Sinir ağının girişine ne beslenmeli? Fikirleriniz... - sayfa 35
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
Yeniden eğitim almadan bir yıl veya daha fazla NS kullanmak gerçekçi değildir.
Eğer ağ yeniden eğitim almadan bir ya da iki hafta çalışabiliyorsa (en fazla bir ay), bu harika bir sonuçtur.
Bazı pipsaristler ağı her 24 saatte bir yeniden eğitse de.
Bu yüzden gönderdim, Nugget. En basitinden bir yıl kadar sürdü.
Yeniden eğitim almadan bir yıl veya daha fazla NS kullanmak gerçekçi değildir.
Eğer ağ yeniden eğitim almadan bir ya da iki hafta çalışabiliyorsa (en fazla bir ay), bu harika bir sonuçtur.
Her ne kadar bazı borsacılar ağı 24 saatte bir yeniden eğitse de.
Bu nöronlardan zaten bıktım. Meraklı tepkileri rapor edeceğim ve şimdilik onları unutacağım. Genel olarak, sanatsal dürtme ve yaratıcılığımı gerçekleştirme sürecinde aşağıdakileri denedim:
1) Dinamik ağırlık: -1'den 1'e kadar olan girdi sayısının hangi aralıkta olduğuna bağlı olarak ağırlık değişir. Optimizasyon: aralık sınırları ve ağırlıkların kendileri. Sonuç: küçük mimarilerle normal MLP'den daha kararlı görünüyor. 2) Girdi verilerindeki örüntüye bağlı olarak dinamik ağırlık.
Optimizasyon: sayısı girdi verilerinin sayısına bağlı olan ağırlıklar ve (daha fazla/daha az) ilişki (örüntü) oluşturabileceğiniz aralıklar. Sonuç - ayrıca normal MLP'den daha kararlı görünüyordu. Kararlı olduğum ne anlama geliyor?
- Kümeleri optimize ederken elde edilen çalışma sonuçlarının kesinlikle öznel algısı, daha az rastgele bir lapa gibi ve ileride tekdüze bir büyümenin olduğu daha fazla alan. Sonra bir fikir ortaya çıktı:Fikir, girdi olarak katı bir zaman veri dizisi vererek, pencereyi 1 adım hareket ettirirken, MLP ağırlıklarının "resmi mahvetmesi", tamamen farklı bir sonuç vermesidir, çünkü yeni adımdaki girdi verileri ve ağırlıkların kendileri çok farklı dır. Görünüşe göre, girdilerin modeli aynı olmasına rağmen! Sadece bir yeni girdi eklenmiş ve en eski girdi atılmıştır.
A ncak MLP ile çarparken, geçmişe doğru hareket eden desen hakkındaki bilgiler basitçe silinir. Bu şemayı denemeye karar verdim.
3) Ölçek tamburu.
Giriş penceresini sola kaydırırken, ağırlıklar da buna uygun olarak arkalarına kaydırılır ve yeni (taze) bir girişte ya bir önceki adımdaki son ağırlıkla çarparak ağırlık penceresini girişlere paralel olarak hareket ettiririz ya da ek ağırlıklardan oluşan bir tambur oluşturmak istiyorsak yeni bir ağırlıkla çarparız. Eğrilerim sağdan sola doğru okunuyor (elbette neden bu şekilde çizdiğimi bilmiyorum).
Sonra 1. ve 2. noktalardaki yöntemi vidaladım. Optimizasyon: yukarıdakilerin hepsi. Sonuç: sürpriz yok. CNN evrişimsel ağının açıklayıcı resmine uzun süre baktığımda aklıma son yöntem geldi. Bir tür eksiklik ya da tamamlanmamışlık vardı.
Muhtemelen CNN'e tekrar bakmalıyım. GİRDİLER: 1) ZigZag göstergesini kullanarak en kararlı olanı buldum. Girmek için: zikzağın son "bacağının" boyutunun diğer bacaklarının boyutuna oranı. 2) Fiyat artışı.
Yani, mumun rengine bağlı olarak, ilk gölgesinin, ikinci gölgesinin ve gövdesinin boyutuna oranını besleyin. 3) Close1-Close2 artışının candle1 boyutuna oranı. Sonuçlar, az sayıda öz sermaye "emisyonu", iğrenç gevezeliği veya basit bir deyişle - aşırı oturma - olduğu gerçeğini beğendi.
