交易中的机器学习：理论、模型、实践和算法交易 - 页 533 1...526527528529530531532533534535536537538539540...3399 新评论 Ivan Negreshniy 2017.11.25 20:07 #5321 马克西姆-德米特里耶夫斯基。 是的，为什么不是好的？在人工智能被发明之前，MO本质上是优化。遗传学也是人工智能的一部分。此外，还有一个相当有前途的混合方向--NEAT进化的神经网络。 Maxim Dmitrievsky 2017.11.25 20:08 #5322 尤里-阿索连科。 标准在 "优化 "中很重要。基于最大利润的优化并不是一个好的标准。而且没有理由相信它在未来会以某种方式发挥作用，这一点我们在实践中经常看到，特别是在论坛上。不一定按最大利润，你可以用最近文章中建议的R^2，或者其他的，有自定义的标准。重点不在于此，而在于通过opt找到稳定的依赖关系。之后，选择最好的运行，并分析为什么它们是最好的，以及发现了哪些有趣的东西。 Maxim Dmitrievsky 2017.11.25 20:09 #5323 伊万-内格雷什尼。此外，还有一个相当有前途的混合方向--NEAT进化的神经网络。又是你的新东西，我去找谷歌帮忙了:) Aleksey Terentev 2017.11.25 20:40 #5324 伊万-内格雷什尼。此外，还有一个相当有前途的混合方向--NEAT进化的神经网络。 谢谢你。 你说出了我在过去几个月里一直在想的事情，但却无法形成一个想法。 Dr. Trader 2017.11.25 22:06 #5325 伊万-内格雷什尼。现代化这个话题本身很有趣，但它没有通过外汇测试。在主题中，有一些关于它的文章，甚至有一个R的包--https://github.com/ahunteruk/RNeat。 NEAT几个字--我们用遗传算法而不是传统的训练来选择神经元键的权重。 例如，在行动中的算法，神经元卡被训练为玩一个马里奥游戏https://www.youtube.com/watch?v=qv6UVOQ0F44在普通的神经网络训练中，你可以暂停训练，在新的数据上检查过拟合度，以便及时停止训练，而在NEAT中，这是不可行的，遗传学会寻找最适合健身函数的权重，直到它达到极限，导致在新数据上出现强烈的过拟合和无用的模型。 Алёша 2017.11.25 22:36 #5326 佩特罗斯-沙塔赫兹扬。 对真正的蜱虫进行测试是实时的。而且，你不和测试器一起使用，这太糟糕了。听起来很奇怪，MetaTrader测试仪中没有 "真正的点"，它们是生成的，从数学上看，它看起来像是在下一根蜡烛的（O+H+L+C）/4上打开/关闭，在这之前，信号出现。 Алёша 2017.11.25 23:13 #5327 交易员博士。这个交易所（比特币）的缺点是--他们的api没有获得ohlc值的功能。嗯，不，他们是这样。只是他们的api 2.0仍然没有记录，信息在互联网的某个角落里((()示例 candlc req:bittrex.com/Api/v2.0/pub/market/GetTicks? marketName=BTC-ETH&tickInterval=day&_=1499127220008 他们的蜡烛图很糟糕，他们不是从他们的订单记录中做出来的，而是以某种方式从其他来源汇总的，高点和低点可能比他们的图表上强得多，你必须在任何情况下都要写点。 Dr. Trader 2017.11.26 00:19 #5328 阿廖沙。你当然不知道，我知道。我真的很想，谢谢你。 Maxim Dmitrievsky 2017.11.26 05:10 #5329 阿利奥沙。很奇怪，在metatrader的测试器中没有 "真正的刻度"，它们是生成的，在数学意义上，它是类似于在信号发生前的下一根蜡烛的（O+H+L+C）/4处打开/关闭。很奇怪，听说metatrader的tether中没有真正的ticks，感觉像是在和平台合作。 Mihail Marchukajtes 2017.11.26 10:04 #5330 大家好！！！。一个熟悉的问题。如何在不过度优化的情况下使人工智能尽可能长地持续下去????我个人认为，我自己有两个答案。1.提高投入的质量，即找到一个将成为产出的原因的投入。这项任务极其困难，有时甚至不可行，因为这种投入原则上可能不存在于自然界。2.以适当的模型质量水平延长训练期。这是我认为我们将考虑的方法.....。使用两个网的委员会，我们得到三种状态 "是"、"不是 "和 "我不知道"--当两个网向不同方向看时，我们将尝试使用这种效果。起初，我在1000条记录上训练网络。然后我们建立一个第二级模型，只对 "我不知道 "的状态进行训练。 在第二级的600个条目中，大约有300个是未定义的。这是正确的，伙计们，我们将使用助推器。我的意思是，它反复地重新训练网络。我能够达到第三级。它使我们能够在TF M15上对该模型进行大约三个月的训练。我必须承认，模型的准备工作花了两天多的时间，也难怪，考虑到我们必须建立6个信号模型+8个反弹模型，但所有这些时间只是为了将TS的容量提高到一个月，没有过度优化和人为参与。这张照片显示了TS的训练期。测试是以一个批次进行的，没有进入与暂停的可能性。也就是说，如果没有SENDING模式的话!注意 "盈利能力"。它不应该太高，从2到5...在这些限度内。因为这个指标的高水平是过度训练的标志，IMHO。当NS学习了本节内容后。在下一张图片中，我连接了回撤模型。也就是说，当信号出现时，我们分析是否会有回调，如果 "是"，我们就下一个挂单，如果 "不是"，我们就入市。在这里，我们在模型中使用了大约四个模型投资，我们可以看到，在 "盈利能力 "参数方面，结果要好得多。实际上，这种方法是为了使平衡曲线看起来更加平滑和强大。通常情况下，交易数量减少，利润减少，盈利能力增加。但我们知道，培训领域的指标并不意味着什么，这也是事实。但我想出了一个非常重要的问题的答案 "如何评估训练的质量？ 你如何知道你的模型对市场的概括程度如何，一般来说，它能做到这一点吗？答案原来是在表面上，非常简单。你需要再做一次测试interval!!!!!!但这是什么呢？.....，关于这一点，在续集....。 1...526527528529530531532533534535536537538539540...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
