交易中的机器学习：理论、模型、实践和算法交易 - 页 535 1...528529530531532533534535536537538539540541542...3399 新评论 Dr. Trader 2017.11.26 14:19 #5341 马克西姆-德米特里耶夫斯基。 嗯，感觉像是4-5秒我有25个（在真正的虱子上）。另外，在第一次运行时还要多准备一些时间，但这可以忽略不计。 Maxim Dmitrievsky 2017.11.26 14:24 #5342 交易员博士。我有25个（在真正的虱子上）。再加上一些时间来准备蜱虫的第一次运行，但可以忽略不计。这大约是97555367 次:)，并非 废话。这还不算太糟，只是时间问题。 Vladimir Perervenko 2017.11.26 14:36 #5343 交易员博士。这个主题本身就很有趣，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--神经元键的权重由遗传算法挑起，而不是传统的训练。 例如，在行动中的算法，neuronka被训练为玩马里奥游戏https://www.youtube.com/watch?v=qv6UVOQ0F44在普通的神经网络训练中，我们有时可以暂停训练，并在新的数据上检查过拟合情况，以便及时停止训练，而在NEAT中，我们不能这样做，遗传学将搜索最适合健身函数的权重，直到达到极限，导致在新数据上出现强烈的过拟合和无用的模型。这根本不是事实。NEAT（NeuroEvolution of Augmenting Topologies） 是一种最佳神经网络架构的遗传搜索。确切地说，是架构，而不是某个架构的NN权重。不幸的是，这个包在最近的R版本中没有被延续。在Python中也有一个类似的包。NEAT是Kenneth O. Stanley开发的一种开发任意神经网络的方法。NEAT-Python 是NEAT的纯Python实现，除了标准的Python库，没有任何其他的依赖。你可以详细阅读 - 我们关于NEAT的原始期刊（与Ken Stanley和Risto Miikkulainen合著），"通过互补的拓扑结构进化神经网络"摘自：《通过互补的拓扑结构发展神经网络》（2002年）的一小段话Kenneth O. Stanley 和Risto Miikkulainen神经进化的一个重要问题是如何利用与权重一起进化的神经网络拓扑结构。我们提出了增殖拓扑的神经进化（NEAT）方法，该方法在复杂工件学习任务上优于最佳固定拓扑方法。我们认为，性能的提高是由于(1)使用了不同拓扑结构的原则性交叉方法，(2)使用标本保护结构创新，和(3)从最小结构逐渐增加。我们通过一系列的消融研究来检验这一说法，这些研究表明，每一个组成部分对于整个系统来说都是必不可少的，而且相互之间也是如此。其中的结果大大加快了学习速度。NEAT也是对GA的一个重要贡献，因为它显示了解决方案是如何同时进行优化和复杂化 演变的，提供了在几代人中演变出越来越复杂的解决方案的机会，并加强了与生物进化的类似性。注意到区别了吗？我们需要进行实验。一天中的时间将是26小时...... Алёша 2017.11.26 14:42 #5344 马克西姆-德米特里耶夫斯基。 标准的MACD样本专家顾问，逻辑简单，1分钟2个开盘价，一年......嗯，感觉是4-5秒......，一年的时间就这样了。对我来说，这并不慢+他再现了交易环境，如浮动点差、绘图和报告。成长的家伙们，我能说什么呢，4年前它要慢得多。但4-5秒对于一次运行来说仍然是永恒的，它应该是两个数量级的速度。4-5秒的时间间隔为一年，这种 "策略 "应该通过遗传学或100-200次运行的消耗来优化。 Mihail Marchukajtes 2017.11.26 14:52 #5345 我是一个该死的程序员。我花了四个小时试图用CD为MT5做一个AD指标，但我算是做出来了。这是一个混乱的局面，同志们。我在三行中迷失了方向 :-(.只是当你不知道和忘记的时候就很难了 :-) Mihail Marchukajtes 2017.11.26 15:20 #5346 你不会相信，但一个白痴的梦想已经实现了，我已经运行了市场的三个主要组成部分进行优化。Delta+成交量+未平仓合约。我迫不及待地想看到训练的结果... SEM 2017.11.26 15:26 #5347 Mihail Marchukajtes:你不会相信，但一个白痴的梦想已经实现了，我已经运行了市场的三个主要组成部分进行优化。Delta+成交量+未平仓合约。我迫不及待地想看到训练的结果...你说的未平仓合约是什么意思？"三角洲什么？ Mihail Marchukajtes 2017.11.26 16:25 #5348 SEM。你说的公开利息是什么意思？"三角洲什么？用Forts的公开利益，用KD的delta。