交易中的机器学习:理论、模型、实践和算法交易 - 页 593 1...586587588589590591592593594595596597598599600...3399 新评论 Yuriy Asaulenko 2018.01.20 21:27 #5921 马克西姆-德米特里耶夫斯基。有时间延迟的集中前向传播网络在结构图识别中,通常使用静态神经网络。相比之下,时间图谱识别需要处理随时间变化的图像,并在某一特定时间点产生反应,该反应不仅取决于当前的,而且还取决于之前的几个值。有这样的事情吗?:) 确切地说,这种架构的类型将在外汇中发挥作用,在理论上......但你必须进行实验。这很容易做到,只要在MLP中添加几个 "有趣的 "神经元,或者连接2个模型。 你从哪里得到这个模型? Maxim Dmitrievsky 2018.01.20 21:33 #5922 尤里-阿索连科。 你从哪里得到这个模型?我自己来 )还没有读完,事实证明,书中有很多有趣的东西。但为市场提供 "记忆 "的想法应该是好的......但不是超慢的复现,而是更简单、更专业的东西 Maxim Dmitrievsky 2018.01.20 21:55 #5923 最简单的例子。我们所说的外部 "移位器 "可以指一些来自,例如,以前的交易、波动率或系统的其他一些超参数的f但如果将移位器嵌入到1个或更多的神经元中会更好,那么它将变得像非线性的一样。 Dr. Trader 2018.01.20 22:39 #5924 不要希望出现一种新的neuronkey或python包来解决所有问题--而且不会出现模型过拟合,也不怕非平稳性等等。不管这个模型有多花哨,它都会基于一个简单的原则--它接受人类准备的训练数据,而模型只是创建一个简化的描述,说明如何从输入数据中计算出结果。这与近邻预测相差无几,但传统模型的预测速度要快几个数量级(尽管它们确实需要很长的时间来学习),所以它们更受人喜欢。关键短语是 "人类训练的数据"。如果专家正确地准备了数据,那么你就可以用它们来训练模型并进行交易获利,例如看看SanSanych、Vizard、Michael所分享的那些训练和测试的表格。 当我看到它们时,我感到很惊讶。而且,没有惊人的rnn神经元与非线性输入过滤器和几十层的神经元可以为你做到这一点。 Maxim Dmitrievsky 2018.01.20 22:47 #5925 交易员博士。不要希望出现一种新的neuronkey或python包来解决所有的问题--而且不会出现模型过拟合,也不怕非平稳性,等等。不管这个模型有多花哨,它都会基于一个简单的原则--它接受人类准备的训练数据,而模型只是创建一个简化的描述,说明如何从输入数据中计算出结果。所有这些与近邻预测相差无几,但通常的模型预测速度要快几个数量级(虽然需要长时间的训练),所以它们更受人喜欢。关键短语是 "人准备的学习数据"。如果专家顾问正确地准备了数据,那么你就可以用它们来教导模型,并进行交易获利。 以SanSanych、Vizard、Michael发布的那些训练和测试的表格为例。 当我看到它们时,我感到很惊讶。而且,没有惊人的rnn神经元与非线性输入过滤器和几十层的神经元可以为你做到这一点。不幸的是(也许只对我而言),这里讨论的大部分内容都是神经学。它确实需要准备得非常充分的数据,这些数据的统计属性不会随着时间的推移而改变,因此有这么多不同的方法来选择和过滤预测器。我发现由于预处理的原因,这种方法非常困难。但我们可以用 "记忆 "和适应性事物的不同变体来看待神经动力学......在我看来,这是更简单、更自然的方法,我不确定效率,这取决于如何做。这取决于从什么角度来看待市场--作为一套模式,还是作为一个按照某些规律演变的系统。 Dr. Trader 2018.01.20 23:26 #5926 马克西姆-德米特里耶夫斯基。 但你可以用 "记忆 "和适应性事物的不同变体来看待神经动力学......在我看来,这是一种更简单、更自然的方法,我不确定效率,这取决于你如何做。... 按照一定的规律发展。...毋庸置疑,这需要研究。但人类还没有发明出合适的工具(至少在公共领域没有)。lstm神经元对这一主题相当有趣,它们可以用较少的神经元比通常的神经元更准确地描述时间序列。但它们的问题是过度拟合。 假设通过训练普通的神经元卡,你可以提取一些数据进行交叉验证,从而处理过度喂养的问题。