MTS'de yapay zeka kullanımı - sayfa 18

 
rip :
jöle :
canım, girişte ne verilecek? Mum?
Yazara saygılar...
Lütfen forumda bir ağ öğrenme kuralı formüle edin.

--
Huzur içinde yatsın
Sadece ağ topolojisi ile, kodda her şey az çok açıktır. En azından yazar, işlevleri ve yorumları genel anlamda anlayabileceğiniz şekilde düzenlemiştir.

Kodun derinliklerine indim ve çizelgelerimde yeterince çubuk olmayacağını öğrendim. Beni 16000'e kadar hayal kırıklığına uğrattım. Koştum ve tüm dönem için çok büyük olmayan 6 işlem aldım, ancak nihai sonuçta kayıp - deponun %9'u. Birkaç anlaşma - küçük bir tahliye.

Kısacası, hiçbir şeyin net olmadığı açık, ancak yine de bu danışmanı nasıl kullanabilirsiniz? Herhangi bir tavsiye olmalı mı? Belki yanlış bir şey yapıyorum?

Kodu araştırmaya devam etmek ve kendi başınıza çözmeye çalışmak hiç mantıklı değil. Danışmanın 6 işlemde boşaldığını veya karlı olduğunu söylemek de işe yaramaz. Sadece zaman kaybı.
 

Biraz açıklamam gerekiyor gibi.

Uzman Danışman tükeniyor veya en azından kârsız. Sinir ağları ile oynamak isteyen, ancak her şeyi sıfırdan yazmayı bırakanlar için yayınlanmıştır.
Ağ yapılandırması oldukça evrensel olarak yazılmıştır. Aslında kısıtlamalar sadece iki en az iki katman ve bir çıktı nörondur.

Şimdi, uzmanın neden olduğu biçimde yuvarlanmadığı hakkında.
Yuvarlanmaz çünkü önceki m tiklerden n tik tahmin etme görevi görünüşte çözülemez. Izgara, iyi bir tahmin için orada bağımlılık bulamıyor. Göstergeleri sınıflandırmaya çalışırsanız, bu da işe yaramaz, ancak burada ızgara giriş verilerini sınıflara bölemez.
Bundan, ağ için verileri daha yaratıcı bir şekilde işlemenin gerekli olduğu sonucu çıkar. Bundan sonra yapacağım şey tam olarak bu.

Bunlar benim sonuçlarım. Bunu biraz çözdükten ve uzmanımı yönlendirdikten sonra, isteyenler ya aynı ya da muhtemelen başka yeni fikirlere gelecekler.

Aslında, bir uzman sinir ağları ile çalışmak için bir kütüphane olarak kabul edilebilir, kendinize çözme zahmetini verin ve alın.

Bir önceki mesajımdan sonra birisi bu danışmanın çalınabileceği fikrine kapıldıysa, ya dikkatsizce okudular ya da ben kendimi yeterince açık ifade edemedim.
Figar0 "Hiç kârlı değil, eğitici" ifadesini başka bir deyişle.

Şimdi bazı kişisel cevaplar için.

Reşetov Ve genel olarak, nasıl doğru kullanılmalı ve hiç kullanılmamalı mı? Bu nedenle, diğer insanların kodlarını anlamak, sıkıcı ve nankör bir iştir. Ve işin algoritması biliniyorsa, o zaman kendi programınızı sıfırdan yazmak, başka birinin programını anlamaktan çok daha kolaydır.

Ticareti kastediyorsanız, muhtemelen kullanmamalısınız. En azından istemezdim. Değeri sadece bir kod olarak.
Aslında, algoritmayı bilerek sıfırdan kendi algoritmanızı yazabileceğiniz gerçeğine kısmen katılıyorum. Daha kolay emin değilim.
Algoritmalar lütfen. İnternette, sinir ağları, öğrenme ilkeleri ve daha fazlası ile ilgili kitaplar kolayca aranır. Bu uzmanı yazarken, seçimim iki düzine kitap ve makaleye kolayca ulaştı.