我有一个Sorts.... 的醋汁。让我们看看这个沙拉的结果是什么....... Uladzimir Izerski 2017.11.26 17:09 #5349 Mihail Marchukajtes: 堡垒的公开利益，KD的delta。我有一个Sorts.... 的醋汁。让我们看看这个沙拉的结果是什么.......我有一个问题。如果这些数据已经知道，而且可能更早，为什么这些参数会让你比其他市场参与者更有优势？ SEM 2017.11.26 17:10 #5350 Mihail Marchukajtes: 堡垒的公开利益，KD的delta。我有一个Sorts.... 的醋汁。让我们看看这个沙拉的结果是什么.......试着从布林线或包络线 中加入标准差，用于通道边界，有趣的东西就出来了。 "来自福特的公开利益"，我想知道谁在广播这些指标的真实数据？我再次不明白，什么是 "QD"？ 1...528529530531532533534535536537538539540541542...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
嗯，感觉像是4-5秒
我有25个（在真正的虱子上）。另外，在第一次运行时还要多准备一些时间，但这可以忽略不计。
我有25个（在真正的虱子上）。再加上一些时间来准备蜱虫的第一次运行，但可以忽略不计。
这大约是97555367 次:)，并非 废话。
这还不算太糟，只是时间问题。
这个主题本身就很有趣，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--神经元键的权重由遗传算法挑起，而不是传统的训练。
例如，在行动中的算法，neuronka被训练为玩马里奥游戏https://www.youtube.com/watch?v=qv6UVOQ0F44
在普通的神经网络训练中，我们有时可以暂停训练，并在新的数据上检查过拟合情况，以便及时停止训练，而在NEAT中，我们不能这样做，遗传学将搜索最适合健身函数的权重，直到达到极限，导致在新数据上出现强烈的过拟合和无用的模型。
这根本不是事实。NEAT（NeuroEvolution of Augmenting Topologies） 是一种最佳神经网络架构的遗传搜索。确切地说，是架构，而不是某个架构的NN权重。不幸的是，这个包在最近的R版本中没有被延续。在Python中也有一个类似的包。NEAT是Kenneth O. Stanley开发的一种开发任意神经网络的方法。NEAT-Python 是NEAT的纯Python实现，除了标准的Python库，没有任何其他的依赖。你可以详细阅读 - 我们关于NEAT的原始期刊（与Ken Stanley和Risto Miikkulainen合著），"通过互补的拓扑结构进化神经网络"
摘自：《通过互补的拓扑结构发展神经网络》（2002年）的一小段话
注意到区别了吗？我们需要进行实验。一天中的时间将是26小时......
标准的MACD样本专家顾问，逻辑简单，1分钟2个开盘价，一年......嗯，感觉是4-5秒......，一年的时间就这样了。
对我来说，这并不慢+他再现了交易环境，如浮动点差、绘图和报告。
成长的家伙们，我能说什么呢，4年前它要慢得多。但4-5秒对于一次运行来说仍然是永恒的，它应该是两个数量级的速度。4-5秒的时间间隔为一年，这种 "策略 "应该通过遗传学或100-200次运行的消耗来优化。
我是一个该死的程序员。我花了四个小时试图用CD为MT5做一个AD指标，但我算是做出来了。这是一个混乱的局面，同志们。我在三行中迷失了方向 :-(.
只是当你不知道和忘记的时候就很难了 :-)
你不会相信，但一个白痴的梦想已经实现了，我已经运行了市场的三个主要组成部分进行优化。Delta+成交量+未平仓合约。我迫不及待地想看到训练的结果...
你不会相信，但一个白痴的梦想已经实现了，我已经运行了市场的三个主要组成部分进行优化。Delta+成交量+未平仓合约。我迫不及待地想看到训练的结果...
你说的未平仓合约是什么意思？
"三角洲什么？
你说的公开利息是什么意思？
"三角洲什么？
用Forts的公开利益，用KD的delta。我有一个Sorts.... 的醋汁。让我们看看这个沙拉的结果是什么.......
堡垒的公开利益，KD的delta。我有一个Sorts.... 的醋汁。让我们看看这个沙拉的结果是什么.......
我有一个问题。如果这些数据已经知道，而且可能更早，为什么这些参数会让你比其他市场参与者更有优势？
堡垒的公开利益，KD的delta。我有一个Sorts.... 的醋汁。让我们看看这个沙拉的结果是什么.......
试着从布林线或包络线 中加入标准差，用于通道边界，有趣的东西就出来了。
"来自福特的公开利益"，我想知道谁在广播这些指标的真实数据？
我再次不明白，什么是 "QD"？