交易中的机器学习:理论、模型、实践和算法交易 - 页 363 1...356357358359360361362363364365366367368369370...3399 新评论 Алёша 2017.05.18 23:22 #3621 马克西姆-德米特里耶夫斯基。 为什么要想得这么狭隘,这里的每个人都写得好像他从来没有见过比胡萝卜更甜的东西 ))去他妈的预测器,教神经元去找这些相同的预测器,教神经元去教神经元,实验:) 自然,只拿指标,按之字形送入输入和输出是非常愚蠢的,我不知道为什么大家都在讨论这个问题:) 我希望我可以,但是... 例如,卷积神经网络部分拥有这样的 "技能",它们可以自己学习预处理(过滤),但它们的专业性非常狭窄,就像Neo-Cognitron Focus的后裔,被设计成视网膜眼睛的 "类似物",通过Backprops训练,CNN 其实对于图片来说也是不小的事情?不幸的是,从工程的角度来看,为他们开发一个奇迹般的系统,让他们自己做所有的事情是一个天真的乌托邦,为特定的任务制定特殊的解决方案要容易得多,反正这可能需要多年的团队工作,而SRS更接近于哲学和人道主义的东西。 Maxim Dmitrievsky 2017.05.18 23:55 #3622 阿利奥沙。 我希望我可以,但是... 例如,卷积神经网络部分拥有这样的 "技能",它们可以自己学习预处理(过滤),但它们的专业性非常狭窄,就像Neo-Cognitron Focus的后代,被设计成视网膜眼睛的 "类似物",通过backprop训练,CNN 实际上和对于图片的事情并不琐碎?在配置方面有很多神奇的数字和萨满式的架构,向左走一步,向右走一步,一切都会崩溃,也就是说,这是一个非常微调的任务,但 不是一个万能的解决方案,可以解决所有的事情和一切。 不幸的是,从工程的角度来看,要开发一个奇迹般的系统,他们会自己做一切事情--天真的乌托邦,更容易做出单独的解决方案,反正这可能需要多年的团队合作,而快三计划更接近于哲学的东西,人道主义。 但我相信,有可能做出一个好的自我优化工具,它不会总是完美地工作,但不时地会。但它显然不会与标准指标和人字形输出一起工作 :)对我来说,这甚至听起来像是小孩子的游戏,只是作为一个例子,如果只是。 Forester 2017.05.19 04:28 #3623 马克西姆-德米特里耶夫斯基。 不是说它们不相关,它们会随着样本的增加而自相矛盾,是的,结果是要么输出总是0,要么是1,要么是0.5......此外,对于1个神经元来说。因此,如果>0.5卖出,<0.5买入。你设置正确的(在你看来)预测器和正确的答案,也就是说,如果psi是超卖的,市场在接下来的n个柱子上增长,那么输出0,如果psi是超买的,市场下跌,那么输出0。但也会有很多情况是反过来的,它钝化了,混合了信号,进入了恍惚状态。因此,输出将总是在0.5左右,在一个方向或另一个方向有非常小的偏差......这将发生在所有的振荡器上,因为它们不是预测器,它们只是从价格中衍生出来 :) 如果>0.8,你应该买入,如果<0.2,你应该卖出。这样你就可以消除位于范围中间的噪音,即大约0.5%的噪音。 Maxim Dmitrievsky 2017.05.19 04:32 #3624 elibrarius。 如果>0.8,你必须买入,如果<0.2,则卖出。这样你就消除了位于范围中间的噪音,即在0.5左右。 你不明白 ) nowi 2017.05.19 06:05 #3625 神经网络是人工智能,任何思维系统都不会一无是处....,它并不愚蠢......你在训练前向它提供金钱,或承诺给它一定比例的收益,然后它就会开始寻找真正的模式,并带来收入。 Forester 2017.05.19 06:47 #3626 给那些长期关注NS话题的人一个问题。 ALGLIB和R上的神经网络--权重从-1到1会不会提高? Vladimir Perervenko 2017.05.19 07:08 #3627 elibrarius。这很复杂...这将比理解算法(如上面的K-correlation)和编写算法花费更多时间。我认为尝试所有的输入,计算相关性,并筛选出高度相关的功能将需要几个小时。