Mathemat
Bu kodun Reshetov'un Uzman Danışmanı ile ortak bir yanı olduğunu sanmıyorum ...

Ortak olan, hem orada hem de girişte göstergeleri olan sinir ağları var :) Aradaki fark şu ki bir nöronum yok, çok fazla, bu yüzden kendi öğrenme algoritmamı yazdım.


rip Lütfen forumda bir ağ öğrenme kuralı formüle edin.

Bu benim içinse, soruyu daha ayrıntılı olarak açın. Neyle ilgilendiğinizi gerçekten anlamıyorum.





 
maveric писал (а):


rip Lütfen forumda bir ağ öğrenme kuralı formüle edin.

Bu benim içinse, soruyu daha ayrıntılı olarak açın. Neyle ilgilendiğinizi gerçekten anlamıyorum.


Sinir ağları konusunda bilginiz var, neden bu konuda bir makale yazmıyorsunuz, özellikle çok katmanlı ağlar için öğrenme algoritmalarına dikkat edin. Bu birçok kişinin ilgisini çekecektir. Buradaki makaleler öder, çalışmalarınız boşa gitmez.
 
Integer писал (а):
maverik yazdı:


rip Lütfen forumda bir ağ öğrenme kuralı formüle edin.

Bu benim içinse, soruyu daha ayrıntılı olarak açın. Neyle ilgilendiğinizi gerçekten anlamıyorum.


Sinir ağları konusunda bilginiz var, neden bu konuda bir makale yazmıyorsunuz, özellikle çok katmanlı ağlar için öğrenme algoritmalarına dikkat edin. Bu birçok kişinin ilgisini çekecektir. Buradaki makaleler öder, çalışmalarınız boşuna olmaz.
Bana pek iyi bir fikir gibi gelmedi :)
Sinir ağlarını ciddi adamların kitaplarından ve makalelerinden anladım, gizli değil, internette kolayca buldum.
Moishe, Beatles'ı Abram'a söylediğinde bunun bir şaka gibi olacağından korkuyorum :)
 

rip Lütfen forumda bir ağ öğrenme kuralı formüle edin.

Bensem, soruyu daha ayrıntılı olarak açın. Neyle ilgilendiğinizi gerçekten anlamıyorum.

Sorumu cevapladınız ;) Bu durumda n-adım ilerideki zaman serisine yaklaşan bir ağ geliştirdiniz. Girdi olarak Close değerleri ve/veya gösterge değerlerini alırsınız. Tamam, o zaman başka bir soru. Sınıflandırma ile ilgili olarak - göstergeleri sınıflandırmaya çalışmamız gerektiğini söylediniz, bu fikri detaylandırabilir misiniz? Evet, başka bir açıklama daha var, uygulama, eğitim örneğinin normal dağılıma sahip olduğu ağların (bir öğretmenle eğitim) en iyi şekilde eğitildiğini göstermiştir. Birkaç kez, oldukça uzun zaman önce, alıntılardan oluşan bir zaman serisi üzerinde bir çalışma yaptım ... dağılımının normalle hiçbir ilgisi yok. Belki eğitim örneğinin yapısını analiz etmesi ve normal dağılıma sahip bir örneğe indirmesi gerekiyor, bu durumda MSE çok daha hızlı azalacaktır? Bakıyorsunuz ve bir test örneğinde daha iyi bir sonuç olacak.
 
maveric :


Şimdi, uzmanın neden olduğu biçimde yuvarlanmadığı hakkında.
Yuvarlanmaz çünkü önceki m tiklerden n tik tahmin etme görevi görünüşte çözülemez. Izgara, iyi bir tahmin için orada bağımlılık bulamıyor. Göstergeleri sınıflandırmaya çalışırsanız, bu da işe yaramaz, ancak burada ızgara giriş verilerini sınıflara bölemez.
Bundan, ağ için verileri daha yaratıcı bir şekilde işlemenin gerekli olduğu sonucu çıkar. Bundan sonra yapacağım şey tam olarak bu.


