Sinir ağının girişine ne beslenmeli? Fikirleriniz... - sayfa 39
![MQL5 - MetaTrader 5 müşteri terminalinde yerleşik ticaret stratejileri dili](https://c.mql5.com/i/registerlandings/logo-2.png)
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
Şubeler böyle spamlanıyor....
Yapıcı olman umurumda değil.
Bir scalper'ımın 1 Hz sor / teklif örnekleme oranıyla çalıştığını düşünürsek, aylık çubuklarla işlem yapmak bana zihinsel bir sapma gibi geliyor. En ufak bir trolleme olmadan.
herhangi bir DSP'yi hatırlamak: yerel kum havuzunda, keneler 3-5 Hz frekansa sahiptir ... 1 örnek için son derece rahatsız edici.
... onbinlerce* yoğun kod satırı....Peki, TUT diyelim. Sonuçta, aynı SoftMax her şeyi seçebilir.
hayal gücünün sınırı yok. Örneğin, iki farklı stratejiyi ele alalım. Biri düz, diğeri trend. Girişe her zamanki gibi - daha önce ittiğimiz şeyi itiyoruz.
Çıktıda, hangi stratejinin şimdi işlem yapacağına (veya sinyallerini izleyeceğine) karar veririz. Ve burada Softmax düz stratejiyi gösterir: düz strateji, hazır biçimlendirilmiş kurallarına göre bir sinyal, TP, SL ve benzerlerinin varlığını kontrol eder. Sonra tekrar: giriş verilerinin analizi.
NS artık grafiğin bir trend stratejisi için daha uygun olduğuna karar verir ve kontrolü ona devreder. UPD Basit bir şey yapacağım. İlginç bir şey olursa, yayınlayacağım.
Bir sinir ağının çıktısının neden sadece AL ve SAT olduğunu düşünüyordum.
Peki, TUT diyelim. Sonuçta, aynı SoftMax her şeyi seçebilir.
hayal gücünün sınırı yok. Örneğin, iki farklı stratejiyi ele alalım. Biri düz, diğeri trend. Girişe her zamanki gibi - daha önce ittiğimiz şeyi itiyoruz.
Çıktıda, hangi stratejinin şimdi işlem yapacağına (veya sinyallerini izleyeceğine) karar veririz. Ve burada Softmax düz stratejiyi gösterir: düz strateji, hazır biçimlendirilmiş kurallarına göre bir sinyal, TP, SL ve benzerlerinin varlığını kontrol eder. Sonra tekrar: girdi verilerinin analizi.
NS artık grafiğin bir trend stratejisi için daha uygun olduğuna karar verir ve kontrolü ona devreder. UPD Basit bir şey yapacağım. İlginç bir şey olursa yayınlayacağım.
Çıktıları geri çekme (limit) ve koparma (durdurma) olarak dağıtmak mümkündür, ancak kural olarak ağ çok ... GPT elde edildiğinde duruma nöron eklemek ya da tam tersi, ağın olası eylem seçeneklerini basitleştirmek için. ilk seçenek birkaç yıl önce benim tarafımdan dile getirildi, ancak MO şubesinde domates yağmuruna tutuldu, ancak nöron sayısını artırmaya karşı çıkan aynı insanlar şimdi piyasalarla ilgili olarak LLM'de ustalaşmaya çalışıyorlar.
Kısacası kimseyi dinlememeye çalışmalısınız. beni dinleyebilirsiniz (meşhur söze atıf 😊).
Çıktıları geri alma (limit) ve arıza (durdurma) olarak dağıtmak mümkündür, ancak bir kural olarak ağ çok... GPT elde edildiğinde duruma nöron eklemek ya da tam tersine, olası ağ eylemlerinin seçeneklerini basitleştirmek. ilk seçenek birkaç yıl önce benim tarafımdan dile getirildi, ancak MO şubesinde domates yağmuruna tutuldu, ancak nöron sayısını artırmaya karşı çıkan aynı insanlar şimdi piyasalarla ilgili olarak LLM'de ustalaşmaya çalışıyorlar.
Kısacası kimseyi dinlememeye çalışmalısınız. beni dinleyebilirsiniz (meşhur söze gönderme 😊).
