交易中的机器学习：理论、模型、实践和算法交易 - 页 609 1...602603604605606607608609610611612613614615616...3399 新评论 Vladimir Perervenko 2018.01.25 07:51 #6081 谢尔盖-查尔舍夫。 如果你的网络对gpsh值有这样的反应，就把它扔进垃圾桶吧。 一个正常的网络可以在任何初始值下工作和学习，甚至在零的时候也可以。 胡说八道。 Vladimir Perervenko 2018.01.25 07:54 #6082 最佳DNN超参数的确定通常，神经网络的超参数包括隐藏层的数量、每个隐藏层的神经元数量、应用的激活、初始化和正则化函数，以及训练水平。超参数优化的结构如下图所示。图1.神经网络中超参数的结构及优化方法有三种方式来优化超参数。网格搜索遗传优化网格搜索 遗传搜索 贝叶斯优化在第一种情况下，对于每个超参数，我们定义一个有几个固定值的向量。然后，使用caret::train()或我们自己的脚本，我们在所有的超参数值组合上训练模型。之后，具有最佳分类质量指标的模型被选中，其参数将被接受为最优。这种方法的缺点是，通过设置数值的网格，我们很可能会错过最佳状态。第二种方法是利用遗传算法随机搜索最佳参数的可能性。我们已经在本文 中详细讨论了几种遗传优化算法。因此，我们将不重复这些内容。在第三种情况下，使用了贝叶斯方法（高斯过程和IMS），我们将在本文中测试。我们将使用rBayesianOptimization 软件包（1.1.0版）。关于所用方法的理论，见Jasper Snoek, Hugo Larochelle, Ryan P. Adams (2012) Practical Bayesian Optimization of Machine Learning Algorithms。一般来说，神经网络中的超参数可以分为两组：全局和局部（节点）。全局的包括隐藏层的数量，每层的神经元数量，训练和扭矩的水平，神经元的初始化权重。局部的包括层类型、激活函数、辍学/辍学和其他正则化参数。 Machine learning in trading: Forester 2018.01.25 08:52 #6083 一般来说，建议再次对同一数据进行大量的训练。我在这里做了几次人工培训，有点迷惑。我期望错误减少是稳定的，但它却跳了起来。即使在同一网络结构上反复训练，也会得到相差3-5%的结果，这也会干扰到结构的正确选择。 Igooor_45 2018.01.25 09:00 #6084 你能推荐任何其他可以培训我的交易员吗？我的一个朋友向我推荐了培训（来自Polikarp Brekhunov--由Artyom Trishkin改变），谁知道呢，也许还有其他提供培训课程的交易者？ Vladimir Perervenko 2018.01.25 09:25 #6085 elibrarius。一般来说，建议再次对同一数据进行大量的训练。我在这里做了几次人工培训，有点迷惑。我本以为错误的减少会很稳定，但它却跳了起来。即使在同一网络结构上反复训练，也会得到相差3-5%的结果，这也会干扰到结构的正确选择。应该是这样的。秤的初始化是用小数值的随机数来完成的（取决于初始化的类型）。为了得到可重复的结果，有必要在每次训练运行前将GSF设置为相同的状态。这就是set.seed()的作用。祝好运 Forester 2018.01.25 09:32 #6086 弗拉基米尔-佩雷文科。这是它应该有的样子。权重的初始化是用小的随机数值完成的（取决于初始化的类型）。为了得到可重复的结果，有必要在每次训练运行前将GSF设置为相同的状态。这就是set.seed()的作用。好运。啊，好吧，我是在Darch RBM中进行预训练的，在2个epochs中学习率=0.3。 СанСаныч Фоменко 2018.01.25 09:53 #6087 弗拉基米尔-佩雷文科。最佳DNN超参数的确定在第二种情况下，我使用遗传算法，随机搜索最佳参数的可能性。对于交易来说，模型优化（TS）的想法是非常值得怀疑 的，因为任何优化都要寻找高峰/低谷，而我们不需要它们。