Numunelerin oluşumunu ve ön/son işlemlerini tartışabileceğimiz yeni bir konu açabilir miyiz? Birçok ziyaretçinin ilgisini çekeceğini düşünüyorum.
 
rip :

rip Lütfen forumda bir ağ öğrenme kuralı formüle edin.

Bensem, soruyu daha ayrıntılı olarak açın. Neyle ilgilendiğinizi gerçekten anlamıyorum.

Sorumu cevapladınız ;) Bu durumda n-adım ilerideki zaman serisine yaklaşan bir ağ geliştirdiniz. Girdi olarak Close değerleri ve/veya gösterge değerlerini alırsınız. Tamam, o zaman başka bir soru. Sınıflandırma ile ilgili olarak - göstergeleri sınıflandırmaya çalışmamız gerektiğini söylediniz, bu fikri detaylandırabilir misiniz? Evet, başka bir açıklama daha var, uygulama, eğitim örneğinin normal dağılıma sahip olduğu ağların (bir öğretmenle eğitim) en iyi şekilde eğitildiğini göstermiştir. Birkaç kez, oldukça uzun zaman önce, alıntılardan oluşan bir zaman serisi üzerinde bir çalışma yaptım ... dağılımının normalle hiçbir ilgisi yok. Belki eğitim örneğinin yapısını analiz etmesi ve normal dağılıma sahip bir örneğe indirmesi gerekiyor, bu durumda MSE çok daha hızlı azalacaktır? Bakıyorsunuz ve bir test örneğinde daha iyi bir sonuç olacak.

Sadece normal değil. En azından, örnek setleri de tutarlı olmalıdır.
Genel olarak, böyle bir şey.
İlk trendin başlangıcını buluyoruz (yukarı aşağı düz) Bu başlangıçtan önceki belirli sayıda çubuk ızgara girişi olacak, ardından tüm trend 1 0 0 200 6 formuna çökecek, ilk üç sayı trend tanımlayıcılardır, son ikisi toplam fiyat değişimi ve trendin uzunluğudur (çubuk cinsinden). Bir sonraki örnek, bu eğilimin bitiminden daha erken değil.
Trendin uzunluğunu tahmin etmeyi taahhüt edemezsiniz, ancak bunun için sadece fiyattaki mutlak değişimi tahmin edebilirsiniz.
Bu, örnek kümelerini (daha fazla) tutarlı hale getirecektir.
Sonuç olarak, üç tür trend için N1 N2 N3 örnekleri elde edeceğiz.
Örneğin
YUKARI ( 1 0 0) - 100
düz( 0 1 0) - 200
aşağı( 0 0 1) - 250

Normal dağılım nasıl yapılır.
1. Minimum örnek sayısı (100) bize uyuyorsa, gerisini aptalca kesebiliriz
2. Eşitlemek için daha az sıklıkla sunulacak örnekler
3. Örnekleri az ve biraz gürültülü olan örneklere ekleyin
4. Aşağı yukarı yukarıdan daha fazla örnek var, ikincisini ters alıntıdan EURUSD değil USDEUR örneklerle tamamlayabilirsiniz.

Şimdi bu seçenekleri azalan serinlik sırasına göre biraz analiz edeceğim :)
4. İdeal Hiçbir sol tsiferok et pazarının etinin tamamı. Ama bunu yazmak sıkıcı, kendin de çok fazla sayman gerekecek + hindileri de kendin sayacaksın.
3. Biraz daha kötü, çünkü yine de ızgaraya en azından biraz veriyoruz, ama solculuk biçiminde gürültü ekliyoruz.
2. Hatta biraz daha kötü çünkü aynı şey defalarca gösterilse aptal aptal hatırlayacak, genelleme yapmayacak (daha kötü olacak).
1. Bir sürü örneği atıyoruz, yüksek kaliteli eğitim için yeterli olmayabilirler.Her ne kadar eğitim için ölçülemeyecek kadar uzun bir hikaye alırsak (reddedildikten sonra yeterli örnek olacağından emin olmak için), o zaman bu yöntem güçlü bir şekilde her şeyi yönlendirir. diğer üçü her bakımdan :)