Bu fenomenle ilgili olarak, MLP ağırlıklarını çarparken, boşluk sorunsuz bir şekilde büyüdüğünde, ancak öz sermaye cehennem gibi sallandığında sonuçların ortalaması alınır. 4)Close1'in h1 / h4 / d1 üzerindeki yukarı ve aşağı fraktallara oranı.
Geri kalan her şey (bir şeyi kaçırabilirim) - ileri ve öğretilen dönemde daha rastgele, kirli, çirkin, pürüzsüz olmayan, ani, iğrenç. Ancak trend boyutundan girişteki kalıplardan bahsetmedim.
Henüz normal olarak test edemedim, ancak bir varyant olarak zikzak ve fraktallar prensipte aynı sonuç hakkında konuşabilir.
Aynı sinir ağı yapısal diyagram ilişkisine sahibim - dijital bir filtre
ama benim için net değil
Kodlarını okuduğum tüm sinir ağı programlarında neden katsayı 1.0?
İdeal olarak, her nöron dijital bir filtrenin bir biti ise, katsayılar 1.0'a eşit olmamalıdır.
yani katsayılar tahmin edicilerdir ve seçmemiz ve sinir ağının girişine beslememiz gereken şey de bunlardır.
Katsayıların bir formül kullanılarak basitçe hesaplanabileceği düşünüldüğünde, neden bir sinir ağı oluşturma zahmetine girelim ki?Ivan Butko #:
...
3) Ağırlık davulu.
Girdi penceresini sola kaydırırken, ağırlıklar buna uygun olarak arkalarına kaydırılır ve yeni (taze) bir girdide, ağırlık penceresini girdilere paralel olarak hareket ettirerek önceki adımdaki son ağırlıkla veya ek ağırlıklardan oluşan bir tambur oluşturmak istiyorsak yeni bir ağırlıkla çarparız. Eğrilerim sağdan sola doğru okunur (elbette neden bu şekilde çizdiğimi bilmiyorum).
... GİRDİLER: 1) ZigZag göstergesini kullanarak en kararlı olanı buldum. Girdi: zigzagın son "bacağının" boyutunun diğer bacaklarının boyutuna oranı ...
Bu uygulamada çalıştırdım, 600 işlem (hepsi 200'ün üzerinde) olan en üst seti ve 200 ~ olan en üst seti seçtim. Yaklaşık olarak böyle çalışır. Daha iyisini yapamazdım.
R enat Akhtyamov #:
Aynı sinir ağı yapısal şema ilişkisine sahibim - dijital bir filtre
ama benim için net değil
Kodlarını okuduğum tüm sinir ağı programlarında neden katsayı 1.0?
İdeal olarak, her nöron dijital bir filtrenin bir biti ise, katsayılar 1.0'a eşit olmamalıdır.
yani katsayılar tahmin edicilerdir ve seçmemiz ve sinir ağının girişine beslememiz gereken şey de bunlardır.
Katsayıların bir formül kullanılarak basitçe hesaplanabileceği düşünüldüğünde, neden bir sinir ağı oluşturmak için bu kadar zahmete girelim?Daha basit bir şekilde ifade etmek gerekirse.... bütçeci insanlar için katsayının ne anlama geldiğini anlamıyorum.
Bu uygulamada çalıştırdım, 600 işlemin başladığı en üst seti seçtim (daha yüksek olanların hepsi 200 küsur) ve en üstteki 200~. Kabaca böyle çalışıyor. Daha iyisini yapamazdım.
Daha basit bir ifadeyle..... bütçeciler için katsayının ne olduğunu anlamıyorum.
Son zamanlarda yayınlanan, neredeyse tüm soruların cevaplarını bir kez buldum:
Öğretilen disiplinler üzerine literatür (digteh.ru)
filtrelerden birinin yapısı
Nöronik olmayan ne?
Bir süre önce yayınlanan, neredeyse her sorunun cevabını buldum:
Öğretilen disiplinlere ilişkin literatür (digteh.ru)
filtrelerden birinin yapısı
Nöronik olmayan ne?
Vay anasını.
Ne skynet ama. Eğer ticaret için iyiyse, gönderi için teşekkürler.
Vay anasını.
Ne skynet ama. Eğer bu ticaret için iyiyse, gönderi için teşekkürler
Ve işte bir tane daha.
Neredeyse buradaki herkesin yaptığı nöronların bir kopyası.
Bir süre önce yayınlanan, neredeyse her sorunun cevabını buldum:
Öğretilen disiplinlere ilişkin literatür (digteh.ru)
filtrelerden birinin yapısı
Nöronik olmayan ne?
