Bir mayın tarlasında pazar görgü kuralları veya görgü kuralları - sayfa 41
Alım-satım fırsatlarını kaçırıyorsunuz:
- Ücretsiz alım-satım 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
Şu anda tek katmanlı ve iki katmanlı bir nöronun tahmininin doğruluğunu eurobucks saatlerine göre karşılaştırmaya çalışıyorum ve tek katmanın gözle görülür şekilde daha verimli çalıştığını görüyorum. Bunun, piyasadaki çubuklar arasında "zor" doğrusal olmayan bağımlılıkların olmamasından kaynaklandığını düşünüyorum. Buradaki her şey hurda gibidir ve bağımlılıklar tek katmanın çalıştığı en doğrusaldır. Bu arada, aslında, tek bir nöronun mimarisi, n'nin NN girişlerinin sayısı olduğu ve iki katmanın arasında yeni bir şey bulamadığı n'inci sıradaki doğrusal bir AR modelinin bir analogudur. çubuklar, bu özel durumda doğrusal olmayan AR modellerinin kullanıldığını gösterir.
Çalışmasının doğruluğuna mutlak güvenim olana kadar - nöronunuzu verilerim üzerinde deneyin - kızla birlikte karavandalar ve zaman ve arzu varsa - kızı verilerinizden kontrol edin.
Dosyanızı bana EURUSD 1h ile gönderin ve Matkad dosyalarınızı 11 formatında kaydedin, ancak yine sizi okuyamıyorum.
Üzgünüm, elbette, ama son zamanlarda ipuçlarını anlamakta zorluk çekiyorum. Belki şirketin oturması nedeniyle ... Yazdığınız bu "bir şey" nedir? En azından bir örnek verin.
Yeni bir çubuğun oluşumu sırasında, diğer şeylerin yanı sıra, bir şekilde stokastik (0) girişe sundum. Veya girdiye PRICE_TYPICAL ile MA(0) uygulayabilirsiniz. Tanım olarak, zaten kapanış fiyatını içerir. Yani, ağa bir "ipucu" veriyorsunuz ve sadece onu yakalaması gerekiyor. Onu yakalarsanız, eğitim algoritmasının çalıştığını bileceksiniz.
Şu anda tek katmanlı ve iki katmanlı bir nöronun tahmininin doğruluğunu eurobucks saatlerine göre karşılaştırmaya çalışıyorum ve tek katmanın gözle görülür şekilde daha verimli çalıştığını görüyorum. Bunun, piyasadaki çubuklar arasında "zor" doğrusal olmayan bağımlılıkların olmamasından kaynaklandığını düşünüyorum. Buradaki her şey hurda gibidir ve bağımlılıklar tek katmanın çalıştığı en doğrusaldır. Bu arada, aslında, tek bir nöronun mimarisi, n'nin NN girişlerinin sayısı olduğu n'inci sıradaki doğrusal bir AR modelinin bir analogudur ve iki katmanın arasında yeni bir şey bulamamasıdır. çubuklar, bu özel durumda doğrusal olmayan AR modellerinin kullanıldığını gösterir.
Dosyanızı bana EURUSD 1h ile gönderin ve Matkad dosyalarınızı 11 formatında kaydedin, ancak yine sizi okuyamıyorum.
Böyle bir şüphem vardı ama cesaretle vazgeçtim :-) Biçime gelince - üzgünüm, gözden kaçırmışım. her şeyi buraya bağladı. Bu arada, şimdi öğrenme oranını manipüle etmeye çalışıyorum (Yunanca Eta) - Eta 15-20'ye girerek AUDUSD'deki sonuçları önemli ölçüde iyileştirmeyi başardım - verim 4,5'in üzerinde çıktı. Ancak bu eylem Eurobucks'ı hiçbir şekilde etkilemedi.
Yeni bir çubuğun oluşumu sırasında, diğer şeylerin yanı sıra, bir şekilde stokastik (0) girişe sundum. Veya girdi olarak PRICE_TYPICAL ile MA(0) uygulayabilirsiniz. Tanım olarak, zaten kapanış fiyatını içerir. Yani, ağa bir "ipucu" veriyorsunuz ve sadece onu yakalaması gerekiyor. Onu yakalarsanız, eğitim algoritmasının çalıştığını bileceksiniz.
Yani girdi olarak sadece sıfır çubuk (eksik kapatma) göndermek daha kolay değil mi? Ama sonuçları nasıl görebilirsiniz? Test cihazı burada yardımcı olmayacak ve Sergey'in bana burada öğrettiği sayısal simülasyon da.
Ancak 100'e kadar ısındı ... mucizeler!
Bu harika bir öğrenme yöntemi! Ana şey, nasıl doğru kullanılacağını anlamaktır.
Entropi ve diğer şeyler hakkındaki "fantezilerimi" hatırlıyor musun? Yaptığınız tam olarak bu, sadece tartıların ilk başlatılmasını bırakmanız ve kızın sıcaklığını yükseltmeniz ve ardından onu yavaş yavaş soğutmanız gerekiyor. Ve insan merak ediyor, neden bu iki katmana ihtiyacımız var?
Üç parametrenin eşzamanlı optimizasyonunu düşünmek güzel olurdu: girdi boyutu, dönem sayısı ve başlangıç sıcaklığı. Her üç parametre de kritik öneme sahiptir; bunlardan herhangi birini birer birer değiştirmek (sıcaklık on derece) tamamen farklı bir sonuç verir.
Her üç parametre de kritik öneme sahiptir; bunlardan herhangi birini birer birer değiştirmek (sıcaklık on derece) tamamen farklı bir sonuç verir.
Genel olarak, bu NN'nin zayıf öğrenme yeteneğini gösterebilir. Kendiniz karar verin, yüzeyde küresel bir minimum arayışı hemen hemen her başlangıç noktasından sağlanmalıdır. Ve sizin için bu koşul karşılanmadı (ağırlıkların ilk rastgeleleştirilmesine duyarlılık). Bu bir çağrıdır.
Anlayana kadar anlamak zorundasın.
Hatta nereye bakmalı?
İyi soru! Bilmiyorum. Neyse ki Matkad, sayma sürecini herhangi bir adımda görselleştirmenizi sağlar. Deney.
Şimdi iki katmanımla oynuyorum - öğrenme verimliliğinin k 'ye bağımlılığına bakıyorum. Oldukça kaynak yoğun, bu yüzden çözümünüzü henüz başlatmıyorum.