Peki, böyle bir yerde. Bu arada, Uzman Danışmanımda 1. ve 2. maddelerin belirli bir karışımı uygulanıyor.
 
maveric :

Sadece normal değil. En azından, örnek setleri de tutarlı olmalıdır.
Genel olarak, böyle bir şey.
İlk trendin başlangıcını buluyoruz (yukarı aşağı düz) Bu başlangıçtan önceki belirli sayıda çubuk ızgara girişi olacak, ardından tüm trend 1 0 0 200 6 formuna çökecek, ilk üç sayı trend tanımlayıcılardır, son ikisi toplam fiyat değişimi ve trendin uzunluğudur (çubuk cinsinden). Bir sonraki örnek, bu eğilimin bitiminden daha erken değil.
Trendin uzunluğunu tahmin etmeyi taahhüt edemezsiniz, ancak bunun için sadece fiyattaki mutlak değişimi tahmin edebilirsiniz.
Bu, örnek kümelerini (daha fazla) tutarlı hale getirecektir.
Sonuç olarak, üç tür trend için N1 N2 N3 örnekleri elde edeceğiz.
Örneğin
YUKARI ( 1 0 0) - 100
düz( 0 1 0) - 200
aşağı( 0 0 1) - 250
Normal dağılım, rastgele bir değişkenin olasılık dağılımıdır . Bir veri kümesi tutarsız veya tutarsız olamaz - bu, fiziksel süreci tanımlayan f-tion'un değeridir ve basitçe öyledir. Yalnızca anlamlarını yorumlamamız çelişkili olabilir.

Biliyor musun, bir şeyi anlayamıyorum, sinir ağını ne yapmak istiyorsun? Yaklaşık bir dizi mi yoksa piyasa durumunun bir sınıflandırmasını mı alıyorsunuz? Bence bunlar temelde farklı görevler, bu nedenle hem girdi hem de çıktı verileri kesinlikle farklı şekillerde hazırlanmalıdır.

Sadece bazı terimleri tanımlayalım:
1. Bir serinin yaklaşıklığı, belirli bir {xt, yt} örnek kümesini genelleştiren çok boyutlu bir F: x->y eşlemesinin oluşturulmasıdır. Bu eşlemeye dayanarak, serinin üyelerinde belirli bir gizli bağımlılığa dayalı olarak H adımları için geleceğe bir bakış uygulanır. Onlar. genelleştirilebilir - hem serinin üyelerinin kendi değerleriyle hem de seriyi tanımlayan belirli bir dizi değerle çalışmaya çalışıyoruz - bunlar yerel uç noktalardır, vb. (Belirli bir aralık için fiyat koridoru belirliyoruz diyelim)
2. Sınıflandırma - yani. piyasanın bir görüntüsü oluştu - diyelim ki yukarı yönlü bir trend. Bu imajı tanımamız gerekiyor.

Bundan ne çıkarıyorsun? Kodunuzdan anladığım kadarıyla - piyasaya giriş ve çıkış noktalarını tahmin etmeye çalışıyorsunuz ... Dürüst olmak gerekirse, doğruluğundan çok şüpheliyim
böyle bir görev belirlemek.

Müteşekkir olurum - aksini kanıtlarsanız.

