交易中的机器学习:理论、模型、实践和算法交易 - 页 48 1...414243444546474849505152535455...3399 新评论 mytarmailS 2016.07.23 04:07 #471 Dr.Trader:我已经用RNeat做了一段时间的实验,我得出结论,它不能像传统的神经网络那样处理。谢谢你分享你的发现,这非常有趣...我以你的虹膜为例,重写了它以适应我的数据,结果出现了错误,我不明白是什么问题。我想知道,如果你尝试使用你的数据以及虹膜,与普通网格相比,结果如何? СанСаныч Фоменко 2016.07.23 06:31 #472 关于分类模型评估的有趣的文章。 Alexey Burnakov 2016.07.23 07:48 #473 Dr.Trader:我对RNeat进行了更多的实验,得出的结论是,它不能像传统的神经网络那样处理。1)与传统模型不同,RNeat训练不使用原始数据。该模型是随机生成的,经过改进,最后才在原始数据上测试。通常情况下,模型使用原始数据,在此基础上建立自己的逻辑,然后使用验证抽样来观察模型的逻辑是否正确,或者它是否只是学习了原始例子。与其他不同的是,RNeat根本没有能力记忆原始数据,因为它不知道这些数据,模型所知道的是所需的结果以及它与这些结果的接近程度。2)交叉验证无助于改善前沿测试结果。我们似乎都同意,有可能训练一个常规模型,运行几个交叉验证,并以某种方式处理所有样本上的误差,以获得模型的最终适配分数。由于RNeat不知道原始数据,所以它不关心数据是在训练样本还是测试样本中,在任何情况下它都会调整其逻辑以达到预期的结果。理论上,它将从所有用于健身函数的样本中 "学习"(更准确地说是变异:) )。你所能做的就是将模型训练到合适的精度,并希望它不会过度训练,这对外汇来说是一个相当冒险的方法。交叉验证只能在训练后作为前沿测试中可能结果的最终估计,而不能在健身函数中使用这个验证样本。 在交叉验证中,训练参数被挑出来。这个NS中是否有任何参数?应该有。 Dr. Trader 2016.07.23 10:46 #474 mytarmailS:请告诉我,除了虹膜之外,你到底尝试过用自己的数据来替代,与通常的网相比,结果如何?我使用了来自外汇的数据(一年的金牛座d1),模型已经学习了一天,它显示自己的最佳估计值=0.017(越多越好,对虹膜来说是0.7)。到目前为止还没有真正的结果,模型即使在训练数据上也显示出50%的误差,我必须让它再学习几天。阿列克谢-伯纳科夫。 在交叉验证时,训练参数被挑出来。这个NS中是否有任何参数?必须要有。模型越来越复杂,并增加了越来越多的神经元。有一个参数定义了神经元的最大数量,以限制其增长。还有第二个参数,定义遗传学中的个体数量。通常他们都是越多越好,引入限制是为了节省内存和时间,最好是为自己使用允许的最大值,而不是捡漏。根据描述判断,该模型对每个神经元和它们之间的连接都有一个价格,所以它力求使用尽可能少的神经元。如果训练成功,该模型将在达到最大的神经元数量之前达到所需的精度。 mytarmailS 2016.07.23 11:07 #475 Dr.Trader:我已经添加了来自外汇的数据(一年的eurusd d1),模型已经学习了一天,并显示它自己的最佳估计值=0.017(越多越好,对于Iris是0.7)。到目前为止,我还没有得到任何结果,模型甚至在训练数据上也显示出50%的错误。 我将让它再学习几天。 有很多的预测因素吗? Dr. Trader 2016.07.23 13:11 #476 桑桑尼茨-弗门科。 关于估计分类模型的有趣的文章。我尝试了3个不同的指标来估计预测器子集上的模型:本文中的准确度;R^2模型;以及平均模型误差平均值(abs(y-x)/(max(y)-min(y)),其中X是预测结果的矢量,Y是所需结果)。适配度函数的准确度还可以,但我有一个问题,就是样本中的例子不多,准确度出来的时候非常错乱。两个模型,质量相似,只是给出了相同的结果。但如果有大量的训练和验证样本,这将是一个很好的衡量标准。对于文章中描述的其他指标,我不能说什么。R^2一般表现得很奇怪,它甚至可能是负数,而50%以上的结果是正确的,总的来说我不喜欢它。平均误差最适合我。逐步的准确性是不存在的,因为我在公式中替代了回归的结果,甚至在四舍五入到0或1类之前。即使两个模型给出了相同的类的结果,我仍然可以确定最好的一个,就回归结果 "更接近 "预期结果的程度而言。mytarmailS: 有很多预测因素吗?关于400 mytarmailS 2016.07.23 13:28 #477 你们有谁知道关于傅里叶频谱分析的事情?需要一些帮助。 Yury Reshetov 2016.07.23 16:48 #478 mytarmailS: 这里的人至少对傅里叶频谱分析有一点了解。需要一些帮助。 什么不那么清楚?将一个周期性的函数分解成谐波,得到一个频谱。 mytarmailS 2016.07.23 18:12 #479 尤里-雷舍托夫。 为什么不清楚呢?我们把一个周期性的函数分解成谐波,得到一个频谱。这是真的,但我的任务是不同的......。我需要在BP中找到那些彼此接近的区域的相似性,接近性可以通过相关性、欧几里得公制等来衡量。根据我的实验,我了解到这样的指标不适合我的任务,我认为非常适合通过振幅、相位、频率来寻找近似度。但由于这样做没有想法,所以我问谁知道怎么做,做什么,什么是正确的,什么是不正确的,一般来说应该怎么做。P.S. 你可以在私下里,不要偏离主题,原则上,谈话不是在这个分支的主题上,不太可能有人感兴趣 Vladimir Suslov 2016.07.23 18:18 #480 尤里-雷舍托夫。 那里有什么不清楚的?我们将一个周期性的函数分解成谐波并得到一个频谱。 为什么是定期? 我们也可以分解一个单一的脉冲,这根本不是周期性的) 1...414243444546474849505152535455...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
我已经用RNeat做了一段时间的实验,我得出结论,它不能像传统的神经网络那样处理。
谢谢你分享你的发现,这非常有趣...