Fikir için teşekkürler. Limit ve durdurma esasen farklı yönlerdir. Bazı bir stratejide veya ikisinde de: en iyi fiyattan işlem yaptığı yerde, diğeri bir kopuşta.
A ndrey Dik #:
İlk seçenek birkaç yıl önce benim tarafımdan dile getirilmişti, ancak MO başlığında domateslerle atıldı, ancak nöron sayısını artırmaya karşı olan aynı insanlar şimdi piyasalara uygulandığı gibi LLM'de ustalaşmaya çalışıyorlar.
İyi işti.
Bayrak ellerinde ve belki de sohbet onlara yazdığında kaseyi bizimle paylaşacaklar. Ben kaseyi çizmek konusunda inatla isteksizim.
1. Bazı katılımcıların makalelerinizde tartışılan algoritmalar hakkında eleştirel görüşleri olduğu için MO başlığına atıfta bulunduğunuzu düşündüm. Ben sadece, anladığım kadarıyla, bana göre özdeki anlaşmazlığın nedeninin ne olduğunu açıklığa kavuşturmaya karar verdim. Kişilikler konusunu gündeme getirmek istemiyorum.
2. Ne arayacağımı biliyorum - tahmin edicilerin kuantum segmentleri üzerinde istatistiksel olarak istikrarlı bağımlılıklar, ancak hangi işaretlerin bu konuda ne söylediğini henüz bilmiyorum. Bir model oluştururken, yeni bir iterasyonda doğru adımı atma olasılığının yüksek olması gerekir - hepsi bu :)
3. ...
4. Hala ne demek istediğimi anlamıyorsunuz. Basitleştirmek gerekirse, yinelemeli bir yaklaşımla, optimizasyon algoritmasına göre, seçim yapmanız gereken varyantların tüm sonuçlarını zorla kontrol edebileceğinizi ve böyle bir seçimin modeli mevcut tüm örnekler üzerinde belirli bir hedefe yaklaştıracağını düşünün. Ve işte cepte böyle bir model (ya da katsayılar - ne derseniz deyin) var, mevcut verilere göre iyi, ancak mutlaka en iyi seçenek değil. Yani algoritma, bir iterasyonda çözmek için bir adım seçerken FF'nin nihai verilerde ne olacağına bakar. Demek istediğim bu, göz atmadığınızda, rastgele adımlara bağlı olarak yanlışlıkla iyi bir sonuç elde edebilirsiniz. Piyasa verilerinden bahsediyoruz. Ve yeni verilerle beslendiğinde sonuç kötüleşebilir. Her neyse, demek istediğim, temsil gücü olmayan bir alt örneklemde şans eseri mi yoksa bir algoritma sayesinde mi iyi bir model elde ettiğinizi anlamanın kolay olmadığıdır.
5. Dolayısıyla kullanım, genetiği ve standart FF'leri ile standart optimizasyon aracı ile aynıdır. Burada kabul edilebilirlik, yeni veriler üzerinde istikrarlı bir model (ayarlar) elde etme olasılığını ifade eder. Neyin aranacağı ve bulunacağı açıktır....
6. Bu arada, algoritmaların kategorik özelliklerle nasıl başa çıktığını değerlendirdiniz mi?
7. Birçok algoritma değişkenlik için rastgeleleştirme kullanır, MOE dışında hiç rastlamadınız mı? Sonucun tekrarlanabilirliğini istiyorsanız, tohumu sabitleyin.
Bazı tanımlayıcı istatistiksel kriterlere göre sadece bir modeli değil, en az yüz tanesini karşılaştırmak gerekir. Sadece yeni veriler üzerinde tahmin edebileceğiniz doğru ayarları (modeli) seçme olasılığı...
8. Gradyan inişi, hesaplama kaynaklarını kullanmanın verimli bir yöntemi olarak kullanılır. Hocanın bir videoda bahsettiği gibi daha karmaşık ve daha ağır yöntemler var ama hatırlamadım, sadece mantığını anladım.
