrar optimize etmeniz gerekir. Zor ve uzun. Bu nedenle, bazen daha basit algoritmalar kullanmak daha kolaydır - örneğin regresyon.
2) ilk başta ben de basit bir şekilde öyle düşündüm (gerileme) ... ama doğrusal gerileme kafa karıştırıcı çünkü hatırladığım kadarıyla fiyatlar doğrusal değil ve getiri doğrusal (tersi değilse?) - en azından vadeli işlemlerdeki seçenekler için ... trite ax^2+bx+c=0 , burada b hızdır ve ivmedir, - ancak bu durum yine de bir zaman faktörüne tabi olmalıdır - prensipte, dikkate alındığında üst üste bindirilir farklı son kullanma tarihleri için seçenekler, ancak bu tür iyiliğin 3 boyutlu resimleri her zaman kendilerini haklı çıkarmaz... ve böyle bir analizdeki en üzücü şey, DB CME'ye göre, takastaki tüm fiyatların merkezi grevle uyumlu olması ve ben hala Rapora göre dengesizlikleri görme, ancak gerçek zamanlı izleme fırsatı (pekala, ben bu şekilde toparlayacak bir arbitrajcı değilim) ... ve o kadar lineer değil, mantıkta üstel , ama Bir timsahla gergedanı geçmek istemiyorum (2 faktör modelinde - zaman ve faiz oranları ) ... opsiyon fiyatlandırmasında olduğu gibi ve bu yüzden her şey berbat
3)
Hedef hesapla ilgili her şey doğru, şartlara göre sinyalden sinyale benim için ideal sinyal karlı ise 1 yaparız karsızsa 0 yaparız başka nasıl olur bunun dışında kar olur yayılma koşulu ile hesaplanmıştır !!!!
bu başka bir olası makine öğrenimi algoritmasıdır - Bayes teoreminin uygulanması (açıklamadan bana öyle geldi) ... "Bu algoritmalar metin belgeleriyle çalışmak için kullanılır - örneğin spam filtreleme için."... Sinirsel ağlar daha zor çalışır - katmandan katmana (derin öğrenme) ...
Genel olarak, bu 3 makine öğrenimi algoritmasına bakıyorum - ve şimdiye kadar, olasılık teorisi açısından , modelinizdeki amaç fonksiyonunu aşmanın o kadar kolay DEĞİL olduğunu anlıyorum. en iyiden en kötüye doğru yeniden eğitim ve en önemlisi, bunun sadece tarihe dayanması ... algoritma + veri + bir sonraki katmana seçim için koşullar = en mantıklı gibi görünüyor (yalnızca büyük miktarda veriyle çalışırken, ancak her zaman onlar)
Muhtemelen bu yüzden (üç algoritmadan ikisinin ortadan kalkması nedeniyle) ticarette, N. Networks katmanları sadece regresyon veya Bayes teoreminden daha umut vericidir ... ama özünde, bana gelince, şimdiye kadar her şey geliyor banal programlamaya kadar Karar verme süreci , yalnızca robotun kararlarını istatistiklerle güçlendirmek için büyük örneklerin kullanılmasıyla... daha ziyade çıktılar dizisi için olasılıklar aralığını belirler... aynı Aralık... fiyatın genellikle dalgalandığı... (çünkü dalgalı döviz kurunun kendisi oynaklık yaratır).
ve bu eğitimden geçmeden bir tüccarın Karar verme sürecini (ve kendi eğitimini) kodlayamazsınız ... ancak o zaman robota aktarılacak bir şey var, ama elbette, hata analizi algoritması yine de eşe aktarılamaz. modeller (kodlayıcının beyninde bulundukları sürece) ... IMHO
Tamam, boş zamanımda her şeyi nasıl alt üst etmeyeceğimi düşüneceğim (daha kötüsü için yeniden eğitim almamak için) ... Pr, OI, Hacim hala tüccarın beklentileri ve kararları için verilerin sadece bir parçası , ve arz ve talep hala onlardan doğar, mattan değil. modeller ... IMHO
(şimdiye kadar 5 faktör saydım ve bu, alıntıda tam olarak bulunan 2 ülkenin mali ve para politikalarını hesaba katmadan)
Bahşiş için teşekkürler Mikhail Mishanin
bir nüans, görüşünüzle biraz çelişiyor mu? (bağlantıdaki alıntıdan pek net değil)
Aslında, gizli katmanlar bir tür matematiksel işlevi yerine getirir. Biz ayarlamıyoruz, programın kendisi sonucu göstermeyi öğreniyor.
kaba kuvvet araması gibi görünüyor ... (bir algoritmada olduğu gibi, örneğin şifre kırma)
not; ve henüz:
MO tarihi hatırlamıyor, belki de modeli yeniden eğitmek üzeresiniz
bu nedenle, şu anda basit bir Karar verme süreci yerine ağın katmanlarını şarj etmek için toplanmaması gereken çok fazla veri var... bu nedenle, şimdilik, hala olası olana doğru eğiliyorum. RM'de fayda sağlar, ancak TM'de değil
forumla ilgili olarak, geri bildirimlerden nasıl sonuç çıkaracağınızı bilmiyorsunuz - beyniniz yardımcı olmazsa, böyle bir robotu makine öğrenimi OLMADAN kör edersiniz ... başka bir trol-reposter-blather
forumla ilgili olarak, geri bildirimlerden nasıl sonuç çıkaracağınızı bilmiyorsunuz - beyniniz yardımcı olmazsa, böyle bir robotu makine öğrenimi OLMADAN kör edersiniz ... başka bir trol-reposter-blather
MO tarihi hatırlamıyor, belki de modeli yeniden eğitmekten bahsediyorsunuz
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.
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. Minimum yeniden eğitim ile bölme derinliğini seçmek gereklidir.
Forex için geçerli, geçmişi hatırlıyor ve buna dayalı bir anlaşma yapıyor mu?
Evet. Tarihin tekerrür etmesini diliyoruz. Belki de boşuna. Ama artık umut edecek bir şeyimiz yok.
Evet. Tarihin tekerrür etmesini diliyoruz. Belki de boşuna. Ama artık umut edecek bir şeyimiz yok.
İşaretlere kendileri bir uyarı yazarlar, geçmiş başarılar gelecekte bunun böyle olacağını söylemez. eğlenceli
komik olan, kimse garanti edemez - başkalarının eylemleri.
makine öğrenimi, artık sadece statik üzerinde çalışıyor, Maksim az önce bunu kanıtladı.