交易中的机器学习：理论、模型、实践和算法交易 - 页 285

新评论
 

Mihail Marchukajtes:
J 关于深度学习。现在很多人都在谈论它，我想知道更多。还有一个问题。谁在MT4上实现了无师自通的经常性网络？

=====================================

阅读这里，这里。

至于第二个问题，我甚至不知道该怎么说。

祝好运

 
弗拉基米尔-佩雷文科。
Y 现在我明白了。换句话说，首先我们训练，比如说，一个没有老师的网络。然后我们把得到的权重写成分类器的权重，然后用老师来训练分类器。假设我们已经收到了神经元引导的微调的权重，权重继续被优化?????换句话说，通过没有老师的预学习，我们为分类器设置初始权重，使其达到全局最小值。这就是它的工作原理吗？
 

我只把训练中的目标作为某种基础，模型努力争取，但从未达到。为了估计模型，我不使用预测的准确性，而是通过这种预测绘制贸易平衡图，并使用例如夏普比率或恢复系数或其他东西来估计这个图表。以 "下一栏的颜色 "作为工作目标是很好的。我们可以更加困难，从基因上修改这个目标，避免在小的运动中使用交易，而只是坐视不理，另外，如果下一根蜡烛的大小比价差小，你也可以避免这个问题。一般来说，在每个柱子上的决定（买入/卖出）应该是经过基因选择的，以获得最大的利润。

我采取某些指标和其他实例，训练模型，在相同的训练数据上进行预测，用预测结果建立一个平衡图并进行评估。然后我花了很长时间来选择模型参数和指标参数以及它们的组合，以便得到一个更好的平衡图的估计。因此，预测的准确性不超过60%，但该模型符合趋势，并不经常在每个柱子上进行交易。
这只是冰山一角，在水面下还有许多秘密的部分，如估计意图的效用，检查模型对不良意图给予较少的权重；从R中所有数百个可用的模型中选择一个合适的模型；交叉验证；选择用于模型训练的历史长度等等。

起初我只在D1上设法做到了，但后来我又设法转到了H1上。对我来说，较小的时间框架已经是不可预测的噪音了。

 
我愿意。


我建议https://www.accern.com/，尝试一下，我使用它，我对它非常满意。

它看起来很酷，但价格有点贵。

我想在免费的东西上练习，看看它是如何在没有延迟的情况下实时工作的，但有一个演示，有巨大的滞后。

你能简明扼要地描述一下这样的信号是如何在交易中使用的吗？如果这不是一个秘密，当重要的消息发布时，你是否有时间进行交易，还是在有人开始冲击市场并上钩之前只有一秒，半秒？

 
Dr.Trader:

而为了评估模型，我不使用预测的准确性，而是在这种预测上绘制交易的平衡，并通过夏普比率或恢复因子或其他方式评估这个图表。

这正是我一直以来的做法，预测总是不好，但交易本身并不总是....。一般来说，理想的目标不是数值为 "00110 "的向量，而是寻找全局最小值，例如，我们只是要求网格进行交易，使恢复系数不低于4，让它调整权重，直到找到解决方案，我们不关心它将如何做......这种方法消除了通常的矢量目标的所有缺点，有很多优点，而且这种方法在交易方面是绝对客观的，而矢量目标是绝对主观的（每个人的看法不同）。

在R中不可能实现这样的目标，在这个意义上它太 "流行 "了，那里的一切都是 "轨道"，都遵循一个模式，它是好的，同时也是坏的。我不知道怎么做，如果有人知道，我很想研究一下代码，如果是用R做的，那就成了童话故事了......

我采取某些指标和其他实例，训练模型，使用相同的训练数据进行预测，使用预测结果建立一个平衡图，并进行估计。然后我花了很长时间来选择模型参数和指标参数以及它们的组合，以便得到一个更好的平衡图的估计。因此，预测的准确性不超过60%，但该模型在趋势范围内，并不经常在每个柱子上进行交易。

我可以告诉你如何通过给它一些批判性思维来显著改善网络交易（如果你有兴趣的话），我实际上总是能得到比不这样做更好的结果。

 

mytarmailS:

在R中实现这样的目标是不现实的，从这个意义上说，它太 "流行 "了，那里的所有东西都是 "铁轨"，都是一个模式，它既好又坏。所以你需要自己写一个网络，我自己做不到，如果有人能做到，我会怀着极大的兴趣研究代码，如果是用R语言完成的，那就算是童话故事了......