1. Bana göre anlaşmazlık, optimizasyon algoritmalarına karşı çıkanların, AO'ların aynı sinir ağlarında ve diğer MO araçlarında şu veya bu şekilde mevcut olduğunu aktif olarak fark etmemelerine (veya fark etmemiş gibi davranmalarına) rağmen, bunların piyasa verilerine uygulanabilirliğini reddetmeleridir.
2. Ne derecede sağlamlık gereklidir? Biraz mı, yoksa biraz daha mı fazla? Yeni veriler üzerinde mümkün olan en yüksek kararlılığı elde etmek gerekir, bu maksimize edilmesi gereken uygunluk fonksiyonudur.
3. ...
4. Optimizasyon algoritması , optimizasyon sürecinin tek bileşeni değildir (nedense herkes bunu unutur). AO'nun kendisi, arabanın nereye gittiğini umursamayan bir araba için benzinle karşılaştırılabilir, benzin kötüyse araba hiç gitmeyebilir ve benzin ne kadar iyi olursa araba o kadar hızlı gidebilir (yani hedefe daha hızlı ulaşabilir). AO'nun optimizasyon sürecindeki rolünü anlamak için daha önce birkaç kez örnek vermiştim, bir şema vermiştim. Tekrar hatırlatmama izin verin, parametrelerin tam bir aramasını yapmanın (basit bir TC veya MO yöntemlerini kullanarak) ve bu parametrelerin uygunluk fonksiyonunun değerini elde etmenin mümkün olduğunu düşünelim, o zaman görebileceğimiz gibi, optimizasyon algoritması bu örnekte hiç yer almaz, ancak yine de tam aramanın tüm parametreleri arasından seçim yapmaya ihtiyaç vardır. AO'nun her zaman sonucun hızlandırıcısı olarak hareket ettiği görülebilir, kendisi sonuç seçiminin doğruluğuna katılmaz (uygunluk fonksiyonu AO için sadece harici bir parametredir). Sonuç seçiminin doğruluğunda sadece uygunluk fonksiyonu yer alır (doğruluk, TS'yi yeni veriler üzerinde başarılı bir şekilde çalıştırma yeteneği de dahil olmak üzere her şey olarak anlaşılabilir). Bu nedenle, sağlamlık veya sistemin yeni veriler üzerinde başarılı bir şekilde çalışabilme kabiliyeti hakkında konuşmak bağlamında, AO'ya değil, uygunluk fonksiyonuna, nelerden oluştuğuna ve uygunluk fonksiyonunun performansından önce gelen her şeye (karar değerlendirme performansı) bakılmalıdır.
5. Önceki paragraflara bakınız.
6. Bu konuyu araştırma sürecindeyim. Şu anda kontrolde bu konuyla ilgili bir makale var. Onu (konuyu) ifşa etmeye devam etmeyi düşünüyorum.
7. Sistem parametrelerinin başlangıç durumunu, çıkışta rastgele sonuçlar elde etmek için değil, parametrelerin olası varyantlarının mümkün olduğunca geniş bir alanını kapsamak için rastgele hale getirin. Çıktı rastgele değil, oldukça kesin bir sonuç olmalıdır (sağlamlık açısından - kendi içinde ve sağlamlık endeksini tanımlayan uygunluk fonksiyonunun maksimum değeri). Burada sınırlar yöntemini kullanmak uygundur, ilk yineleme - rastgele parametreler, son yineleme - gerekli parametreler. Aralarında, optimizasyon algoritmasının verimliliğini gösteren uygunluk fonksiyonu değerlerinin alanı, rastgele sonuca daha sağda, sırasıyla daha kötü AO, daha solda, optimum sonucun gerekli maksimumuna daha yakın (tekrar ediyorum, sistemin mümkün olan maksimum sağlamlığını karşılayan optimum sonuç), daha verimli AO. Sinir ağı farklı sonuçlar gösteriyorsa ve büyük bir dağılım gösteriyorsa, bu, sinir ağının bir parçası olarak kullanılan algoritmanın aptalca bir şekilde uygunluk fonksiyonunun (kayıp fonksiyonu kullanıldı) yerel ekstremumunda bir yerde sıkışıp kaldığı anlamına gelir.