--
Huzur içinde yatsın
 
rip :
başına buyruk :

Sadece normal değil. En azından, örnek setleri de tutarlı olmalıdır.
Genel olarak, böyle bir şey.
İlk trendin başlangıcını buluyoruz (yukarı aşağı düz) Bu başlangıçtan önceki belirli sayıda çubuk ızgara girişi olacak, ardından tüm trend 1 0 0 200 6 formuna çökecek, ilk üç sayı trend tanımlayıcılardır, son ikisi toplam fiyat değişimi ve trendin uzunluğudur (çubuk cinsinden). Bir sonraki örnek, bu eğilimin bitiminden daha erken değil.
Trendin uzunluğunu tahmin etmeyi taahhüt edemezsiniz, ancak bunun için sadece fiyattaki mutlak değişimi tahmin edebilirsiniz.
Bu, örnek kümelerini (daha fazla) tutarlı hale getirecektir.
Sonuç olarak, üç tip trend için N1 N2 N3 örnekleri elde edeceğiz.
Örneğin
YUKARI ( 1 0 0) - 100
düz( 0 1 0) - 200
aşağı( 0 0 1) - 250
Normal dağılım, rastgele bir değişkenin olasılık dağılımıdır. Bir veri kümesi tutarsız veya tutarsız olamaz - bu, fiziksel süreci tanımlayan f-tion'un değeridir ve basitçe öyledir. Yalnızca anlamlarını yorumlamamız çelişkili olabilir.

Biliyor musun, bir şeyi anlayamıyorum, sinir ağını ne yapmak istiyorsun? Yaklaşık bir dizi mi yoksa piyasa durumunun bir sınıflandırmasını mı alıyorsunuz? Bence bunlar temelde farklı görevler, bu nedenle hem girdi hem de çıktı verileri kesinlikle farklı şekillerde hazırlanmalıdır.

Sadece bazı terimleri tanımlayalım:
1. Bir serinin yaklaşıklığı, belirli bir {xt, yt} örnek kümesini genelleştiren çok boyutlu bir F: x->y eşlemesinin oluşturulmasıdır. Bu eşlemeye dayanarak, serinin üyelerinde belirli bir gizli bağımlılığa dayalı olarak H adımları için geleceğe bir bakış uygulanır. Onlar. genelleştirilebilir - hem serinin üyelerinin kendi değerleriyle hem de seriyi tanımlayan belirli bir dizi değerle çalışmaya çalışıyoruz - bunlar yerel uç noktalardır, vb. (Belirli bir aralık için fiyat koridoru belirliyoruz diyelim)
2. Sınıflandırma - yani. piyasanın bir görüntüsü oluştu - diyelim ki yukarı yönlü bir trend. Bu imajı tanımamız gerekiyor.

Bundan ne çıkarıyorsun? Kodunuzdan anladığım kadarıyla - piyasaya giriş ve çıkış noktalarını tahmin etmeye çalışıyorsunuz ... Dürüst olmak gerekirse, doğruluğundan çok şüpheliyim
böyle bir görev belirlemek.

Müteşekkir olurum - aksini kanıtlarsanız.

--
Huzur içinde yatsın


Sınıflandırma problemleri için önemli olan veriyi yorumlamamızdır. Kabaca söylemek gerekirse, harf tanıma probleminde, A harfini yazma örnekleri setinde X Y harfleri ve diğerleri rastlamamalı :)

Bunu ve bunu yapmak istiyorum. Belki iki ızgara, belki bir tane ortaya çıktığı gibi. İlk adımda, grid mevcut durumu sınıflandırır. Bir trendin başlangıcına dair yeterince açık bir sinyal veriyorsa, o zaman ikinci adım, bu trend üzerindeki eğimin azaltılabileceğini değerlendirmek için geleceğe bakmaya çalışmaktır.

Finansal serilerin kendilerini sınıflandırmalardan daha kötü yaklaşımlara borçlu oldukları gerçeğinden yola çıkıyorum.

 
maveric писал (а):

Finansal serilerin kendilerini sınıflandırmalardan daha kötü yaklaşımlara borçlu oldukları gerçeğinden yola çıkıyorum.

Fiyat serisi, diğer sürekli seriler gibi, herhangi bir problem olmadan yaklaşık olarak hesaplanır. Sadece enterpolasyonu ekstrapolasyonla karıştırmayın. Asfalt üzerinde iki parmak gibi çok katmanlı bir nöron tarafından enterpolasyon yapılabilir. Sinir ağları tarafından periyodik olmayan serilerin ekstrapolasyonu zaman kaybıdır.