18 октября в журнале Nature была опубликована статья компании DeepMind о новых достижениях AlphaGo. Новая версия программы получила название Zero, так как была обучена с нуля без использования данных, полученных от человека, кроме правил самой игры Го. Для тренировок прошлой версии, победившей в чемпионатах с людьми, изначально использовался...
没有代码，我就无法理解任何东西。
我应该做一个简单的专家顾问，用最少的函数集，只需读取指标的值并将其写入日志（或者更好的是--写入csv文件，以便以后更好的比较）。在这种情况下，结果将是不同的，应将代码与专家顾问的代码一起发送给服务台。
你也可以把代码附在那里--https://www.mql5.com/ru/forum/1111/page2096-- 有知识的人会检查它，并确认或解释什么是错的。
好的，我会试着向那里报告。我不是在测试代理的EA，我是在测试一个指标，这个指标是从另一个符号中调用的。也许有区别...我不知道...时间过去了，问题依然存在 :-(
https://geektimes.ru/post/294617/
终于有东西出来了，有了重新训练自己的自适应系统......要花很多时间去做，而且还是一个粗略的草案，但已经有了一些东西，股权图很笨拙，但很 "诚实"，也就是说，它是一个向前的，没有对市场进行任何调整：）很多嘈杂的交易，我也必须摆脱。
当然，MO对大脑来说是非常困难的。
F
也就是说，这都是在不适应市场的情况下向前推进的：）很多嘈杂的交易，我也必须摆脱。
这对大脑来说是非常困难的
F
你认为有可能显示同一时期的符号图吗？总的来说是相似的，是的）但该模式在盈利能力方面略微领先于市场。
并使用M15时间框架，这就是为什么这么多交易。但这还不是最终版本，我拔掉它是因为我已经厌倦了它:)
我还不能。一年来一直忙于处理国内问题。我还有一个月的时间。然后我将开始发布结果，原始材料已经准备好了。
一个多月过去了。我们正在等待GARCH的应用，并提供图片...
一个多月过去了。期待一个关于GARCH的实际应用的故事，并配有图片...
是的，我做到了。
我遇到了一个可以理解的关于LSTM神经元的描述，所以我写了一点代码来测试它。文章 -http://datareview.info/article/znakomstvo-s-arhitekturoy-lstm-setey/
在代码中，我取了100条eurusd m5，按条数计算增量，并训练lstm神经元根据最后已知的增量来预测下一个增量。
学习是在没有复杂的分析方程的情况下进行的，神经元的权重是通过离散的lbfgs优化调整的，它比较糟糕，但对于一个简单的测试来说，它可以做到。
预测估计值（R2）出来了，比零多一点，这很低，但仍然比随机猜测好。考虑到lstm神经元不需要一些指标或增量数组，而只需要一个值，它根据这个值预测下一个值，而且对每个柱子都要重复，一般来说它非常简单--结果比我预期的好。但如果我们采取成千上万的条形图，那么R2得分就会变成<0，太糟糕了。而且似乎这样的模型在外汇上的结果在新的数据上会恶化很多，我需要发明一些具有交叉验证的自行车，在这样一个简单的形式中不会有任何利润。
现在我需要把这些神经元做成一个网络，但文章中没有提到。
我遇到了一个可以理解的关于LSTM神经元的描述，所以我写了一点代码来测试它。文章 -http://datareview.info/article/znakomstvo-s-arhitekturoy-lstm-setey/
在代码中，我采取了100条eurusd m5，按条数计算增量，并教导lstm神经元使用最后已知的增量来预测下一个增量。
我做的训练没有复杂的分析方程，神经元的权重适合于离散的lbfgs优化，它更糟糕，但它可以做一个简单的测试。
预测估计值（R2）出来了，比零多一点，这很低，但仍然比随机猜测好。考虑到lstm神经元不需要一些指标或增量数组，而只需要一个值，它根据这个值预测下一个值，而且对每个柱子都要重复，一般来说它非常简单--结果比我预期的好。但如果我们采取成千上万的条形图，那么R2得分就会变成<0，太糟糕了。而且似乎这样的模型在外汇上的结果在新的数据上会恶化很多，我需要发明一些具有交叉验证的自行车，在这样一个简单的形式中不会有任何利润。
现在我需要以某种方式将这些神经元组成一个网络，但文章中没有提到这一点。
Lstm网络对季节性周期的预测甚至比arima更差，但它需要更长的时间来训练......我还没有理解这些网络的用处 :)
我有个朋友一直对它们很兴奋，学了keras，在工作中拿了一个简单的系列，有季节性的利润，训练了将近一天的网......之后很长一段时间都在为它发愁。