8. Eğitmen muhtemelen size ağları eğitmek için sıklıkla kullanılan algoritmaların temelde takılıp kaldığını söyledi mi? - Muhtemelen hayır, ama sanırım çok hızlı olduklarını vurguladı. Evet, hızlılar çünkü popülasyonları yok ve bu nedenle eğitim verileri üzerinde gerekli çalıştırma sayısını azaltıyorlar, ancak bunun için tasarlandılar - hızlı olmak için, ancak yakınsama etkilenir (bu dünyada hiçbir şey bedava değildir).
Alexey, umarım şimdi gündeme getirilen konuya MO şubesinde ve genel olarak diğer birçok yerde kabul edilenden biraz farklı bir açıdan bakarsın. MOS'çular pek çok şeyi inançla kabul eden inananlara (bu ne kötü ne de iyidir, sadece bazen pek çok şeye mantık açısından bakmayı engeller) ya da felsefe taşını - OOS MOS sistemi üzerinde çalışan bir sistem - elde etmek umuduyla MOS yöntemlerini birleştiren fanatik simyacılara çok benzerler. MO'ya karşı değilim, ancak makinedeki her dişlinin sonuç üzerindeki etkisini anlamak için her zaman bir şeyleri parçalara ayırmaya çalışırım.
1. Gördüğüm kadarıyla anlaşmazlık, optimizasyon algoritmalarına karşı çıkanların, AR'lerin aynı sinir ağlarında ve diğer MO araçlarında şu veya bu şekilde mevcut olduğunu aktif olarak görmezden gelmelerine (veya fark etmemiş gibi davranmalarına) rağmen, bunların piyasa verilerine uygulanabilirliğini reddetmeleridir.
2. Ne derece sağlamlık gereklidir? Biraz mı, yoksa biraz daha mı fazla? Yeni veriler üzerinde mümkün olan maksimum kararlılığı elde etmek gerekir, bu maksimize edilmesi gereken uygunluk fonksiyonudur.
3. ...
4. Optimizasyon algoritması , optimizasyon sürecinin tek bileşeni değildir (nedense herkes bunu unutur). AO'nun kendisi, arabanın nereye gittiğini umursamayan bir araba için benzinle karşılaştırılabilir, benzin kötüyse araba hiç gitmeyebilir ve benzin ne kadar iyi olursa araba o kadar hızlı gidebilir (yani hedefe daha hızlı ulaşabilir). AO'nun optimizasyon sürecindeki rolünü anlamak için daha önce birkaç kez örnek vermiştim, bir şema vermiştim. Tekrar hatırlatmama izin verin, parametrelerin tam bir aramasını yapmanın (basit bir TC veya MO yöntemlerini kullanarak) ve bu parametrelerin uygunluk fonksiyonunun değerini elde etmenin mümkün olduğunu düşünelim, o zaman görebileceğimiz gibi, optimizasyon algoritması bu örneğe hiç dahil değildir, ancak yine de tam aramanın tüm parametreleri arasından seçim yapmaya ihtiyaç vardır. AO'nun her zaman sonucun hızlandırıcısı olarak hareket ettiği görülebilir, kendisi sonuç seçiminin doğruluğuna katılmaz (uygunluk fonksiyonu AO için sadece harici bir parametredir). Sonuç seçiminin doğruluğunda sadece uygunluk fonksiyonu yer alır (doğruluk, TS'yi yeni veriler üzerinde başarılı bir şekilde çalıştırma yeteneği de dahil olmak üzere her şey olarak anlaşılabilir). Bu nedenle, sağlamlık veya sistemin yeni veriler üzerinde başarılı bir şekilde çalışabilme kabiliyeti hakkında konuşmak bağlamında, AO'ya değil, uygunluk fonksiyonuna, nelerden oluştuğuna ve uygunluk fonksiyonunun performansından önce gelen her şeye (karar değerlendirme performansı) bakılmalıdır.
5. Önceki paragraflara bakınız.
6. Bu konuyu araştırma sürecindeyim. Şu anda bu konu hakkında bir makalem var. Sanırım (konuyu) araştırmaya devam edeceğim.
