交易中的机器学习：理论、模型、实践和算法交易 - 页 363

新评论
 
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。

 
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。

 
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。
 
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 )
 
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。
 
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？
 
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

 
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？
 

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）。
 
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