希望通过其他的解决方案来筛选出预测者,这将是很容易的)那么,是否有其他的解决方案来寻找不必要的预测因素?请看这里。在估计预测因子的重要性时,重要的是要记住它是一个复杂的值,不能仅由信息标准决定。在文章 中,我给出了一个使用RandomUniformForest 选择预测器的例子,以显示预测器在不同方面的重要性。在我看来,它是为此目的最成功的软件包。具体到神经网络,预测器的重要性可以由它们在第一层的权重决定。这种方法是在H2O中使用的。如果我找到时间,我会给你一个例子。除了预测器的重要性之外,我们还应该定义噪音实例(字符串)。并把它们放在一个单独的类中,或者从训练集中删除它们。见NoiseFilterR祝好运 Vladimir Perervenko 2017.05.19 07:14 #3628 elibrarius。 给那些长期关注NS话题的人一个问题。 ALGLIB和R上的神经网络--权重从-1到1会不会提高? 你是在谈论权重的初始化还是? Forester 2017.05.19 07:55 #3629 弗拉基米尔-佩雷文科。 在我的文章 中,我给出了一个使用RandomUniformForest 选择预测器的例子,以 显示预测器在不同方面的重要性。如果能知道这个函数中计算重要性的算法,以便在MQL中进行类似的计算,那就很有意思了。弗拉基米尔-佩雷文科。具体到神经网络,预测器的重要性可以由它们在第一层的权重决定。这种方法是在H2O中使用的。如果我找到时间,我会给你一个例子。我也想过,这并不难实现。弗拉基米尔-佩雷文科。 除了预测者的重要性之外,我们还应该定义噪声样本(字符串)。你应该为它们创建一个单独的类,或者将它们从训练集中删除。见NoiseFilterR这对我来说是个新问题,谢谢你的想法,我应该考虑一下)。弗拉基米尔-佩雷文科。 你指的是秤的初始化还是? 我指的是整个范围,在这个范围内它们是匹配的--从-1到1。 初始是随机选择的,我想(可选择在范围的中间)。 Vladimir Perervenko 2017.05.19 08:06 #3630 elibrarius: 如果能知道这个函数的重要性计算算法,以便在MQL中进行类似的计算,将是很有趣的。我也想过,这并不难实现。这对我来说是新的,谢谢你的想法,我得考虑一下)。 我的意思是,它们被匹配的全部范围是什么--从-1到1。,我假设起点是随机选择的(或者是在范围的中间)。神经网络对权重的初始化非常敏感。这根本就不是一个小问题。有相当多的初始化方法,其中之一--预训练(用于深度神经网络)是最有希望的(IMHO)。在训练过程中,神经元的权重可以在从-inf到+inf的大范围内取值。正则化和其他稳定化技术被用来防止这些偏差,限制了权重的范围。祝好运 1...356357358359360361362363364365366367368369370...3399 新评论 您错过了交易机会: 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符(不带空格) 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号,请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置,否则您将无法登录。 忘记您的登录名/密码? 使用 Google 登录
为什么要想得这么狭隘,这里的每个人都写得好像他从来没有见过比胡萝卜更甜的东西 ))去他妈的预测器,教神经元去找这些相同的预测器,教神经元去教神经元,实验:) 自然,只拿指标,按之字形送入输入和输出是非常愚蠢的,我不知道为什么大家都在讨论这个问题:)
我希望我可以,但是...
例如,卷积神经网络部分拥有这样的 "技能",它们可以自己学习预处理(过滤),但它们的专业性非常狭窄,就像Neo-Cognitron Focus的后裔,被设计成视网膜眼睛的 "类似物",通过Backprops训练,CNN 其实对于图片来说也是不小的事情?不幸的是,从工程的角度来看,为他们开发一个奇迹般的系统,让他们自己做所有的事情是一个天真的乌托邦,为特定的任务制定特殊的解决方案要容易得多,反正这可能需要多年的团队工作,而SRS更接近于哲学和人道主义的东西。
我希望我可以,但是...