7. Sistem parametrelerinin ilk durumunu, çıktıda rastgele sonuçlar elde etmek için değil, parametrelerin olası değiĢkenlerinin mümkün olduğunca geniĢ bir alanını kapsayacak Ģekilde rastgele hale getirin. Çıktı rastgele değil, oldukça kesin bir sonuç olmalıdır (sağlamlık açısından - kendi içinde ve sağlamlık endeksini tanımlayan uygunluk fonksiyonunun maksimum değeri). Burada sınırlar yöntemini kullanmak uygundur, ilk yineleme - rastgele parametreler, son yineleme - gerekli parametreler. Aralarında, optimizasyon algoritmasının verimliliğini gösteren uygunluk fonksiyonu değerlerinin alanı, rastgele sonucun ne kadar sağında, sırasıyla daha kötü AO, daha solda, optimum sonucun gerekli maksimumuna daha yakın (tekrar ediyorum, sistemin mümkün olan maksimum sağlamlığını karşılayan optimum sonuç), daha verimli AO. Sinir ağı büyük bir yayılımla farklı sonuçlar gösteriyorsa, sinir ağında kullanılan algoritmanın uygunluk fonksiyonu (kullanılan kayıp fonksiyonu) üzerindeki yerel ekstremumda bir yerde sıkışıp kaldığı anlamına gelir.
8. Eğitmen muhtemelen size ağları eğitmek için kullanılan algoritmaların temelde takıldığını söyledi mi? - Muhtemelen hayır, ama sanırım çok hızlı olduklarını vurguladı. Evet, hızlıdırlar çünkü popülasyonları yoktur ve bu nedenle eğitim verileri üzerinde gereken çalıştırma sayısını bir kat azaltırlar, ancak bunun için tasarlanmışlardır - hızlı olmak için, ancak yakınsama etkilenir (bu dünyada hiçbir şey bedava değildir).
Alexey, umarım şimdi gündeme getirilen konuya MO şubesinde ve genel olarak diğer birçok yerde kabul edilenden biraz farklı bir açıdan bakarsınız. MOS'çular pek çok şeyi inançla kabul eden inananlara (bu ne kötü ne de iyidir, sadece bazen pek çok şeye mantık açısından bakmayı engeller) ya da felsefe taşını - OOS MOS sistemi üzerinde çalışan bir sistem - elde etmek umuduyla MOS yöntemlerini birleştiren fanatik simyacılara çok benzerler. MO'ya karşı değilim, ancak makinedeki her dişlinin sonuç üzerindeki etkisini anlamak için her zaman bir şeyleri parçalara ayırmaya çalışırım.
1. Yukarıda, makalelerin soyut algoritmalar olarak değil, standart FF'lerle kullanılması gereken standart optimize edicinin algoritmasının yerine geçecek şekilde ele alındığı gerçeğini, birebir uygulama hakkında zaten yazmıştım. Ve bu yaklaşım, pek çok kişinin zaten anladığı gibi, çok etkili değildir. Bunun nedeni, herhangi bir yazarın her makalesinde okuyucunun ticaret için yararlı bir şeyler bulmaya çalışmasıdır. Sadece bunu dikkate almak ve bunun için okuyuculara gücenmemek gerekir. Belki de makalede yalnızca finansal sonucu açıklayan göstergeleri değil, aynı zamanda onu etkileyen, ima edilen ancak adlandırılmayan diğer göstergeleri de dikkate alan FF'lere örnekler vermelisiniz?
2. Bu bağlamda esneklik, nicelleştirilmiş bir tahmin edici segmentteki sınıflardan birine rastlama olasılığının örneklemdeki sınıfın tüm temsilcilerinin sayısına göre yanlılığının ölçülmesinden gelen ikili bir değişkendir. Alt örneklemleri değiştirdiğinizde, olasılık yanlılığı değişmemelidir, dolayısıyla bu kararlılık olacaktır. Bu, durağan olmayan süreçlerde durağanlığı bulmak gibidir. Daha sonra model bu veriler üzerine inşa edilir ve bu tür kuantum segmentleri ne kadar doğru tespit edilirse, model oluşturma algoritmasının her adımında onu seçme olasılığı ve dolayısıyla gerekli modeli oluşturma olasılığı o kadar artar. Sonuç doğrulama bölümünün başlangıçta değerlendirilmediği açıktır. Sonuç olarak, bir hedef var, değerlendirme için bir metrik var, ancak sonucu neyin etkilediği tam olarak belli değil - ek değerlendirme metriklerine ihtiyacımız var.
