Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 287
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
Sizinle bu konu hakkında bir şekilde konuşmayı desteklemek için hala çok şey öğrenmem gerekiyor.. Evet ve mutlaka bir nöron değil, oradaki ormanı kullanabilirsiniz, bu hedefi vidalamak daha kolay görünüyor
...
Genel olarak, her şey, ancak bir nüans var - denediğim optimize ediciler ağırlıklarla baş edemiyorlar, ortalama hatayı en aza indirmek için tüm sonuçlar 0,5'e eşit olduğunda belirli bir yerel minimum buluyorlar ve buna takılıp kalacaklar. Burada bir çeşit hile uygulamanız gerekiyor, daha fazla ilerlemedim.
Bir nöronun yapısı ne kadar karmaşıksa, o kadar fazla ağırlık olacaktır ve optimizasyon algoritmasının bunları seçmesi o kadar zor olacaktır; büyük nöronlarda, bunlar basitçe körelir ve neredeyse ilk sonucu iyileştirmezler.
Cevap o kadar basit değil. Örneğin, burada bir nöronla bir yol var, ancak nöronun nasıl çalıştığını, hangi formülleri içerdiğini vb. anlamanız gerekiyor.
Diyelim ki basit bir nöronumuz var...
код
Yukarıdaki kod optimize ediciye konabilir ...
Nasıl bir tutkudan bahsediyorsun?
Ve eğer bir sır değilse, arka plan neden uymadı? Daha doğrusu, bir katman ve bir hedef durumunda, her şey büyük ölçüde basitleştirilmiştir, yinelemeli olarak, girdi ile çarpılan hatayı yakınsama, delta kuralı çağrılıncaya veya Heb kuralı çağrılıncaya kadar ağırlıklardan çıkarmanız gerekir. tam olarak hatırla. Wt = Wt-1 - lernrate*hata*Giriş, temelde normal gradyan inişi
Çok uzun zaman önce, MT optimize edicinin tartışıldığı başlıkta süper algoritmanızı R'de göstermediniz mi? O iyi değil mi?
Ben, evet, hayır.
Ve eğer bir sır değilse, arka plan neden uymadı?
Gradyan inişi yapabilirim, ancak her belirli eğitim örneği için bir hedefe ihtiyacı var - eğitim örneğinin sonucunu hesaplıyoruz ve sonucun gerçeğe daha yakın olması için ağırlıkları türev yönünde çekiyoruz. Ve böylece sırayla tüm eğitim örnekleri.
Ve bu kod, eğer amaç tanımlanmadıysa ve sadece nörona karlı ticaret yapmayı öğretmek istiyorsanız ne yapmalı sorusunun cevabıydı. Nereden satın almanın daha iyi olduğunu, nerede satmanın daha iyi olduğunu, yalnızca kâr artıya giderse, kendisinin bulmasına izin verin.
Eh, biz ona bir çeşit ohlc artışları veriyoruz, bir sonraki çubukta ne yapılacağına dair tahminler alıyoruz, tahminlere göre ticareti simüle ediyoruz ve ticaretin keskin oranını buluyoruz. Bu keskin oran, tüm ilk veri setinde nörona verilen tek tahmindir.
Optimize edici, keskin oranın büyümesi için nöronun ağırlıklarını optimize edecektir.
Şimdi, ağırlıkların gradyanlarını keskin orana göre bulursanız, gradyan iniş de yapabilirsiniz, ağırlıkları körü körüne değiştirmekten çok daha iyi olacaktır.
Ben, evet, hayır.
R'deki yüz binlerce paket arasında gerçekten tatmin edici bir sonuçla görevle başa çıkabilecek kimse yok mu?
R'deki yüz binlerce paket arasında gerçekten tatmin edici bir sonuçla görevle başa çıkabilecek kimse yok mu?
Bu sorunu çözeceği garantili paketler var ama sonucun bulunması için aylarca bekleyecek zamanım yok, ideal olarak bir hafta sonu içinde buluşmam gerekiyor.
Bu teknoloji bir ev bilgisayarı için değildir.
Bu sorunu çözeceği garantili paketler var ama sonucun bulunması için aylarca bekleyecek zamanım yok, ideal olarak bir hafta sonu içinde buluşmam gerekiyor.
Bu teknoloji bir ev bilgisayarı için değildir.
- Ne, araba kötü mü çalışıyor?
- Hayır, iyi başlıyor ama uzun bir süre için.
Teknoloji, görevin makul bir sürede çözülmesine izin vermiyorsa, bu, teknolojinin olmadığı anlamına gelir.
Kaç tane optimize edilmiş parametre, hangi aralıkta ve hangi adımda optimize edilmelidir?
