Makale: Sinir Ağlarını Kullanarak Fiyat Tahmini - sayfa 9
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
Vinin , bir keresinde NS ile meşgul olduğunuzu ve hatta şampiyonada Uzman Danışmanınızın NS'nin bir uygulaması olduğunu yazmıştınız. Onlar. Bana kıyasla sen bir uzmansın. Bu büyük konuyu anlamak için ne okumanız gerektiğini tavsiye edin. Amaç sadece ağların çalışma ve inşa ilkelerini anlamak değil, hem ağın kendisini (ki bunu çözdüğümde planlamayı umuyorum) hem de eğitimiyle ilgili tüm altyapıyı MQL kullanarak yazacak kadar anlamaktır.
Kendimi bir uzman olarak görmüyorum, ancak gerekirse her zaman bir ızgara yapabilirim.
PraVedNik. Ya da belki bir nörondan normal bir nörona geçmenin zamanı gelmiştir. Biraz farklı ve genel olarak her şey farklı.
Perceptron, 2 sınıfı ayıran bir çizgidir: yeşil toplar "Fiyatın artması muhtemel - Yukarı",
kırmızı- "Fiyat ...- Aşağı" . Evet, sorun bu, bu loshariki toplarının olduğu bir basur bölgesi var -
dönüşümlü olarak yer almaktadır. Bazı bilge adamlar / dahil - bu forumda / küçük kitaplar okumuşlar
Shumsky ve diğerleri şunu önereceklerdir: Bunlardan daha fazlasını harcamak için çok katmanlı bir yapıya geçmek gerekir.
bölen çizgiler... Öyle olabilir, ama öyle olmayabilir, DiRoLnoDoLgo EA'ya bir filtre koyduk:
Yüksek[1]<Yüksek[2] && Düşük[1]<Düşük[2] && iOsMA... ve Yüksek[1]>Yüksek[2] && Düşük[1]>Düşük[2]&& iOsMA... ,
ve bu hemoroidlerin yaklaşık 2/3'ünü çıkaracak ve - L E G K O! , bkz. şekil:
Bundan sonra, bir bölme çizgisi çizmek daha kolaydır - bu tam olarak anlamına gelir.
Ve DiRoLnoDoLgo'nun ideolojisi tam olarak şudur: peki, en azından bunu kısmen kaldırın
hemoroid - sonuçta, ileri analizin sonuçları / son 5 ay için / - olduğu ortaya çıktı
oldukça N E kötü: brüt kar = +16 rakam , beklenti = + 2 rakam /neredeyse/, karlılık = 30.
Herhangi bir kişinin sınıflandırma performansını iyileştirmek için çok katmanlı ızgaraları kullanma ihtiyacından şüphe duyacağını hiç düşünmemiştim. =)
Jan LeCun'un bu konuda yazdıklarını okumanızı tavsiye ederim - http://yann.lecun.com/exdb/mnist/index.html . Doğru, orada konu alanı biraz farklı - karakter tanıma. Genel olarak, şu ya da bu şekilde, tek katmanlı ağlar en kötü sonuçları gösterdi - %8,4. Yine de! Çok katmanlı olanlardan biri (iki katmanlı, 300 gizli katman nöronlu) çok iyi bir sonuç gösterdi - %1.6 hata. Onlar. hatta bir katman eklerken, ızgara çok daha "güçlü" hale gelir.
Eğitim örneğinin boyutunu küçültmenin gerçekten iyi bir seçenek olduğunu düşünmüyorum. Daha fazla sınıf ayrılabilirliği elde etmek için çok daha iyi. Onlar. girdi verilerini çakışma olmayacak şekilde dönüştürün (örneğin, tırnakların görünürlüğü için zaman aralığını artırın). Fxclub'ın "Ticaret - Finansal Özgürlüğe Giden Yolunuz" kitabında, ızgaraya yalnızca bir çift alıntı değil, birkaç çift göndermenin önerildiğini hatırlıyorum.