Bu bir BIR filtresidir, uygulanması daha zordur ve faz kaymaları doğrusal değildir.
R enat Akhtyamov #:
ve işte bir tane daha
neredeyse herkesin burada yaptığı nöroniklerin bir kopyası
Ve bu zaten Matlab'da kolayca hesaplanan ve yazılımda çok kolay uygulanan bir FIR filtresidir. Ve eğer kart OpenCL destekliyorsa, böyle bir filtre çok iyi paralelleştirilebilir. Ancak OpenCL ile piyasada geçmeyecek, tamamen kendiniz için veya bağımsız olarak satmak için. Ve Matlab'ın çevrimiçi sürümünde filtreleri ücretsiz olarak kolayca hesaplayabilirsiniz, size ayda 20 saat ücretsiz veriyorlar. En komiği de yaptırımlara rağmen Rusya'dan VPN olmadan giriyorum ve kaydım @yandex.ru )). Üst çubuktaki Uygulamalar sekmesine bakın ve altta filtrelerle ilgili bir bölüm var. Filtre Tasarımında katsayıları hesaplayabilirsiniz. Ve masaüstü sürümünde Filtre Oluşturucu var, orada hesaplanan filtreyi bir işlev olarak içe aktarabilirsiniz ve genel olarak olasılıklar çevrimiçi olandan daha fazladır. Bu arada, Matlab fonksiyonlarını doğrudan MQL5'ten çağrılabilen Matlab DLL'lerine dönüştürmek çok kolaydır. Matlab bu amaç için yerleşik araçlara sahiptir. Eksi yanı, bu tür DLL'lerin çalışması için mathworks'ten serbestçe dağıtılan çalışma zamanını yüklemeniz gerekir ve eskiden yarım gig'den fazlaydı, şimdi muhtemelen daha da büyüktür.
Evet, literatür bağlantısı için teşekkürler, çok ilginç materyaller var.
Bunlar BIR filtreleridir, uygulanması daha zordur ve faz kaymaları doğrusal değildir.
Ve bu zaten Matlab'da kolayca hesaplanan ve yazılımda çok kolay uygulanan bir FIR filtresidir. Ve eğer kart OpenCL destekliyorsa, böyle bir filtre çok iyi paralelleştirilebilir. Ancak OpenCL ile piyasada geçmeyecek, tamamen kendiniz için veya bağımsız olarak satmak için. Ve Matlab'ın çevrimiçi sürümünde filtreleri kolayca ve ücretsiz olarak hesaplayabilirsiniz, size ayda 20 saat ücretsiz veriyorlar. En komiği de yaptırımlara rağmen Rusya'dan VPN olmadan giriyorum ve kaydım @yandex.ru )). Üst çubuktaki Uygulamalar sekmesine bakın ve altta filtrelerle ilgili bir bölüm var. Filtre Tasarımında katsayıları hesaplayabilirsiniz. Ve masaüstü sürümünde Filtre Oluşturucu var, orada hesaplanan filtreyi bir işlev olarak içe aktarabilirsiniz ve genel olarak olasılıklar çevrimiçi olandan daha fazladır. Bu arada, Matlab fonksiyonlarını doğrudan MQL5'ten çağrılabilen Matlab DLL'lerine dönüştürmek çok kolaydır. Matlab bu amaç için yerleşik araçlara sahiptir. Eksi yanı, bu tür DLL'lerin çalışması için mathworks'ten serbestçe dağıtılan çalışma zamanını yüklemeniz gerekir ve eskiden yarım gig'den fazlaydı, şimdi muhtemelen daha da büyüktür.
Evet, literatür bağlantısı için teşekkürler, pek çok ilginç materyal var.
Forumun bir yerinde Mashka'da GPT sohbeti yapan bir EA vardı.
En ilginç şey, kodun MA'yı hem çubuk sayısını artırma hem de azaltma yönünde analiz etmesidir.
Tabii ki, göstergeleri kullanırken tekrarlanan fiyaskolar nedeniyle bunu pratikte uygulamaya çalışmadım, ancak içinde bir şey olduğunu düşünüyorum.
---
TC, MN1 üzerinden alım satım hakkında bir soru sordu.
Göstergelerin makul gecikmesi nedeniyle bu tür ticaret fikrinin sonunda grafiği değil ekonomik durumu analiz etmeye ineceğini düşünüyorum.