Alıcıların satıcılara karşı dengesinin onada tarihsel verilerinden buradan indirilebilir https://www.oanda.com/forex-trading/analysis/historical-positions
çizelgeler oluşturdu ve bakiyenin fiyatla ilişkisini hesapladı
layout( 1 : 2 )
plot(oanda$price ,t= "l" , main = "EUR" )
plot(oanda$pct_long ,t= "l" , main = "balanse" ,col= 2 )
abline(h = 50 )
cor(oanda$pct_long , oanda$price)
korelasyon katsayısı -0.76
Ayrıca, fiyatın mutlak anlamda dengenin kendisine göre bile değil, denge değişiminin dinamiklerine göre ters yönde hareket ettiğini belirtmek ilginçtir...
Yüksek likiditeye sahip diğer piyasalarda da tam olarak aynı mekanizma mevcut, aynı denge başka şekillerde, örneğin sipariş defteri aracılığıyla görüntülenebilir. Eminim birçok kişi bunu zaten biliyordur, itiraf ediyorum ben de muhtemelen 6 yıldır bunu biliyorum ama bilmeyenler için yazdım, onlar için hem faydalı hem de ilginç olacak.
Bakiye piyasayı yönlendirdiği için fiyatı değil, dengeyi daha iyi tahmin edebileceği fikrine de rastlayabilirsiniz. Öyle ya da böyle, yönlü stratejilerde fiyat tahmini, kulağa ne kadar basmakalıp ve bayağı gelirse gelsin, teklif sahiplerinin gelecekteki eylemlerini tahmin etmekten başka bir şey değildir, ancak kalabalığı nasıl tahmin edebileceğinizi düşünmeye başladığınızda, o zaman zaten daha ilginçtir. .... Kalabalığı anlamak için önce kendinizi anlamanız gerektiğini düşünüyorum, çünkü biz kalabalığız... Kalabalığı nasıl hesaplarsınız? kimin düşünceleri var?
Bazı nedenlerden dolayı, konuşma sürekli olarak belirli modellerin yararları ve zararları üzerine bir tartışmaya kayar.
Deneyimlerimin, modellerin başarılı ticaretine katkısının son derece önemsiz olduğunu öne sürmesine izin vermeyin.
Belirleyici faktör, hedefin ve tahmin edicilerinin belirlenmesidir.
33 örneğini kullanarak, 33 gibi çok açık, açıklayıcı ve güzel bir hedef değişkenin bile böyle olmadığını ve daha yakından incelendiğinde aşılmaz engellerle dolu olduğunu göstermeye çalıştım.
Öngörülerden bahsedecek olursak, hayatım boyunca ekonomi ile uğraşan biri olarak şunu söyleyebilirim:
Sadece ekonomik tahmin ve forex tahmini için bu iki temel unsuru çözmeye odaklanırsanız, başarı sadece bu iki parametre ile sağlanacaktır. Ve hedef ve onun tahmin edicileri için en uygun modelin seçimi, performansı sadece biraz iyileştirebilir, modelin ömrü hakkında yeniden eğitim olmaksızın bazı makul değerlendirmeler verebilir.
Bir kez daha, sizi hedef değişkene ve bu belirli hedef değişken için öngörücülerin gerekçesine odaklanmaya çağırıyorum.
Kabul ediyorum.
Ve bu kod, eğer amaç tanımlanmadıysa ve sadece nörona karlı ticaret yapmayı öğretmek istiyorsanız ne yapmalı sorusunun cevabıydı. Nereden satın almanın daha iyi olduğunu, nerede satmanın daha iyi olduğunu, yalnızca kâr artıya giderse, kendisinin bulmasına izin verin.
Ohlc artışlarını çubuklarla vermek, bir sonraki çubukta ne yapılacağına dair tahminler almak, tahminlere göre ticareti simüle etmek ve ticaretin keskin oranını bulmak gibi. Bu keskin oran, tüm ilk veri setinde nörona verilen tek tahmindir.
Optimize edici, keskin oranın büyümesi için nöronun ağırlıklarını optimize edecektir.
Şimdi, ağırlıkların gradyanlarını keskin orana göre bulursanız, gradyan iniş de yapabilirsiniz, ağırlıkları körü körüne değiştirmekten çok daha iyi olacaktır.
Dürüst olmak gerekirse, denemedim, nedense hemen bir tür simya gibi göründü, çok iyi bir fikir değil, az sayıda girdiye sahip tek katmanlı bir algılayıcı için çok yavaş olabilir, çoklu -katman bir kesinlikle işe yaramayacak, IMHO çok az mantıklı. Ek olarak, TS'nin karlılığı doğrudan N'deki toplam getiri tahminine bağlıdır. öndeki çubuklar, hiçbir şey kötü tahminleri düzeltemez, optimize etme stratejisinin tamamı kendinizi aldatmak için çok daha risklidir.