但对于lstm神经元卡来说,数据到达的顺序很重要,每个新的预测都会使用内部神经元卡的状态并改变它。因此,整个时间序列的预测有严格的顺序,每个预测都取决于过去并影响到未来。如果为了以后用于交叉验证而随机删除一些例子,那么这个序列就会被打破,这是不好的,会使整个训练受到质疑。如果我们把数据分成两部分依次进行训练和测试--我们又会得到过拟合,因为它对外汇没有帮助。 人们所能做的就是将lstm训练到最大的精确度,并希望如此。但外汇不会原谅这种不负责任的行为。当这个问题得到解决时,就有可能创造出一个圣杯。 Grigoriy Chaunin 2018.01.20 23:55 #5927 MQL本身既不是坏事,也不是好事。它在语法上接近于C++。一般来说,它是一种标准语言。问题是在为它提供所需的图书馆。但它们不是缺失就是质量差。这就是为什么我们必须整合Python。我已经引用了它与MQL整合的链接。我再给你一个。该图书馆现在相当可用。你现在可以下载。 Maxim Dmitrievsky 2018.01.21 00:05 #5928 交易员博士。无疑,这需要进行研究。但人类还没有发明出合适的工具(至少在公共领域没有)。lstm神经元对这个问题相当有趣,它们可以用较少的神经元比通常的神经元更准确地描述时间序列。但它们的问题是过量装配。 假设通过训练普通的神经元卡,你可以提取一些数据进行交叉验证,从而处理过度喂养的问题。但对于lstm神经元卡来说,数据到达的顺序很重要,每个新的预测都会使用内部神经元卡的状态并改变它。因此,整个时间序列的预测有严格的顺序,每个预测都取决于过去并影响到未来。如果为了以后用于交叉验证而随机删除一些例子,那么这个序列就会被打破,这是不好的,会使整个训练受到质疑。如果我们把数据分成两部分依次进行训练和测试--我们又会得到过拟合,因为它对外汇没有帮助。 人们所能做的就是将lstm训练到最大的精确度,并希望如此。但外汇局不会原谅这种不负责任的行为。在凌驾于lstm神经元的问题上需要多年的学术工作,当这个问题解决后,我们就可以开始创造圣杯了。你需要一个在外汇中自娱自乐的NS:)这不是LSTM。LSTM不使用BP作为外部代理,当它犯错的时候会踢它的额头。尤里已经写过了,只是要总结一下。 Maxim Dmitrievsky 2018.01.21 00:07 #5929 格里戈里-乔宁。MQL本身既不是坏事,也不是好事。它在语法上接近于C++。一般来说,它是一种标准语言。问题是在为它提供所需的图书馆。但它们不是缺失就是质量差。这就是为什么我们必须整合Python。我已经引用了它与MQL整合的链接。我再给你一个。该图书馆现在相当可用。下载 吧。谢谢你的努力!我们以后会用到它,我已经为自己留了下来。 Alexander_K2 2018.01.21 00:32 #5930 睡不着--在网上读了点书。我喜欢这个人。"在一般的背景下,使用增量的事实其实并不坏,大多数对数价格都是输入的,增量是一个进步,虽然两者都很合适。我知道有人从NS中拉出了圣杯,但那些人对于交流,甚至对于他们所做的事情的暗示都很封闭,我是个初学者,所以肯定没有机会。我只知道一切都很复杂,它不是Vels,不是Metatrader,甚至不是S#,而是C++和MatLab与一些 解码和解释来自Caliders的数据的芯片,原来这是一个相同的方法,我听说后感到害怕,他们正在与曾经在CERN每天研磨TB的叔叔合作,在量子混沌中寻找新粒子。这很有趣。我坚持我的观点--有必要将最纯净的、像眼泪一样的价格增量喂给NS投入。增量才是一切的关键。它们构成了解决这一问题的基础。事实上,在外汇市场上,我们遵循的是这些增量的波包(概率密度函数)的一个伪静态运动过程。仅此而已。(我已经写了这一段:))) 1...586587588589590591592593594595596597598599600...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
有时间延迟的集中前向传播网络
在结构图识别中,通常使用静态神经网络。相比之下,时间图谱识别需要处理随时间变化的图像,并在某一特定时间点产生反应,该反应不仅取决于当前的,而且还取决于之前的几个值。
有这样的事情吗?:) 确切地说,这种架构的类型将在外汇中发挥作用,在理论上......但你必须进行实验。这很容易做到,只要在MLP中添加几个 "有趣的 "神经元,或者连接2个模型。
你从哪里得到这个模型?