是的，为什么不是好的？在人工智能被发明之前，MO本质上是优化。
遗传学也是人工智能的一部分。
此外，还有一个相当有前途的混合方向--NEAT进化的神经网络。
标准在 "优化 "中很重要。基于最大利润的优化并不是一个好的标准。而且没有理由相信它在未来会以某种方式发挥作用，这一点我们在实践中经常看到，特别是在论坛上。
不一定按最大利润，你可以用最近文章中建议的R^2，或者其他的，有自定义的标准。重点不在于此，而在于通过opt找到稳定的依赖关系。之后，选择最好的运行，并分析为什么它们是最好的，以及发现了哪些有趣的东西。
此外，还有一个相当有前途的混合方向--NEAT进化的神经网络。
又是你的新东西，我去找谷歌帮忙了:)
此外，还有一个相当有前途的混合方向--NEAT进化的神经网络。
你说出了我在过去几个月里一直在想的事情，但却无法形成一个想法。
现代化
这个话题本身很有趣，但它没有通过外汇测试。在主题中，有一些关于它的文章，甚至有一个R的包--https://github.com/ahunteruk/RNeat。
NEAT几个字--我们用遗传算法而不是传统的训练来选择神经元键的权重。
例如，在行动中的算法，神经元卡被训练为玩一个马里奥游戏https://www.youtube.com/watch?v=qv6UVOQ0F44
在普通的神经网络训练中，你可以暂停训练，在新的数据上检查过拟合度，以便及时停止训练，而在NEAT中，这是不可行的，遗传学会寻找最适合健身函数的权重，直到它达到极限，导致在新数据上出现强烈的过拟合和无用的模型。
对真正的蜱虫进行测试是实时的。而且，你不和测试器一起使用，这太糟糕了。
听起来很奇怪，MetaTrader测试仪中没有 "真正的点"，它们是生成的，从数学上看，它看起来像是在下一根蜡烛的（O+H+L+C）/4上打开/关闭，在这之前，信号出现。
这个交易所（比特币）的缺点是--他们的api没有获得ohlc值的功能。
嗯，不，他们是这样。只是他们的api 2.0仍然没有记录，信息在互联网的某个角落里((()
示例 candlc req:bittrex.com/Api/v2.0/pub/market/GetTicks? marketName=BTC-ETH&tickInterval=day&_=1499127220008
他们的蜡烛图很糟糕，他们不是从他们的订单记录中做出来的，而是以某种方式从其他来源汇总的，高点和低点可能比他们的图表上强得多，你必须在任何情况下都要写点。你当然不知道，我知道。
我真的很想，谢谢你。
很奇怪，在metatrader的测试器中没有 "真正的刻度"，它们是生成的，在数学意义上，它是类似于在信号发生前的下一根蜡烛的（O+H+L+C）/4处打开/关闭。
很奇怪，听说metatrader的tether中没有真正的ticks，感觉像是在和平台合作。
大家好！！！。一个熟悉的问题。如何在不过度优化的情况下使人工智能尽可能长地持续下去????我个人认为，我自己有两个答案。
1.提高投入的质量，即找到一个将成为产出的原因的投入。这项任务极其困难，有时甚至不可行，因为这种投入原则上可能不存在于自然界。
2.以适当的模型质量水平延长训练期。这是我认为我们将考虑的方法.....。
使用两个网的委员会，我们得到三种状态 "是"、"不是 "和 "我不知道"--当两个网向不同方向看时，我们将尝试使用这种效果。
起初，我在1000条记录上训练网络。然后我们建立一个第二级模型，只对 "我不知道 "的状态进行训练。 在第二级的600个条目中，大约有300个是未定义的。这是正确的，伙计们，我们将使用助推器。我的意思是，它反复地重新训练网络。我能够达到第三级。它使我们能够在TF M15上对该模型进行大约三个月的训练。我必须承认，模型的准备工作花了两天多的时间，也难怪，考虑到我们必须建立6个信号模型+8个反弹模型，但所有这些时间只是为了将TS的容量提高到一个月，没有过度优化和人为参与。
这张照片显示了TS的训练期。测试是以一个批次进行的，没有进入与暂停的可能性。也就是说，如果没有SENDING模式的话!
注意 "盈利能力"。它不应该太高，从2到5...在这些限度内。因为这个指标的高水平是过度训练的标志，IMHO。当NS学习了本节内容后。
在下一张图片中，我连接了回撤模型。也就是说，当信号出现时，我们分析是否会有回调，如果 "是"，我们就下一个挂单，如果 "不是"，我们就入市。在这里，我们在模型中使用了大约四个模型投资，我们可以看到，在 "盈利能力 "参数方面，结果要好得多。实际上，这种方法是为了使平衡曲线看起来更加平滑和强大。
通常情况下，交易数量减少，利润减少，盈利能力增加。
但我们知道，培训领域的指标并不意味着什么，这也是事实。但我想出了一个非常重要的问题的答案 "如何评估训练的质量？ 你如何知道你的模型对市场的概括程度如何，一般来说，它能做到这一点吗？答案原来是在表面上，非常简单。你需要再做一次测试interval!!!!!!但这是什么呢？.....，关于这一点，在续集....。