Evet, tek katmanlı ağları kullanmanın başka bir dezavantajı daha var: Bu ağı oluşturmak ve eğitmek isteyen bir kişi BackProp'un ne olduğunu ve çok daha fazlasını öğrenmek zorunda bile değil. Onlar. Eski mimarilerin ızgaralarını kullanarak, yakın gelecekte yeni mimarilerin etkili ızgaralarının oluşturulma olasılığı azalır, bu çok, çok kötü, çünkü ağ teleleretiğine bir şekilde yardım edilmesi gerekiyor. =)
Genel olarak, uzun süredir finansal piyasalarda sinir ağlarını kullanan bir kişi olarak, bir şey söyleyebilirim - ana şeyler burada açıklanmıyor. Tabii ki, sinir ağlarını programlamıyorum - yalnızca ayrı ve çok "ince" bir konu olan UYGULAMALARI ile ilgileniyorum. Çok şey ona bağlı. Ve bu makalede anlatılmayan tam da bu uygulamadır - ve bu, "finansal piyasalarda sinir ağlarının kullanımı" ana ve ana konulardan biridir. Çok şey buna bağlı .......
Ama bu benim kişisel görüşüm...
Genel olarak, uzun süredir finansal piyasalarda sinir ağlarını kullanan bir kişi olarak, bir şey söyleyebilirim - ana şeyler burada açıklanmıyor. Tabii ki, sinir ağlarını programlamıyorum - yalnızca ayrı ve çok "ince" bir konu olan UYGULAMALARI ile ilgileniyorum. Çok şey ona bağlı. Ve bu makalede anlatılmayan tam da bu uygulamadır - ve bu, "finansal piyasalarda sinir ağlarının kullanımı" ana ve ana konulardan biridir. Çok şey buna bağlı .......
Ama bu benim kişisel görüşüm...
Evet.
Ağ dışı işlerle çok az ilgilenen biri olarak (sadece 12 yaşında), uzun süredir ağ dışı işlerle uğraşan bir kişiye sinir ağlarının herhangi bir görevde kullanılmasının kendi işlerinden ayrılamaz olduğunu söyleyebilirim. tasarım (programlama). Ana şey iki önermedir: ilk veriler (bu ayrı bir şarkıdır) ve en önemli şey öğrenme algoritmasıdır. Ağlar her şeyi yapabilir - asıl şey onları doğru şekilde eğitmektir.
Herhangi bir kişinin sınıflandırma performansını iyileştirmek için çok katmanlı ızgaraları kullanma ihtiyacından şüphe duyacağını hiç düşünmemiştim. =)
Jan LeCun'un bu konuda yazdıklarını okumanızı tavsiye ederim - http://yann.lecun.com/exdb/mnist/index.html . Doğru, orada konu alanı biraz farklı - karakter tanıma. Genel olarak, şu ya da bu şekilde, tek katmanlı ağlar en kötü sonuçları gösterdi - %8.4. Yine de! Çok katmanlı olanlardan biri (iki katmanlı, 300 gizli katman nöronlu) çok iyi bir sonuç gösterdi - %1.6 hata. Onlar. tek bir katman bile eklerken, ağ çok daha "güçlü" hale gelir.
Yani, bu tamamen farklı bir konu alanı ve dolayısıyla farklı bir yaklaşım. Standart yazı tiplerindeki karakterlerin ana hatları değişmez ve bu nedenle, nöronun kitabın kalan sayfalarındaki karakterleri yüksek doğrulukla tanıması için ağı bir kez bir örnek üzerinde, örneğin birkaç sayfada eğitmek mantıklıdır. .
Finansal piyasalar açısından ise her şeyin sürekli değiştiği ve sürekli dinamikler içinde olduğu bir başka alandır. Ve bu nedenle, karmaşık çok katmanlar burada dişleri koparır. Karakter tanıma alanında abartılı bir benzetme, kitabın bir sayfasında "A" karakterinin "A" olarak yorumlanması gerekiyorsa, diğerinde aynı "A" zaten "B" olarak yorumlanıyor.
Bu nedenle, finansal araçların tarihsel verilerinin farklı bölümlerinde tanınan aynı kalıp, tamamen farklı şekillerde alım satım sinyallerine yorumlanabilir, yani. bazı bölümlerde uzun pozisyonlar açmak ve kısa pozisyonları kapatmak için tanımlanması daha yeterli olurken, aynı zamanda diğer bölümlerde olduğu gibi bunun tersi de geçerlidir: kısa pozisyonlar açmak ve uzun pozisyonları kapatmak.
anlam: ...