理想情况下，我们需要尽可能大的平坦高原。这些高原应该有一个显著的特性：模型参数的变化不应该导致高原的逃避。这是关于优化。事实上，在这里我们还应该加上模型参数的稳定性问题，如果它们发生变化，也是在一个相当窄的（5%）置信区间 内。在我看来，模型参数的稳定性导致的情况是，模型的性能处于某个高原，如果我们在测试模型时突然得到一个非常好的结果，这意味着我们已经达到了最小点，我们已经得到了一个不稳定的条件，在实践中永远不会发生，此外，一个停止点将位于这个最佳点周围。PS。顺便说一下，在测试器中，开发人员提供了这样一个机会，可以通过颜色搜索高原。就我个人而言，我把测试器作为一种修饰工具，采取的参数是指一个周围有相同颜色的方块。这是我对高原概念的明确表达。 Vladimir Perervenko 2018.01.25 09:59 #6088 elibrarius。啊，好吧，我一直在Darch RBM中做2个epochs的预学习，学习率=0.3。 在darch()里面有一个参数seed = NULL，默认情况下，把它设置为某种状态，例如seed = 12345。这是一个小的学习率值。开始时，RBM和NN的学习率=0.7，numEpochs=10。但这是上限数据。你需要为特定的数据集进行优化。祝好运 Forester 2018.01.25 10:05 #6089 弗拉基米尔-佩雷文科。 darch()函数里面默认有一个seed = NULL的参数。 把它设置成某个状态，例如seed = 12345。这是一个小的学习率值。开始时，RBM和NN的学习率=0.7，numEpochs=10。但这是上限数据。你需要为特定的数据集进行优化。祝好运 谢谢你!我将尝试一下。 Vladimir Perervenko 2018.01.25 10:13 #6090 桑桑尼茨-弗门科。对于交易来说，模型优化（TS）的想法似乎非常值得怀疑，因为任何优化都在寻找高峰/低谷，而我们不需要它们。我们需要的，最好是平坦的高原，尽可能大的高原。这些高原应该有一个显著的特性：模型参数的变化不应该导致高原的逃避。这是关于优化。事实上，在这里我们还应该加上模型参数的稳定性问题，如果它们发生变化，也是在一个相当窄的（5%）置信区间 内。在我看来，模型参数的稳定性导致的情况是，模型的性能处于某个高原，如果我们在测试模型时突然得到一个非常好的结果，这意味着我们已经达到了最小点，我们已经得到了一个不稳定的条件，在实践中永远不会发生，此外，一个停止点将位于这个最佳点周围。PS。顺便说一下，在测试器中，开发人员提供了这样一个机会，可以通过颜色搜索高原。就我个人而言，我把测试器作为一种修饰工具，采取的参数是指一个周围有相同颜色的方块。这是我对 "高原 "概念的明确表达。1.你说的是什么优化？哪个高原？哪种模式？如果你说的是神经网络，在使用前不对DNN进行训练（优化参数）是很奇怪的。2.什么模型参数（？）应该是稳定的？我不明白你的想法。我说的是优化DNN的超参数，这应该是一定要做的，而不是在测试器中。 1...602603604605606607608609610611612613614615616...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
如果你的网络对gpsh值有这样的反应，就把它扔进垃圾桶吧。 一个正常的网络可以在任何初始值下工作和学习，甚至在零的时候也可以。
通常，神经网络的超参数包括隐藏层的数量、每个隐藏层的神经元数量、应用的激活、初始化和正则化函数，以及训练水平。超参数优化的结构如下图所示。
图1.神经网络中超参数的结构及优化方法
有三种方式来优化超参数。
在第一种情况下，对于每个超参数，我们定义一个有几个固定值的向量。然后，使用caret::train()或我们自己的脚本，我们在所有的超参数值组合上训练模型。之后，具有最佳分类质量指标的模型被选中，其参数将被接受为最优。这种方法的缺点是，通过设置数值的网格，我们很可能会错过最佳状态。
