В наше время, наверное, каждый трейдер слышал о нейронных сетях и знает, как это круто. В представлении большинства те, которые в них разбираются, это какие-то чуть ли не сверхчеловеки. В этой статье я постараюсь рассказать, как устроена нейросеть, что с ней можно делать и покажу практические примеры её использования.
В наше время, наверное, каждый трейдер слышал о нейронных сетях и знает, как это круто. В представлении большинства те, которые в них разбираются, это какие-то чуть ли не сверхчеловеки. В этой статье я постараюсь рассказать, как устроена нейросеть, что с ней можно делать и покажу практические примеры её использования.
混沌猎人呢？给我一个具体的链接。
也很有意思。
没有人会花几个月的时间制定一个策略，然后在模拟账户上夸夸其谈。这种东西是在真实的基础上进行交易的，而交易历史对所有人都是隐藏的。我甚至在论坛上看到有人故意在两个经纪商那里交易，在一个经纪商那里轮流亏损，在另一个经纪商那里补偿损失，这样连经纪商都不知道哪些交易是由策略完成的，哪些是假的。
有结果了。有时，好的预测器组合和模型会带来几个月的利润，更多时候--更少。但他们被其他人所取代。
我个人认为--神经元、森林、回归--所有这些对外汇来说都太弱了。原因是价格行为一直在变化，今天有利可图的规则在一周前可能是无利可图的。而标准的方法--采取几个月的指标和价格并训练神经元--意味着它必须为所有两个月的价格行为找到相同的规则。而且没有这样的规则，没有人知道它会发现什么，但99%的时候它都是错的。有时，模型可以很幸运地落入这1%，但它离圣杯太远了，这样的专家顾问通常交易良好，直到第一次止损，然后就可以抛出了。
我目前正在研究模式识别模型，该模型研究历史上类似模式后的价格行为，并以这样的统计数据进行交易。
我还没有在R中看到一个能满足我所有需求的软件包，我有一个从别人那里零散组装的模型，加上我自己的自行车。我所看到的最接近模型的描述是在另一个主题中，我建议从这个开始建立你的圣杯（下面引用）。在这个过程中会出现新的问题，你必须对它们进行思考和实验。
2个月是不够的，因为没有办法确定科莱恩何时会来。
祝大家好运!
如果我没有弄错的话，RNN在MT5中实现起来是非常困难的，为了获得好的结果，你需要购买或者自己开发，需要大量的劳动力投入。
如果在MLP中，除了关于价格的信息，当前条形图上的指标，我们传输所有相同的10-30个以前条形图的信息，这将是一种记忆。一部分神经元将处理当前状态，另一部分将处理最近的过去的情况。
反正它不会像它应该的那样工作，有相当不同的操作原理......MLP会简单地将预测者分为买入/卖出组，如果它能做到，如果不能，它又会在输出端产生泥沙。也就是说，你可以用随机森林代替MLP，这将是相同的，你不必担心。
在OpenCL上，如果你不偷懒，就不会这样做 ))
OpenCL似乎只能在自己的机器上读取，而不是在网络上。我担心第一台PC机不够用。
我正在寻找框架，并覆盖ALGLIB，将每一次通过的数据保存到一个文件中，然后例如每千次通过（或在训练周期--epoch结束时）读取这个文件，并允许代理（通过文件）计算下一个epoch。虽然我已经看到了一个问题--远程代理是否能够读取文件权限....？需要弄清楚这一点。我认为不是()。
只有最简单的变体，如https://www.mql5.com/ru/articles/497，才能进行分离计算，但它太简单了，只有一层，而且不清楚如何用自己的指令来训练它。
我正在寻找框架，并重写ALGLIB，将每个通道的数据保存到一个文件中，然后例如每隔一千个通道（或在训练周期--epoch结束时）读取该文件，并允许代理（通过文件）计算下一个epoch。虽然我已经看到了一个问题--如果远程代理能够读取文件-权限....我们必须想办法解决。
计算只能分布在最简单的版本，如https://www.mql5.com/ru/articles/497，但它太简单了，单层的，也不清楚如何通过自己的命令来教它。
创建一些这样的神经元，并为神经元之间的连接添加额外的权重（就像输入层和神经元之间的权重一样），只是会有很多的入侵。另一方面，你将不需要openzl，它将迅速在云中计算。
即从第一个神经元将有5个连接到第二层的5个神经元，从它们再有5个连接到输出，不知何故
并在优化器中通过权重选择进行训练，然后从优化器中选择最佳运行方式
与想象的完全一致 )
只不过我担心这不会是5个神经元，而是至少500个（如果用几个小节的数据来代替，作为记忆的类比）。
那么在手动或之字形命令上的学习呢？是不是没有办法把它拧进去？
与想象的完全一致 )
只不过我担心这不会是5个神经元，而是至少500个（如果用几个小节的数据来代替，作为记忆的类比）。
那么在手动设置或人字形命令上的学习呢？没有办法把它拧进去？
为什么，只是在输出上，它将被赋予0或1，这取决于人字形是上升还是下降，也就是说，输入被赋予历史向后移了n条，而输出--是上升还是下降。
为什么呢，你只需给它输入0或1，取决于之字形的上升或下降，也就是说，输入是一个向后移动的N条历史记录，而输出是一个预测--是上升还是下降。
如果我们在这段代码中使用替换输出而不是计算输出https://www.mql5.com/ru/articles/497，那么对于任何输入的组合我们都会有相同的结果--毕竟我们总是使用预先指定的答案。也就是说，不会有学习。
所以会有不同的产出
哦，我明白了，这是一个非神经元）。
所以会有不同的产出
不明白你的想法(