Makale: Sinir Ağlarını Kullanarak Fiyat Tahmini - sayfa 11
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
Ne sunacağımı çok uzun zamandır biliyordum. Tartışmak istedim, tam olarak olası modeller diyelim. Genellikle birlikte çalışmak daha iyi hale getirir. Ben kendim bir yıldır bir robot üzerinde çalışıyorum. Sonuçlar var, ancak çok kararlı değil.
Bir yıl yetmez :)
Tamam, deneyelim ama bu senin değil, tek yönlü bir oyun olacak.
Saldırıda, x = 4 * (x-1) * (1 - (x-1)) işleviyle x0=0.2 ile oluşturulan sözde rastgele bir dizi
Sana bir şey hatırlatıyor mu? İlk tahmin için, bu seri piyasadaki veri akışını andırıyor.
t+1 değerini tahmin etmek. Giriş ve çıkış nöronlarının ek sinaptik bağlantısına sahip ağ mimarisi, MLP 1-5-1.
İkinci dereceden hataya (10e-3) 60-70t bölgesinde ulaşılır. 1000 elemanlı bir eğitim örneği ile çağlar. Eğitim, anti-gradyan yöntemiyle gerçekleştirilir.
Topolojiden bağımsız bir diziye sahip olduğumuzu çeşitli mimarileri modelleyerek kanıtlamak çok zor değil, hata azalmaz.
ek katman sayısı da dahil olmak üzere ağın karmaşıklığına önemli ölçüde bağlıdır.Yapay örnekler veya isabetler yöntemini uyguluyoruz, sonuç, öğrenme oranının 2,5 kat artması, yani kabul edilebilir bir hatanın elde edilmesidir.
30-40 ton civarında. çağlar
İşte ilk örnek, sonuçları görmek için çevirebilirsiniz...
Ne sunacağımı çok uzun zamandır biliyordum. Tartışmak istedim, tam olarak olası modeller diyelim. Genellikle birlikte çalışmak daha iyi hale getirir. Ben kendim bir yıldır bir robot üzerinde çalışıyorum. Sonuçlar var, ancak çok kararlı değil.
Ve daha önce de söylediğim gibi, modeller pahasına Reshetov'un uygulamalarının açıklamasına bakın. Evet ve kâseyi aramayın , o yok ;)
Ne sunacağımı çok uzun zamandır biliyordum. Tartışmak istedim, tam olarak olası modeller diyelim. Genellikle birlikte çalışmak daha iyi hale getirir. Ben kendim bir yıldır bir robot üzerinde çalışıyorum. Sonuçlar var, ancak çok kararlı değil.
Sadece bir şey söyleyebilirim: teoriyi (yani bilimsel teoriyi, ancak popüler literatürü) bir kez daha dikkatlice okuyun ve kaçırdığınız veya hesaba katmadığınız bir şey bulabilirsiniz. NeuroShell Day Trader programlarını kullanırken teoriyi bilmenize gerek olmadığını düşünüyorsanız, o zaman tek bir şey var - sinir ağlarını kendi haline bırakın.
sim'e boyun eğiyorum
1x5x1 ağ ile hiçbir zaman sonuç alamayacağınızdan eminim. Ağın en az iki gizli katmanı olmalıdır. Sinir ağının girişleri için 20 göstergenin okumalarını normalleştirdim. Yani 20 giriş var, farklı topolojiler denedim. 20x140x140x4'te durdum Ağ muhtemelen hantal ama iyi yorumlanmış sinyaller üretiyor. Doğal olarak azaltılabilir. Gelecekte, bir genetik algoritma kullanarak topolojiyi seçmeyi planlıyorum. Ağı oluşturma ve eğitme işleminin tamamı JAVANNS kullanılarak yapılır, eğitilen ağ C-Koduna çevrilir ve bu kod zaten MetaTrader'da kullanılabilen dll'de bir karar verme işlevi oluşturulurken kullanılır. Bu doğru, sürecin kaba bir açıklaması. Bu yüzden bir yıldır yapıyorum. Çok büyük miktarda iş. NeuroShell Day Trader gibi programları, kendi ellerinizle ve ihtiyacınız olan şekilde bir ağ oluşturmak mümkünse kullanmak aptalcadır. Yooo, söylemek istediğim bu değildi. Bir eğitim örneği oluşturma sorununa yaklaşımla ilgileniyorum.
Eğitim örneği, girdilere beslediğiniz şeydir. Bu durumda, 20 gösterge gönderirsiniz. Gösterge nedir, başlangıç zaman serisinin işlenmesidir, fiyat serisi {H, L, O, C}. TA'da kullanılan göstergeleri matematiksel bir bakış açısıyla ele alırsak, belirli mat gruplarını ayırt edebiliriz. yöntemler - diyelim ki MA en basit frekans filtresi vb., ancak klasik TA yöntemiyle hazırlanan verilerin bir sinir ağı için en uygun olduğunu kim söyledi?! Hatta tam tersini söyleyebilirim, pratikte uymuyor. Sözde rastgele bir işlevi tahmin etmek için oluşturulmuş küçük bir ağ örneği vermem boşuna değildi.
Biraz araştırırsanız, eğitim örneklerinin hazırlanmasına biraz farklı bakmanıza izin veren çok sayıda ilginç özellik bulacaksınız. Alıntıların akışı, karmaşık bir yasaya sahip, sözde rastgele bir işlev olarak da kabul edilebilir. Sinir ağları matematiksel bir yöntemdir, ancak uygulama teknolojisi daha çok sanat gibidir.
Evet, bu arada, ağın boyutunun sorunu çözme yeteneğini etkilediğini düşünüyorsanız, çok yanılıyorsunuz.
Sanat dediğiniz şeyin belki de tahmin edilebilir olduğunu bir kez daha vurguluyorum. Bununla ilgili. Giriş nöronlarının sayısı çok büyük bir rol oynar. Girdi verileri ne kadar fazla olursa, doğru tahminler yapma olasılığı o kadar artar. Bu apaçık
Katılmıyorum. Size verdiğim örnek, 1-5-1 ağı, sözde rastgele bir diziyi yüksek doğrulukla tahmin etmenizi sağlar.
Mekanizmayı tam olarak anlamadığınız izlenimini edindiğim için teoriyi biraz tekrar okumanızı tavsiye ederim.
Sizce sinir ağı nedir?
Kimin neyi anladığını veya anlamadığını uzun süre tartışabilirsiniz. Görüşme veri hazırlama hakkındaydı. Burada kimsenin bu konuyu tartışmak istemediğini anlıyorum. Çok yazık
Sevgili, bunu tartışabilirsin. Ama neyi tartışalım, TA'da hangi göstergelerin olduğu ve NN için veri ön işlemeye nasıl uygun oldukları konusuna değinirsem, bunu tartışmak istemediniz veya daha doğrusu konuyu fark etmediniz sanırım: )
NN eğitimi için nasıl veri hazırlanacağına dair bir ders okursanız, bunun bu forumda yapılmaması gerektiğini düşünüyorum, burada kimsenin pek ilgisini çekmeyecek.