Herhangi bir erkeğin şüphe duyacağını asla düşünmezdim
geliştirmek için çok katmanlı ızgaralar kullanmanız gerekir.
sınıflandırma özellikleri. =)
Jan LeCun'un bu konuda yazdıklarını okumanızı tavsiye ederim - http://yann.lecun.com/exdb/mnist/index.html . Doğru, orada konu alanı biraz farklı - tanıma
karakterler. Genel olarak, şu ya da bu şekilde, tek katmanlı ağlar gösterdi
en kötü sonuçlar - %8.4. Yine de! Çok katmanlı (iki katmanlı,
gizli katmanda 300 nöron ile) çok iyi bir sonuç gösterdi
- %1,6 hata. Onlar. bir katman bile eklendiğinde, ızgara olur
çok daha güçlü.
Yani, bu tamamen farklı bir konu alanıdır ve bu nedenle
farklı yaklaşım. Standart yazı tiplerinde karakter anahatları değişmez,
ve bu nedenle, bir örnek kullanarak ağı bir kez eğitmek mantıklıdır,
örneğin, nöronun yüksek doğrulukta olması için birkaç sayfada
Kitabın geri kalan sayfalarındaki karakterleri tanıdı.
Veya kağıt eşit derecede beyaz ve yüksek kalitede.
Hayır, bu da değiştirilebilir bir iştir, eğer her şey sizin yazdığınız gibiyse ve sinir ağlarına gerek yoksa, basit bir karşılaştırma yeterlidir.
anlam: ...
Herhangi bir erkeğin şüphe duyacağını asla düşünmezdim
geliştirmek için çok katmanlı ızgaralar kullanmanız gerekir.
sınıflandırma özellikleri. =)
Jan LeCun'un bu konuda yazdıklarını okumanızı tavsiye ederim - http://yann.lecun.com/exdb/mnist/index.html . Doğru, orada konu alanı biraz farklı - tanıma
karakterler. Genel olarak, şu ya da bu şekilde, tek katmanlı ağlar gösterdi
en kötü sonuçlar - %8.4. Yine de! Çok katmanlı (iki katmanlı,
gizli katmanda 300 nöron ile) çok iyi bir sonuç gösterdi
- %1,6 hata. Onlar. bir katman bile eklendiğinde, ızgara olur
çok daha güçlü.
Yani, bu tamamen farklı bir konu alanıdır ve bu nedenle
farklı yaklaşım. Standart yazı tiplerinde karakter anahatları değişmez,
ve bu nedenle ağı bir örnek üzerinde eğitmek mantıklıdır,
örneğin, nöronun yüksek doğrulukta olması için birkaç sayfada
Kitabın geri kalan sayfalarındaki karakterleri tanıdı.
Veya kağıt eşit derecede beyaz ve yüksek kalitede.
Hayır, bu da değiştirilebilir bir iştir, eğer her şey sizin yazdığınız gibiyse ve sinir ağlarına gerek yoksa, basit bir karşılaştırma yeterlidir.
2. Aynı basımdaki bir kitap tüm makinelerde aynı şekilde basılır. Farklıysa, o zaman evliliktir.
3. Aynı baskı için, kağıt aynı formata sahiptir: örneğin, "format 70x100 1/16. Ofset baskı. Konvansiyonel baskı sayfası 37.4". Kağıt da standardı karşılamalıdır. Eh, yazı tipi setleri, okuyucuların görüşünü bozmamak için çok çeşitli değildir.
Genel olarak, örneğin baskı ve örneğin finansal piyasalar gibi standartların olmadığı alanlar için örüntü tanıma görevleri tamamen farklıdır ve kararlarda hata olasılığı da sırasıyla farklıdır.
Daha da basit bir şekilde açıklanabilir: eğer finansal piyasalar için örüntü tanıma algoritmaları, basılı metinler için örüntü tanıma algoritmaları ile aynı sıklıkta yanlış olsaydı, o zaman ... (daha fazla devam etmemize gerek yok, çünkü her şey açık olurdu).