交易中的机器学习：理论、模型、实践和算法交易 - 页 593

新评论
 
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？
 
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

 

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。

 
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。

 
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。

 

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。

 
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。

 
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。

 

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