Aşağıda, iki sınıfın her biri için model oluşturma algoritmasının her bir iterasyonunda havuzdan kararlı bir kuantum segmenti seçme olasılığını (yüzde) gösteren bir grafik yer almaktadır.
4. İlk paragrafta zaten yazmıştım ve burada sadece insanların neden buna ihtiyaç duyduklarını anlamaya çalışmalarını ve genetiği ile standart optimize edicinin alternatifini anlamalarını tekrarlayacağım. FF'de piyasadan uzak başka hangi parametrelerin ayarlanması gerektiği çoğu insan için açık değildir.
7. Amacın çıktıda rastgele sonuçlar elde etmek olduğunu yazmadım. Amaç, soyut manzarayı farklı boyutlardan değiştirmek de dahil olmak üzere, bir çözüm bulmanın farklı yollarını düşünmektir.
8. Alanında bilgili olan kişilerin gerekli bilgi ve deneyime sahip olmadığını varsaymanın doğru olmadığını düşünüyorum. Bu soyut konuşmacı için olduğu kadar birçok forum üyesi için de geçerlidir. Bazen görüşünüzü kanıtlamadan önce karşınızdakinin mantığını anlamanız gerekir. Gelişmekte olan bir yönle uğraşıyoruz, duruma ilişkin farklı bakış açıları olabilir, bunlar değişebilir, bu nedenle kategorik düşünmek verimli değildir. Ve eğer deneyimlerinize atıfta bulunarak bir şey iddia ederseniz - şöyle şöyle yaptım ama sonuç üzücüydü, sanırım bunun nedeni "şu...". - o zaman belki birisi bir çözüm önerir veya benzer başlangıç verileriyle sonucunu paylaşır.
Burada şimdiye kadar çalışmalarınız hakkında yazdığınız her şeyi, makalelerinizi okudum, sanırım onlara yorum yazan diğer birçok kişi gibi. Sizinle çatışmaya yol açan şey, insanların inançlarında açıkça görülen az gelişmiş oldukları varsayımıdır. MO başlığının, herhangi bir iddianın veya yaklaşımın sorgulandığı, etkili gibi görünse bile bir yöntemin neden etkisiz olduğuna dair bir neden arandığı bir örnek olduğunu gözlemliyorum. Bu yüzden sizin tarafınızdan yapılan değerlendirmelerde önyargı görüyorum. MO başlığındaki pek çok katılımcı iddialarında mantıklı değil, ancak bu her zaman bu argümanlara sahip olmamaktan kaynaklanmıyor. Bence bu mesleki bir deformite. Evet, sinir bozucu olabilir.
Eğer konu hakkında daha derin bir bilgiye sahip olduğunuzu, sürecin matematiğini iyi anladığınızı ve insanlara fayda sağlamak istediğinizi düşünüyorsanız, o zaman eski zamanlardaki misyonerlerin yaklaşımlarına dikkat edin - ortak bir zemin bulun ve oradan diyalog kurun. Bunu yapmak istemiyorsanız, diğer temsilcileri görüş ve inançlarıyla görmezden gelebilirsiniz. Kim sizin zekice düşüncelerinizi okumaya ihtiyaç duyar ve kendisi için gerekli sonuçları çıkarır.
Genel olarak, size çatışmanın nedeninin diğer tarafını göstermeye çalıştım, bunun duracağını ve katılımcılarının birbirlerini duyacaklarını ve karşılıklı hakaretler olmadan eleştiriyi yeterince ele almaya başlayacaklarını umuyorum.
8.
Bu mesajla çatışmayı söndürmek yerine yangına körükle gittiğinizin farkında değil misiniz?
Eğer bunu kasıtlı olarak yapmadıysanız, o zaman herkesin Aleksey Vyazmikin 'in yazısındaki 8. madde yokmuş gibi davranmasını öneririm.