Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 481
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
artışlara alım/satım sınıfına ait olma olasılığına ilişkin bir değerlendirme verilebilir
"düşünmeden" daha fazla dinlenin
"düşünmeden" daha fazla dinlenin
Tamam bir deneyle kontrol edelim.. :) Tabii ki 2 veya 2'den fazla ders deneyeceğim ama benim durumum için temel bir fark görmüyorum
Maxim, durumunu şöyle görüyorum:
Hedef:
a) hareket yönünün olasılığını elde edin;
b) hareketin gücü hakkında bir tahminde bulunun.
Çözüm seçenekleri:
1) Bir çıkış [0,1] veya [-1,1] kullanın. Veya iki çıkış [[0,1],[0,1]].
nüans! antrenman verileri hareketin gücünü yansıtmalıdır, yani. hareketlerin geçmişi istenen aralığa normalleştirilmelidir.
Artı: Ağ modelini kurma kolaylığı ve kolaylığı.
Eksileri: Farklı fiyat değişiklikleri genlikleri nedeniyle normalleştirme, tüm zaman dilimleri boyunca tek tip olmayacaktır.
2) İki boyutlu sınıflandırma çıktısını [0,1]+[0,1] veya [-1,1]+[-1,1] kullanın. Üç/dört çıkış [[0,1],[0,1]+[0,1]] veya [[0,1],[0,1]+[0,1],[0,1] ]. Bir boyut hareket yönünün olasılığı, ikinci boyut hareket kuvvetinin olasılığıdır.
Artı: Sonucun daha iyi görselleştirilmesi.
Eksi: "Ahşap" çerçeveler üzerinde bir sinir ağı modeli kurmanın karmaşıklığı.
3) Ağ modelinin ikiye bölünmesiyle ikinci seçenek. Bir model yönü tahmin etmeyi öğrenir, ikincisi ise hareketin gücünü tahmin etmeyi öğrenir.
Artı: Görünürlükten tasarruf edin; Sinir ağlarının kullanım kolaylığı.
Eksi: Hesaplama hızında hafif bir artış mümkündür; Daha fazla kod.
Maxim, durumunu şöyle görüyorum:
Hedef:
a) hareket yönünün olasılığını elde edin;
b) hareketin gücü hakkında bir tahminde bulunun.
Çözüm seçenekleri:
1) Bir çıkış [0,1] veya [-1,1] kullanın. Veya iki çıkış [[0,1],[0,1]].
nüans! antrenman verileri hareketin gücünü yansıtmalıdır, yani. hareketlerin geçmişi istenen aralığa normalleştirilmelidir.
Artı: Ağ modelini kurma kolaylığı ve kolaylığı.
Eksileri: Farklı fiyat değişiklikleri genlikleri nedeniyle normalleştirme, tüm zaman dilimleri boyunca tek tip olmayacaktır.
Yani, sonuçta, 2 sınıftan birine atanma olasılığının değeri, başlangıçta çıkışları sinyalin gücünü dikkate alarak doldurursam (örneğin, sadece normalleştirilmiş veririm) sinyalin gücüne karşılık gelecektir. 0-1 aralığında artışlar, çıktıda şu veya bu sınıfa atama olasılığı ne kadar yüksek olursa, beklenen artış o kadar büyük olur?
Ya da hala böyle çalışmıyor ve sadece sınıfa atanma olasılığını elde edeceğiz, ancak çıktıdaki artış boyutu zaten kaybolacak :)
Sadece bir regresyon çizgisi kurarsak... yani... şundan daha güçlü olacak...
Ve doğrusal olmayan bir sınıflandırmaya sahip bir sinir ağını alırsak...
Onları bir cetvelle ölçün ve öğrenin. Örneğin, artık moda - Logloss (R - kitaplığında (MLmetrics))
daha fazla sınıf oluşturmak daha iyi olmaz mıydı
Bunu en iyi şekilde yap...
yani, artışların büyüklüğü hakkındaki bilgiler eğitimden sonra kaybolmaz ve artışların tahmini gücünü belirlemek için 2 sınıfın 1'ine atanma olasılığını kullanabilirsiniz ve sadece hangisinde değil. sınıf artışları olacaktır. O zaman neden bu kadar çok çıkış yap, sadece 2 tane yeter :)
yani, artışların büyüklüğü hakkındaki bilgiler eğitimden sonra kaybolmaz ve artışların tahmini gücünü belirlemek için 2 sınıfın 1'ine atanma olasılığını kullanabilirsiniz ve sadece hangisinde değil. sınıf artışları olacaktır. O zaman neden bu kadar çok çıkış yap, sadece 2 tane yeter :)
Samimi olarak.
Yani, sonuçta, 2 sınıftan birine atanma olasılığının değeri, başlangıçta çıkışları sinyalin gücünü dikkate alarak doldurursam (örneğin, sadece normalleştirilmiş veririm) sinyalin gücüne karşılık gelecektir. 0-1 aralığında artışlar, çıktıda şu veya bu sınıfa atama olasılığı ne kadar yüksek olursa, beklenen artış o kadar büyük olur?
Ya da hala böyle çalışmıyor ve sadece sınıfa atanma olasılığını elde edeceğiz, ancak çıktıdaki artış boyutu zaten kaybolacak :)
Sinir ağının kendisi, ondan neyin gerekli olduğunu bilmiyor. Onu beslediklerinden öğrenir. Girdi ve çıktı arasındaki verilerde gerçekten bir kalıp varsa, o zaman uygun eğitim ile model bunu ortaya çıkaracaktır. Onlar. Evet, Olasılık Değeri bir hareketin gücünü gösterebilir.
Bu yaklaşımla şöyle yapardım, sinyalleri bye / sat by [0,1] veya sinüzoid / tanh çıkışı [-1,1] olarak iki sınıfa bölerdim.
satın almadaki her bir artış derecesinin olasılığı, satıştaki aynı artış derecesinin olasılığından farklı olabilir, eğer iyi bir sonuçla ilgileniyorsanız, çit yapmanız gerekecektir.
Samimi olarak.
Hayır, ekranı zaten verdim, artımlar sıfırın her iki tarafında durağan ve simetrik, yani olasılıklar + - aynı olacak
Tüm veriler için verileri bir kerede normalleştirirseniz, sinyaller çok daha zayıf olacaktır.
Sinir ağının kendisi, ondan neyin gerekli olduğunu bilmiyor. Onu beslediklerinden öğrenir. Girdi ve çıktı arasındaki verilerde gerçekten bir kalıp varsa, o zaman uygun eğitim ile model bunu ortaya çıkaracaktır. Onlar. Evet, Olasılık Değeri bir hareketin gücünü gösterebilir.
Bu yaklaşımla şöyle yapardım, sinyalleri bye / sat by [0,1] veya sinüzoid / tanh çıkışı [-1,1] olarak iki sınıfa bölerdim.
evet teşekkürler duymak istediğim buydu .. Onunla tartışmaya başladım, sonuç olarak ikisinin de kafası karıştı :)