我以你的虹膜为例,重写了它以适应我的数据,结果出现了错误,我不明白是什么问题。我想知道,如果你尝试使用你的数据以及虹膜,与普通网格相比,结果如何?
我对RNeat进行了更多的实验,得出的结论是,它不能像传统的神经网络那样处理。
1)与传统模型不同,RNeat训练不使用原始数据。该模型是随机生成的,经过改进,最后才在原始数据上测试。通常情况下,模型使用原始数据,在此基础上建立自己的逻辑,然后使用验证抽样来观察模型的逻辑是否正确,或者它是否只是学习了原始例子。与其他不同的是,RNeat根本没有能力记忆原始数据,因为它不知道这些数据,模型所知道的是所需的结果以及它与这些结果的接近程度。
2)交叉验证无助于改善前沿测试结果。我们似乎都同意,有可能训练一个常规模型,运行几个交叉验证,并以某种方式处理所有样本上的误差,以获得模型的最终适配分数。由于RNeat不知道原始数据,所以它不关心数据是在训练样本还是测试样本中,在任何情况下它都会调整其逻辑以达到预期的结果。理论上,它将从所有用于健身函数的样本中 "学习"(更准确地说是变异:) )。你所能做的就是将模型训练到合适的精度,并希望它不会过度训练,这对外汇来说是一个相当冒险的方法。交叉验证只能在训练后作为前沿测试中可能结果的最终估计,而不能在健身函数中使用这个验证样本。
请告诉我,除了虹膜之外,你到底尝试过用自己的数据来替代,与通常的网相比,结果如何?
我使用了来自外汇的数据(一年的金牛座d1),模型已经学习了一天,它显示自己的最佳估计值=0.017(越多越好,对虹膜来说是0.7)。到目前为止还没有真正的结果,模型即使在训练数据上也显示出50%的误差,我必须让它再学习几天。
在交叉验证时,训练参数被挑出来。这个NS中是否有任何参数?必须要有。
模型越来越复杂,并增加了越来越多的神经元。有一个参数定义了神经元的最大数量,以限制其增长。还有第二个参数,定义遗传学中的个体数量。通常他们都是越多越好,引入限制是为了节省内存和时间,最好是为自己使用允许的最大值,而不是捡漏。
根据描述判断,该模型对每个神经元和它们之间的连接都有一个价格,所以它力求使用尽可能少的神经元。如果训练成功,该模型将在达到最大的神经元数量之前达到所需的精度。
我已经添加了来自外汇的数据(一年的eurusd d1),模型已经学习了一天,并显示它自己的最佳估计值=0.017(越多越好,对于Iris是0.7)。到目前为止,我还没有得到任何结果,模型甚至在训练数据上也显示出50%的错误。 我将让它再学习几天。
关于估计分类模型的有趣的文章。
我尝试了3个不同的指标来估计预测器子集上的模型:本文中的准确度;R^2模型;以及平均模型误差平均值(abs(y-x)/(max(y)-min(y)),其中X是预测结果的矢量,Y是所需结果)。
适配度函数的准确度还可以,但我有一个问题,就是样本中的例子不多,准确度出来的时候非常错乱。两个模型,质量相似,只是给出了相同的结果。但如果有大量的训练和验证样本,这将是一个很好的衡量标准。对于文章中描述的其他指标,我不能说什么。
R^2一般表现得很奇怪,它甚至可能是负数,而50%以上的结果是正确的,总的来说我不喜欢它。
平均误差最适合我。逐步的准确性是不存在的,因为我在公式中替代了回归的结果,甚至在四舍五入到0或1类之前。即使两个模型给出了相同的类的结果,我仍然可以确定最好的一个,就回归结果 "更接近 "预期结果的程度而言。
有很多预测因素吗?
关于400
这里的人至少对傅里叶频谱分析有一点了解。需要一些帮助。
为什么不清楚呢?我们把一个周期性的函数分解成谐波,得到一个频谱。
这是真的,但我的任务是不同的......。
我需要在BP中找到那些彼此接近的区域的相似性,接近性可以通过相关性、欧几里得公制等来衡量。根据我的实验,我了解到这样的指标不适合我的任务,我认为非常适合通过振幅、相位、频率来寻找近似度。但由于这样做没有想法,所以我问谁知道怎么做,做什么,什么是正确的,什么是不正确的,一般来说应该怎么做。
P.S. 你可以在私下里,不要偏离主题,原则上,谈话不是在这个分支的主题上,不太可能有人感兴趣
那里有什么不清楚的?我们将一个周期性的函数分解成谐波并得到一个频谱。
我们也可以分解一个单一的脉冲,这根本不是周期性的)