Начинающие (да и не только) инвесторы часто задаются вопросом о том, как отобрать для себя идеальное соотношение активов входящих в портфель. Часто (или не очень, но знаю про двух точно) у некоторых брокеров эту функцию выполняет торговый робот. Но заложенные в них алгоритмы не раскрываются. В этом посте будет рассмотрено то, как оптимизировать...
Im trying to wrap my head around understanding neural networks and from everything I've seen, I understand that they are made up of layers created by nodes. These nodes are attached to each other with "weighted" connections, and by passing values through the input layer, the values travel through the nodes...
Предлагаю готовое решение по интеграции прогнозов нейросети и Metatrader 5. Преимущества этого решения: Это реально работающее приложение для трейдеров. Устанавливается "в два клика". Нейросеть
怎么可能不呢？它正是这样做的。
你是否遇到过 "基于神经网络的数据库 "这一说法？我遇到过一次，我认为这是对NS/树的最佳定义。
一棵树可以被训练到最后一次分裂，然后它将绝对精确地记住所有的历史（得到一个过度训练的模型）。
如果不是最后的分割，而是稍早的停止分割（例如在一张纸上的10个例子），那么我们就会得到具有概括性的记忆，并对 这10个最相似的例子的结果进行平均化。过度学习的情况会减少。也就是说，当学习不足开始变成过度学习时，你必须停止划分。这是最主要和最困难的任务。
我认为你不应该在交易中混合神经网络和机器学习 - 我喜欢 这里的 图片- 到目前为止，我认为神经网络是技术分析的可能性（如上所述，你需要眼睛、耳朵等）或 递归 版本。
比如当你手上有太多的数据，当你没有你需要的公式来帮助你找到数据集中的输入和输出之间的关系，或者当你需要做出预测而不是提出解释。
或者用权重--（但如何从逻辑上定义它们，我不知道（除了一个愚蠢的0到1），或者如果用训练（0或1），这样它们就不会误入歧途）。
神经元形成层，信号按顺序通过。所有这些都由神经连接--渠道连接，数据通过这些渠道传输。每个通道都有自己的 "权重" - 一个影响其传输数据的参数
而机器学习更普遍的形式是决策树，甚至是决策森林，其中，我同意你的观点，主要是及时停止，和简单的遗传算法（在Excel中），统计与错误和错误的反向传播，以进一步学习......甚至可能是同样的蒙特卡洛和夏普比率，以评估投资组合的风险以及多样化和对冲的方式（这是你真正可以下载大量数据进行分析的地方）。
p.s.
以及 预测价格走势的NN 的某种概述
没有一个正确的网络组织。每种网络结构都有自己的好处和缺点。逆向传播网络很常见，因为它们提供了良好的性能，但往往难以训练和配置。递归网络比反向传播网络有一些好处，因为其 "记忆特征 "可以用来提取数据中的时间依赖性，从而提高预测能力。更复杂的模型可能对减少错误或网络配置问题有帮助，但训练和分析起来往往更复杂。
- 也就是说，只有当 内存被嵌入到网络架构中时，它才会被使用......我认为把内存放在一个变量（如价格）的模型中是非常天真和鲁 莽的。记忆可以放在人口数据的分析中，季节性的波动，以及一些更系统的重复和恒定的东西......但不是日间交易商的价格变动......。至少，在对麋鹿的分析中...我认为...或只有在观看时才会对最新的K线有一点记忆（而平盘/趋势只有0.5 的概率）。
(由于所描述的原因，我想这确实是一个毫无意义的争论--没有参考特定网络的特定架构或其他机器学习选项）......但谢谢你的警告
有了内存，你就不必走远了（或者说，没有内存--运行它，忘记它，中间的内存数据在输出中不再重要）。
蒙特卡洛是一种决策工具，它假定每个决定都会对整体风险产生一些影响。
蒙特卡洛方法 是如何用于优化投资组合的 -
首先，对股票进行随机加权，然后计算收益和标准差。获得的数值被保存。下一步是随机改变权重（主要是记住它们的总和必须是统一的），然后再进行--计算和保存结果值。迭代的数量取决于时间、计算机的计算能力和投资者准备承担的风险。
(虽然在Excel中使用分析和求解包--可能更容易实现--问题又在模型中，遗传算法和其他算法在求解器中设置--这里是"哑巴搜索法"的准备）...但用于风险管理，还不能预测价格走势
在所有的答案之后，你必须得出一个Slicer的结论，因为到目前为止，每个人都在表达他或她自己的...(主题是不会有一个结论--有许多方法--没有共同点)
正如elibrarius 提到的那棵树
也就是说，当学习不足开始变成过度学习时，你就必须停止划分。这是最主要和最困难的任务
在所有的答案之后，你必须得出一个Slicer的结论，因为到目前为止，每个人都在表达他或她自己的...(主题是不会有一个结论--有许多方法--没有共同点)
就像elibrarius 提出的那棵树一样
这都是为了赌场，在外汇中是不同的。你能向机器人解释什么？当蓝色的高于红色的，就买入。就这样；)
弗拉基米尔，我有一打独特的位置/状态
如果你在stackoverflow上看看，逻辑非常简单（就像在Excel插件Solution Finder中）。
0/是诚实的，使用从训练集推断出的平均值和比例-
1/ 神经网络通过其权重和偏差记住 它所学的东西。
2/随机 初始化权重--这将责任转移到机器上--什么是好的，而不是开发者。
3/用一些模式来训练它--在大数据上（顺便说一下PC的大能力）--要么是回归或逻辑模型或其他（值得思考和选择--没有什么可选择的，因为选择线性回归，我们就失去了优化器工作的机会，所以我猜)
4/ ...输入信息并从训练有素的机器中获得结果，并且所有
p.s. 记住连续与离散的人工神经网络 -- 前者可能是一个积分函数，后者是用于确定一个平面/趋势，例如...
和一些关于时尚的 建议
循环神经网络 ，在不同时期是各种金融预测应用的一种时尚方法，例如
p.p.s.一点理论
在贝叶斯网络中，顶点和边是有意义的--网络结构本身给你提供了关于变量之间的条件依赖性的宝贵信息。对于神经网络，网络结构并不能告诉你什么。
和python 库（你也可以使用R），如果excel不够用的话
(而那些既不识字又不懂的人还梦想着向他们的机器人解释什么，因为他们在赌场上还没有玩够)
...但线性回归是令人困惑的，因为我记得，价格是非线性的，而回报是线性的（如果不是相反的话？）
而不是相反，因为。
虽然价格不是正态分布，但在许多情况下，价格回报率具有正态分布。
而不是相反，因为。
虽然逻辑相反，但结合遥远的记忆，可以确认...(虽然我不经常处理定量金融和金融研究)我为最终用户做了一个工作的MT5应用程序，它只需点击两下就可以安装。
神经网络在用户的计算机上以exe文件运行（如果是Python脚本，可以不用exe）。
没有外部请求、API、dll等。
预测作为默认指标。
请在此 阅读更多信息。