Sinir ağının girişine ne beslenmeli? Fikirleriniz... - sayfa 52
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
Resme bakarsanız, evet, sıcak ve yumuşak, ama kodda gayet iyi.
Resimdeki parantezler yanlış. Bu şekilde olmalı.
Ola ke tal. Ben de fikirlerimi söyleyeyim dedim.
Son modelim 10 sembolün normalleştirilmiş fiyatlarını toplamak ve böylece bir yineleme ağını eğitmek. Giriş için ayın, haftanın ve günün 20 çubuğu.
Elde ettiğim resim bu. Ayrı eğitimden farkı, toplam kârın 3 kat daha az olması ve düşüşün.... vay canına, kontrol dönemindeki düşüş ancak% 1'dir.
Bana öyle geliyor ki bu veri kıtlığı sorununu çözüyor.
Ola ke tal. Fikirlerimi söyleyeyim dedim.
Son modelim 10 sembolün normalleştirilmiş fiyatlarını toplamak ve böylece bir yineleme ağını eğitmek. Girdi başına 20 ay, hafta ve gün çubuğu vardır.
Benim gördüğüm resim bu. Ayrı eğitimden farkı toplam kârın 3 kat daha az olması ve düşüşün.... vay canına, kontrol dönemindeki düşüş sadece %1.
Bana öyle geliyor ki bu, veri kıtlığı sorununu çözüyor.
Sanırım konu hakkında son derece yüksek bir bilgi düzeyine sahipsiniz.
Korkarım hiçbir şey anlamayacağım. Lütfen bana grafikteki bu güzelliğin ne olduğunu söyleyin: Python mu?
LSTM mimarisi mi? MT5'te böyle bir şey göstermek mümkün mü?
10 sembolün normalleştirilmiş fiyatları
Burada da fiyatlar nasıl normalleştirildi? "Ante" nedir Genel olarak, ticari sır olmayan herhangi bir şey, lütfen paylaşın)
Konuya son derece hakim olduğunuzu düşünüyorum.
Korkarım hiçbir şey anlamayacağım. Lütfen bana grafikteki bu güzelliğin ne olduğunu söyleyin: Python mu?
LSTM mimarisi mi? MT5'te böyle bir şey göstermek mümkün mü?
Burada da fiyatlar nasıl normalleştirildi. "Ante" nedir Genel olarak, ticari sır olmayan herhangi bir şey, lütfen paylaşın).
Tabii ki python. µl5'te bir koşula göre veri seçmek için, bir numaralandırma yapmanız ve tüm bu iff iff iff iff iff yapmanız gerekir. Ve python'da herhangi bir koşula göre veri seçmek için tek satırda. Ben işin hızından bahsetmiyorum. Bu çok kullanışlı. Hazır bir ağ ile işlem açmak için Mcl5 gereklidir.
Normalizasyon en yaygın olanıdır. Eksi ortalama, standart sapmaya bölünür. Buradaki ticari sır, normalleşme dönemidir, fiyatların 10 yıl boyunca sıfır civarında olacağı şekilde yaklaşmak önemlidir. Ancak 10 yılın başında sıfırın altında ve sonunda sıfırın üstünde olacak şekilde değil. Karşılaştırmanın yolu bu değildir...
İki test dönemi - ant ve test. Antrenman öncesi dönem 6 aydır. Bu çok uygun. Ante her zaman oradadır. Test ise gelecek, öyle bir şey yok. Yani var ama sadece geçmişte. Ve gelecekte yok. Yani, yok.
Sizce hangisi daha önemli: mimari mi yoksa girdi verileri mi?
Sizce hangisi daha önemli: mimari mi yoksa girdi verileri mi?
Sanırım girişler. Burada 10 değil 6 karakter deniyorum. Ve Ağustos-Aralık 2023 kontrol dönemini geçmiyorum. Ayrı olarak, bu da zor. Ve eğitim sonuçlarına göre 10 karakterlik bir geçiş meşru olarak seçilebilir. Ağ her zaman 32 durumlu 1 katmanda tekrarlıyor, tam bağlantı sadece kullanılıyor.
Bazı özetler:
Çeşitli girdi verilerini incelerken algoritmik bir örüntü bulduğumu fark ettim, aslında branşımın "Sinir ağı girişine ne beslemeliyim?" sorusuna kısmen cevap verdim. Ancak sinir ağının gereksiz olduğu ortaya çıktı. Ne MLP, ne RNN, ne LSTM, ne BiLSTM, ne CNN, ne Q-learning, ne de bunların hepsi bir arada ve karışık.
Bu deneylerden birinde 3 nöron üzerinde 2 girdiyi optimize ettim. Sonuç olarak, üst kümelerden biri aşağıdaki resmi gösterdi
* ******* **************
UPD İşte başka bir set, aynı şey: orta - optimizasyon, sonuçlar - yanlarda. Neredeyse aynı, sadece daha eşit
**********************
İşlemler pip veya kafa derisi değildir. Daha ziyade gün içi.