你的想法是错误的。简单地说："我对语言不够了解，我不知道如何做我想做的事情"。你不应该评价你没有深入了解的东西。R语言可以实现任何你喜欢的想法，只要你足够了解它。如果有些东西不在R中，就用Python的工作原理。

当然，严格来说，跟着老师学习任何模式都不是 "学习"。深度学习与之接近，但最有希望的是纯粹的无师自通学习及其实施--强化学习。到目前为止，在R中只有一个包可以实现这种方法--RNeat。但是，只有在对前面所有的理解非常好的情况下，才能达到这个水平。这一领域在Python中得到了很好的发展。而且它可以完美地整合到R中。

祝好运

 
弗拉基米尔-佩雷文科。


而且，仍然要澄清关于深度学习的这一点。当我们在第一步得到神经元的权重时。我们将这些权重写入分类器的隐藏层中。然后我们开始通过输出变量来训练分类器。如果我们设定一个硬性的权重值，那么什么是被优化的。微调是什么样子的????你能解释一下吗????
 
弗拉基米尔-佩雷文科。

你没有正确表述这个想法。写得更简单些："我对语言不够了解，我不知道如何做我想做的事"。你不应该评估你没有深入了解的东西。R语言允许你实现任何你想要的想法，只要你有足够的知识。如果有些东西不在R中，就用Python的工作原理。

当然，严格来说，跟着老师学习任何模式都不是 "学习"。深度学习与之接近，但最有希望的是纯粹的无师自通学习及其实施--强化学习。到目前为止，在R中只有一个包可以实现这种方法--RNeat。但是，只有在对前面所有的理解非常好的情况下，才能达到这个水平。这一领域在Python中得到了很好的发展。而且它可以完美地整合到R中。

祝好运

然而，你并没有回答如何用R实现这个目标的问题，如果我理解正确的话
 
Mihail Marchukajtes:
Y 我明白了。换句话说，首先我们训练一个没有老师的网络。然后我们把得到的权重写入分类器的权重中，然后用老师进一步训练分类器。假设我们已经收到了神经元微调的权重，权重继续被优化?????换句话说，通过没有老师的预学习，我们为分类器设置初始权重，使其达到全局最小值。是这样吗？

你抓得很快，但不太正确。在R中，有两个实现深度神经网络 的包--deepnet和darch v.0.12。第一个包相当简化，没有很多设置和功能，但允许你尝试和评估它们。第二种方法在设计和配置神经网络方面具有最广泛的可能性，未经训练的用户会发现使用它非常困难。但它有正确的深度学习能力。

1.在尽可能多的未标记的输入数据上预先训练一个自动关联网络（SAE/SRBM）。

2.将权重转移到神经网络的隐蔽层，只在未放置的数据上训练顶层。该软件包允许你指定你要训练的层。

3.用少量的历时（2-3）和少量的标记数据进行低水平训练来微调整个网络。这就是需要应用山峰周围的例子的地方。

这个软件包实施的一个非常重要的特点是可以对神经网络进行预训练。

当然，没有预训练也可以训练网络。

该网络非常快，但需要经验和知识。

祝好运

 

Mihail Marchukajtes:
让我再问你一件事：深度学习。当我们在第一阶段收到神经元的权重时。我们将这些权重写入分类器的隐藏层中。然后我们开始通过输出变量来训练分类器。如果我们设定一个硬性的权重值，那么什么是被优化的。微调是什么样子的????你能解释一下吗????

======================================

我越来越多地问自己："我为什么要写文章，在文章中尽力磨出主题的基本概念？"

你读过我关于深度学习的文章吗？我已经在那里解释了一切，我认为是相当详细的。没有时间重复已经写过的东西了。如果有一个问题没有涵盖在其中，我很愿意回答。

祝好运

1...278279280281282283284285286287288289290291292...3399
新评论