交易中的机器学习：理论、模型、实践和算法交易 - 页 412

新评论
 
阿列克谢-特伦特夫。
我的解决方案最初是基于OpenNN（C++）。
现在我学到了很多东西，并转到了Keras（Python）。

我主要是处理分类问题预测的深度学习。

所以我们正在处理MO的同一领域。Keras是一个很好的包，尤其是它被移植到了R上。

只是我不明白的是，什么问题？

祝好运

 
弗拉基米尔-佩雷文科。

所以我们正在处理MO的同一个领域。Keras是一个很好的包，尤其是它被移植到了R。

只是我不明白的是，什么问题？

祝好运

我只是决定加入讨论。=)
 
Maxim Dmitrievsky:


现在这很有趣......这意味着必须做更多的测试，也许这个RN并不像以前认为的那样有意义。

唯一的优势是在优化器中与其他系统参数同时选择权重

我目前正试图找出它在已知数据范围内的计算效果。例如，乘法表。

更新。

改变专家顾问后的其他实验显示，与普通MLP 3-5-1相比，结果如下。

测试时使用了不同的配方。

//double func(double d1,double d2,double d3 ){return d1*d2;} //误差为0-2%，因为乘法是公式中固有的。2%，因为遗传优化器并不总是停在理想的解决方案上。但也有一个绝对精确的解决方案，误差=0。
//double func(double d1,double d2,double d3 ){return d1*d2*d3;}//错误0-2%的乘法是在公式中，在MLP上是1%
//double func(double d1,double d2,double d3 ){returnMathSin(d1);}//误差2-6%，在MLP上为0,1%
//double func(double d1,double d2,double d3 ){return MathSin(d1)*MathSin(d2)*MathSin(d3)。}//误差2%，对MLP 1%
//double func(double d1,double d2,double d3 ){return MathSin(d1)*MathSin(d2)*MathSqrt(d3);}//误差3-4%，对MLP 1%
//double func(double d1,double d2,double d3 ){return MathSin(d1)*MathPow(d2, 。33)*MathSqrt(d3);}//误差8-4%，在MLP 1.5%
//double func(double d1,double d2,double d3 ){return MathPow(d1,2)*MathPow(d2, .33)*MathSqrt(d3);}//误差8-4%，在MLP 1.5%。

结论是，通常的MLP比Reshetov的RNP的误差小2-3倍。也许有些错误是由于MT5终端的遗传优化器并没有停在理想的解决方案上。
 
elibrarius。

我目前正试图找出它在已知数据范围内的计数情况。例如，一个乘法表。

更新。

与正常的MLP 3-5-1相比，改变EA后的额外实验显示了以下结果。

测试时使用了不同的配方。

//double func(double d1,double d2,double d3 ){return d1*d2;} //误差为0-2%，因为乘法是公式中固有的。2%，因为遗传优化器并不总是停在理想的解决方案上。但也有一个绝对精确的解决方案，误差=0。
//double func(double d1,double d2,double d3 ){return d1*d2*d3;}//错误 0-2%的乘法是公式中固有的，在MLP 1%时
//double func(double d1,double d2,double d3 ){return MathSin(d1);}//误差2-6%，在MLP 0.1%。
//double func(double d1,double d2,double d3 ){return MathSin(d1)*MathSin(d2)*MathSin(d3);}//误差2%，在MLP 1%。
//double func(double d1,double d2,double d3 ){return MathSin(d1)*MathSin(d2)*MathSqrt(d3);}//3-4%的误差，在MLP 1%时
//double func(double d1,double d2,double d3 ){return MathSin(d1)*MathPow(d2,.33)*MathSqrt(d3);}//误差8-4%，在MLP 1.5%。
//double func(double d1,double d2,double d3 ){return MathPow(d1,2)*MathPow(d2,.33)*MathSqrt(d3);}//误差8-4%，在MLP 1.5%。

综上所述，我们可以得出结论，普通MLP的误差比Reshetov的RNN小2-3倍。也许有些错误是由于MT5终端的遗传优化器并没有停在理想的解决方案上。

是的，有趣的结果，也许全面列举会更准确
 
马克西姆-德米特里耶夫斯基。

是的，有趣的结果，也许完全过冲会更准确。
会更准确，但在几周或几个月后...8个拟合系数，1%步长1008=1000000000000次迭代，终端本身切换到遗传学，有这个数字。
 
elibrarius。
会的，但几周或几个月后...8个可选择的系数，1%的步长1008=10000000000000次迭代，终端本身切换到遗传学，有这么多。

你能告诉我，从alglib分类MLP，我知道需要至少2个输出，如何处理这个问题？）
 
马克西姆-德米特里耶夫斯基。

请问，从alglib中分类MLP我了解到，至少需要2个输出，如何操作呢？）

是2，从帮助http://alglib.sources.ru/dataanalysis/neuralnetworks.php

一个特例是具有线性输出层和输出SOFTMAX归一化的神经网络。它们用于分类问题，其中网络的输出必须是非负的，而且它们的总和必须严格等于1，这就允许将它们作为将输入向量分配到某个类别的概率（在极限情况下，训练后的网络输出会收敛到这些概率）。这样一个网络的输出数量应始终不少于两个（由基本逻辑规定的限制）。

还没有处理过，还在试验线性。
 
elibrarius。

是的，从http://alglib.sources.ru/dataanalysis/neuralnetworks.php 参考

一个特例是具有线性输出层和输出SOFTMAX归一化的神经网络。它们用于分类问题，其中网络的输出必须是非负的，而且它们的总和必须严格等于1，这就允许将它们作为将输入向量分配到某个类别的概率（在极限情况下，训练后的网络输出会收敛到这些概率）。这样一个网络的输出数量总是至少有两个（由基本逻辑决定的限制）。


啊，好吧，也就是说，我们提供一个或另一个结果的概率，例如买入的概率为0.9，那么卖出的概率为0.1，一个数组将作为买入概率的缓冲区，另一个数组为卖出概率，我们用这些值填充它们，训练后它们将被用来分别倾倒买入和卖出的概率，我明白了，对吗？
 
马克西姆-德米特里耶夫斯基。

好吧，换句话说，我们提供一个或另一个结果的概率，例如买入的概率是0.9，卖出的概率是0.1。一个数组将作为买入概率的缓冲区，另一个是卖出概率的缓冲区，在对它们进行训练后，将分别丢弃概率，我想这是正确的？

而从我所读到的内容来看--我也有同样的看法。

虽然我不知道它的优势是什么......有了1个出口，我们也得到了概率--大约0（或-1）个买，和大约1个卖。(或反之亦然，取决于你的训练方式）。

如果有3个或更多的输出，它能起到作用吗？毕竟，1的输出将很难使用....为3或4个任务（尽管你也可以用0、0.5和1作为买入、等待、卖出的类别）。

 
elibrarius。

而从我所读到的内容来看--我也有同样的看法。

我不知道它的优势是什么......有一个出口，我们也得到了概率--大约0（或-1）买入，和大约1卖出。(或反之亦然，取决于你的训练方式）。

如果有3个或更多的输出，它是否会有用？那么1个输出就很难使用....为3或4个任务（尽管你也可以用0、0.5和1作为买入、等待、卖出的类别）。


是的，他们可能是为了让它有可能有2个以上的类......那么它可能会有更多的聚类，你可以使用其他方法，如k-means :)
1...405406407408409410411412413414415416417418419...3399
新评论