我自己来 )还没有读完,事实证明,书中有很多有趣的东西。
但为市场提供 "记忆 "的想法应该是好的......但不是超慢的复现,而是更简单、更专业的东西
最简单的例子。
我们所说的外部 "移位器 "可以指一些来自,例如,以前的交易、波动率或系统的其他一些超参数的f
但如果将移位器嵌入到1个或更多的神经元中会更好,那么它将变得像非线性的一样。
不要希望出现一种新的neuronkey或python包来解决所有问题--而且不会出现模型过拟合,也不怕非平稳性等等。
不管这个模型有多花哨,它都会基于一个简单的原则--它接受人类准备的训练数据,而模型只是创建一个简化的描述,说明如何从输入数据中计算出结果。这与近邻预测相差无几,但传统模型的预测速度要快几个数量级(尽管它们确实需要很长的时间来学习),所以它们更受人喜欢。
关键短语是 "人类训练的数据"。如果专家正确地准备了数据,那么你就可以用它们来训练模型并进行交易获利,例如看看SanSanych、Vizard、Michael所分享的那些训练和测试的表格。
当我看到它们时,我感到很惊讶。而且,没有惊人的rnn神经元与非线性输入过滤器和几十层的神经元可以为你做到这一点。
不要希望出现一种新的neuronkey或python包来解决所有的问题--而且不会出现模型过拟合,也不怕非平稳性,等等。
不管这个模型有多花哨,它都会基于一个简单的原则--它接受人类准备的训练数据,而模型只是创建一个简化的描述,说明如何从输入数据中计算出结果。所有这些与近邻预测相差无几,但通常的模型预测速度要快几个数量级(虽然需要长时间的训练),所以它们更受人喜欢。
关键短语是 "人准备的学习数据"。如果专家顾问正确地准备了数据,那么你就可以用它们来教导模型,并进行交易获利。 以SanSanych、Vizard、Michael发布的那些训练和测试的表格为例。
当我看到它们时,我感到很惊讶。而且,没有惊人的rnn神经元与非线性输入过滤器和几十层的神经元可以为你做到这一点。
不幸的是(也许只对我而言),这里讨论的大部分内容都是神经学。它确实需要准备得非常充分的数据,这些数据的统计属性不会随着时间的推移而改变,因此有这么多不同的方法来选择和过滤预测器。我发现由于预处理的原因,这种方法非常困难。
但我们可以用 "记忆 "和适应性事物的不同变体来看待神经动力学......在我看来,这是更简单、更自然的方法,我不确定效率,这取决于如何做。
这取决于从什么角度来看待市场--作为一套模式,还是作为一个按照某些规律演变的系统。
但你可以用 "记忆 "和适应性事物的不同变体来看待神经动力学......在我看来,这是一种更简单、更自然的方法,我不确定效率,这取决于你如何做。
...
按照一定的规律发展。
...