例如,卷积神经网络部分拥有这样的 "技能",它们可以自己学习预处理(过滤),但它们的专业性非常狭窄,就像Neo-Cognitron Focus的后代,被设计成视网膜眼睛的 "类似物",通过backprop训练,CNN 实际上和对于图片的事情并不琐碎?在配置方面有很多神奇的数字和萨满式的架构,向左走一步,向右走一步,一切都会崩溃,也就是说,这是一个非常微调的任务,但 不是一个万能的解决方案,可以解决所有的事情和一切。 不幸的是,从工程的角度来看,要开发一个奇迹般的系统,他们会自己做一切事情--天真的乌托邦,更容易做出单独的解决方案,反正这可能需要多年的团队合作,而快三计划更接近于哲学的东西,人道主义。
但我相信,有可能做出一个好的自我优化工具,它不会总是完美地工作,但不时地会。
但它显然不会与标准指标和人字形输出一起工作 :)对我来说,这甚至听起来像是小孩子的游戏,只是作为一个例子,如果只是。
不是说它们不相关,它们会随着样本的增加而自相矛盾,是的,结果是要么输出总是0,要么是1,要么是0.5......此外,对于1个神经元来说。因此,如果>0.5卖出,<0.5买入。你设置正确的(在你看来)预测器和正确的答案,也就是说,如果psi是超卖的,市场在接下来的n个柱子上增长,那么输出0,如果psi是超买的,市场下跌,那么输出0。但也会有很多情况是反过来的,它钝化了,混合了信号,进入了恍惚状态。因此,输出将总是在0.5左右,在一个方向或另一个方向有非常小的偏差......这将发生在所有的振荡器上,因为它们不是预测器,它们只是从价格中衍生出来 :)
如果>0.8,你必须买入,如果<0.2,则卖出。这样你就消除了位于范围中间的噪音,即在0.5左右。
你不明白 )
ALGLIB和R上的神经网络--权重从-1到1会不会提高?
这很复杂...这将比理解算法(如上面的K-correlation)和编写算法花费更多时间。我认为尝试所有的输入,计算相关性,并筛选出高度相关的功能将需要几个小时。
希望通过其他的解决方案来筛选出预测者,这将是很容易的)
那么,是否有其他的解决方案来寻找不必要的预测因素?
请看这里。
在估计预测因子的重要性时,重要的是要记住它是一个复杂的值,不能仅由信息标准决定。在文章 中,我给出了一个使用RandomUniformForest 选择预测器的例子,以显示预测器在不同方面的重要性。在我看来,它是为此目的最成功的软件包。
具体到神经网络,预测器的重要性可以由它们在第一层的权重决定。这种方法是在H2O中使用的。如果我找到时间,我会给你一个例子。
除了预测器的重要性之外,我们还应该定义噪音实例(字符串)。并把它们放在一个单独的类中,或者从训练集中删除它们。见NoiseFilterR
祝好运
给那些长期关注NS话题的人一个问题。
ALGLIB和R上的神经网络--权重从-1到1会不会提高?
弗拉基米尔-佩雷文科。
在我的文章 中,我给出了一个使用RandomUniformForest 选择预测器的例子,以 显示预测器在不同方面的重要性。
如果能知道这个函数中计算重要性的算法,以便在MQL中进行类似的计算,那就很有意思了。
弗拉基米尔-佩雷文科。
具体到神经网络,预测器的重要性可以由它们在第一层的权重决定。这种方法是在H2O中使用的。如果我找到时间,我会给你一个例子。
我也想过,这并不难实现。
弗拉基米尔-佩雷文科。
除了预测者的重要性之外,我们还应该定义噪声样本(字符串)。你应该为它们创建一个单独的类,或者将它们从训练集中删除。见NoiseFilterR这对我来说是个新问题,谢谢你的想法,我应该考虑一下)。
你指的是秤的初始化还是?
初始是随机选择的,我想(可选择在范围的中间)。
如果能知道这个函数的重要性计算算法,以便在MQL中进行类似的计算,将是很有趣的。
我也想过,这并不难实现。
这对我来说是新的,谢谢你的想法,我得考虑一下)。
我的意思是,它们被匹配的全部范围是什么--从-1到1。,我假设起点是随机选择的(或者是在范围的中间)。
神经网络对权重的初始化非常敏感。这根本就不是一个小问题。有相当多的初始化方法,其中之一--预训练(用于深度神经网络)是最有希望的(IMHO)。
在训练过程中,神经元的权重可以在从-inf到+inf的大范围内取值。正则化和其他稳定化技术被用来防止这些偏差,限制了权重的范围。
祝好运