Bu nedenle, şu an için öznel sonuçlarım:
Hayatımda yumuşatma göstergelerinden daha kötü sonuçlar görmedim. Bu, gören bir kişinin kör olması gibidir. Az önce net bir siluet görebiliyordu ve şimdi ne olduğunu anlayamıyor - gözlerinde biraz leke var. Bilgi yok.
Benim görüşüm, gördüğüm kadarıyla
Sinir ağı yalnızca fiyatlandırma ile ilgisi olmayan durağan, statik modellere uygulanabilir
Ne tür bir ön işleme, normalleştirme yapıyorsunuz? Standardizasyonu denediniz mi?
I van Butko #: Sinir ağı yolu hatırlar. Bundan daha fazlası değil.
Transformatörleri deneyin, sizin için iyi olduklarını söylüyorlar....
I van Butko #: Osilatörler kötüdür!
Her şey bu kadar net değil. Sadece NS sürekli fonksiyonlarla çalışmak için uygundur, ancak parçalı / aralıklı fonksiyonlarla çalışacak bir mimariye ihtiyacımız var, o zaman NS osilatör aralıklarını anlamlı bilgi olarak alabilecektir.
Ne tür bir ön işleme, normalleştirme yapıyorsunuz? Standardizasyonu denediniz mi?
Transformers'ı deneyin, sizin için iyi olduğunu söylüyorlar....
Her şey bu kadar net değil. Sadece NS sürekli fonksiyonlarla çalışmak için uygundur, ancak parçalı / aralıklı fonksiyonlarla çalışacak bir mimariye ihtiyacımız var, o zaman NS osilatör aralıklarını anlamlı bilgi olarak alabilecektir.
1. Ve ne zaman nasıl: veri penceresi, bazı artışlar, -1 aralığına getiriyorum...1. Standardizasyon hakkında bir şey duymadım 2. Standartlaştırma hakkında bir şey duymadım.
Kabul edildi, teşekkür ederim 3. Katılıyorum, aksi yönde tam bir kanıtım yok.
Bu yüzden kendi çan kulemden, yaklaşık olarak gördüğüm ve hayal ettiğim gibi yazıyorum. Basitçe yumuşatma, bilginin fiilen silinmesidir. Genelleme değil. Tam olarak silinme. Bir fotoğrafı düşünün: içeriğini bozduğunuz anda, bilgi geri dönüşü olmayan bir şekilde kaybolur. Ve bunu yapay zeka ile restore etmek sanatsal bir çabadır, gerçek anlamda restorasyon değildir. Bu keyfi bir yeniden çizimdir.
" Düzleştirme: bir sayı iki bağımsız bilgi biriminin sonucu olduğunda: diyelim ki -1/1 kalıbı ve -6/6 kalıbı. Her birinin ortalama değeri aynı olacaktır, ancak başlangıçta iki desen vardı. Bunlar bir şey ifade edebilir ya da etmeyebilir, zıt sinyaller anlamına gelebilir.
Ve işte mashki, osilatörler ve benzerleri - bunlar piyasanın ilk "resmini" aptalca siler/bulanıklaştırır. Ve bu "bulanıklaştırma" içinde NS'yi korkuturuz, durmadan olması gerektiği gibi çalışmasını sağlarız. Genelleme ve yumuşatma son derece düşmanca heterojen fenomenlerdir.
Bazı özetler:
Çeşitli girdi verilerini incelerken algoritmik bir örüntü bulduğumu fark ettim, aslında branşımın "Sinir ağı girişine ne beslemeliyim?" sorusuna kısmen cevap verdim. Ancak sinir ağının gereksiz olduğu ortaya çıktı. Ne MLP, ne RNN, ne LSTM, ne BiLSTM, ne CNN, ne Q-learning, ne de bunların hepsi bir arada ve karışık.
Bu deneylerden birinde 3 nöron üzerinde 2 girdiyi optimize ettim. Sonuç olarak, üst kümelerden biri aşağıdaki resmi gösterdi
* ******* **************
UPD İşte başka bir set, aynı şey: orta - optimizasyon, sonuçlar - yanlarda. Neredeyse aynı, sadece daha eşit
**********************
İşlemler ne pip ne de kafa derisi.
Daha ziyade gün içi. Bu nedenle, şu anda öznel sonuçlarım:
Hayatımda yumuşatma göstergelerinden daha kötü sonuçlar görmedim. Bu, gören bir kişinin kör olması gibidir. Az önce net bir siluet görebiliyordu ve şimdi ne olduğunu anlayamıyor - gözlerinde biraz leke var. Bilgi yok.
Benim görüşüm, gördüğüm kadarıyla
zayıf bir tırtıl değil.
Çanta dikme zamanı geldi mi?