毋庸置疑,这需要研究。但人类还没有发明出合适的工具(至少在公共领域没有)。
lstm神经元对这一主题相当有趣,它们可以用较少的神经元比通常的神经元更准确地描述时间序列。但它们的问题是过度拟合。
假设通过训练普通的神经元卡,你可以提取一些数据进行交叉验证,从而处理过度喂养的问题。但对于lstm神经元卡来说,数据到达的顺序很重要,每个新的预测都会使用内部神经元卡的状态并改变它。因此,整个时间序列的预测有严格的顺序,每个预测都取决于过去并影响到未来。如果为了以后用于交叉验证而随机删除一些例子,那么这个序列就会被打破,这是不好的,会使整个训练受到质疑。如果我们把数据分成两部分依次进行训练和测试--我们又会得到过拟合,因为它对外汇没有帮助。
人们所能做的就是将lstm训练到最大的精确度,并希望如此。但外汇不会原谅这种不负责任的行为。
当这个问题得到解决时,就有可能创造出一个圣杯。
MQL本身既不是坏事,也不是好事。它在语法上接近于C++。一般来说,它是一种标准语言。问题是在为它提供所需的图书馆。但它们不是缺失就是质量差。这就是为什么我们必须整合Python。我已经引用了它与MQL整合的链接。我再给你一个。该图书馆现在相当可用。你现在可以下载。
无疑,这需要进行研究。但人类还没有发明出合适的工具(至少在公共领域没有)。
lstm神经元对这个问题相当有趣,它们可以用较少的神经元比通常的神经元更准确地描述时间序列。但它们的问题是过量装配。
假设通过训练普通的神经元卡,你可以提取一些数据进行交叉验证,从而处理过度喂养的问题。但对于lstm神经元卡来说,数据到达的顺序很重要,每个新的预测都会使用内部神经元卡的状态并改变它。因此,整个时间序列的预测有严格的顺序,每个预测都取决于过去并影响到未来。如果为了以后用于交叉验证而随机删除一些例子,那么这个序列就会被打破,这是不好的,会使整个训练受到质疑。如果我们把数据分成两部分依次进行训练和测试--我们又会得到过拟合,因为它对外汇没有帮助。
人们所能做的就是将lstm训练到最大的精确度,并希望如此。但外汇局不会原谅这种不负责任的行为。
在凌驾于lstm神经元的问题上需要多年的学术工作,当这个问题解决后,我们就可以开始创造圣杯了。
你需要一个在外汇中自娱自乐的NS:)这不是LSTM。LSTM不使用BP作为外部代理,当它犯错的时候会踢它的额头。
尤里已经写过了,只是要总结一下。
MQL本身既不是坏事,也不是好事。它在语法上接近于C++。一般来说,它是一种标准语言。问题是在为它提供所需的图书馆。但它们不是缺失就是质量差。这就是为什么我们必须整合Python。我已经引用了它与MQL整合的链接。我再给你一个。该图书馆现在相当可用。下载 吧。
谢谢你的努力!我们以后会用到它,我已经为自己留了下来。
睡不着--在网上读了点书。我喜欢这个人。
"在一般的背景下,使用增量的事实其实并不坏,大多数对数价格都是输入的,增量是一个进步,虽然两者都很合适。
我知道有人从NS中拉出了圣杯,但那些人对于交流,甚至对于他们所做的事情的暗示都很封闭,我是个初学者,所以肯定没有机会。我只知道一切都很复杂,它不是Vels,不是Metatrader,甚至不是S#,而是C++和MatLab与一些 解码和解释来自Caliders的数据的芯片,原来这是一个相同的方法,我听说后感到害怕,他们正在与曾经在CERN每天研磨TB的叔叔合作,在量子混沌中寻找新粒子。
这很有趣。我坚持我的观点--有必要将最纯净的、像眼泪一样的价格增量喂给NS投入。增量才是一切的关键。它们构成了解决这一问题的基础。事实上,在外汇市场上,我们遵循的是这些增量的波包(概率密度函数)的一个伪静态运动过程。仅此而已。(我已经写了这一段:)))