第二种方法是利用遗传算法随机搜索最佳参数的可能性。我们已经在本文 中详细讨论了几种遗传优化算法。因此，我们将不重复这些内容。
在第三种情况下，使用了贝叶斯方法（高斯过程和IMS），我们将在本文中测试。我们将使用rBayesianOptimization 软件包（1.1.0版）。关于所用方法的理论，见Jasper Snoek, Hugo Larochelle, Ryan P. Adams (2012) Practical Bayesian Optimization of Machine Learning Algorithms。
一般来说，神经网络中的超参数可以分为两组：全局和局部（节点）。全局的包括隐藏层的数量，每层的神经元数量，训练和扭矩的水平，神经元的初始化权重。局部的包括层类型、激活函数、辍学/辍学和其他正则化参数。
一般来说，建议再次对同一数据进行大量的训练。
我在这里做了几次人工培训，有点迷惑。我期望错误减少是稳定的，但它却跳了起来。
即使在同一网络结构上反复训练，也会得到相差3-5%的结果，这也会干扰到结构的正确选择。
你能推荐任何其他可以培训我的交易员吗？我的一个朋友向我推荐了培训（来自Polikarp Brekhunov--由Artyom Trishkin改变），谁知道呢，也许还有其他提供培训课程的交易者？
一般来说，建议再次对同一数据进行大量的训练。
我在这里做了几次人工培训，有点迷惑。我本以为错误的减少会很稳定，但它却跳了起来。
即使在同一网络结构上反复训练，也会得到相差3-5%的结果，这也会干扰到结构的正确选择。
应该是这样的。秤的初始化是用小数值的随机数来完成的（取决于初始化的类型）。为了得到可重复的结果，有必要在每次训练运行前将GSF设置为相同的状态。这就是set.seed()的作用。
祝好运
这是它应该有的样子。权重的初始化是用小的随机数值完成的（取决于初始化的类型）。为了得到可重复的结果，有必要在每次训练运行前将GSF设置为相同的状态。这就是set.seed()的作用。
好运。
啊，好吧，我是在Darch RBM中进行预训练的，在2个epochs中学习率=0.3。
在第二种情况下，我使用遗传算法，随机搜索最佳参数的可能性。
对于交易来说，模型优化（TS）的想法是非常值得怀疑 的，因为任何优化都要寻找高峰/低谷，而我们不需要它们。理想情况下，我们需要尽可能大的平坦高原。这些高原应该有一个显著的特性：模型参数的变化不应该导致高原的逃避。
这是关于优化。
事实上，在这里我们还应该加上模型参数的稳定性问题，如果它们发生变化，也是在一个相当窄的（5%）置信区间 内。在我看来，模型参数的稳定性导致的情况是，模型的性能处于某个高原，如果我们在测试模型时突然得到一个非常好的结果，这意味着我们已经达到了最小点，我们已经得到了一个不稳定的条件，在实践中永远不会发生，此外，一个停止点将位于这个最佳点周围。
PS。
顺便说一下，在测试器中，开发人员提供了这样一个机会，可以通过颜色搜索高原。就我个人而言，我把测试器作为一种修饰工具，采取的参数是指一个周围有相同颜色的方块。这是我对高原概念的明确表达。
啊，好吧，我一直在Darch RBM中做2个epochs的预学习，学习率=0.3。
这是一个小的学习率值。开始时，RBM和NN的学习率=0.7，numEpochs=10。但这是上限数据。你需要为特定的数据集进行优化。
祝好运
darch()函数里面默认有一个seed = NULL的参数。 把它设置成某个状态，例如seed = 12345。
这是一个小的学习率值。开始时，RBM和NN的学习率=0.7，numEpochs=10。但这是上限数据。你需要为特定的数据集进行优化。
祝好运
对于交易来说，模型优化（TS）的想法似乎非常值得怀疑，因为任何优化都在寻找高峰/低谷，而我们不需要它们。我们需要的，最好是平坦的高原，尽可能大的高原。这些高原应该有一个显著的特性：模型参数的变化不应该导致高原的逃避。
这是关于优化。
事实上，在这里我们还应该加上模型参数的稳定性问题，如果它们发生变化，也是在一个相当窄的（5%）置信区间 内。在我看来，模型参数的稳定性导致的情况是，模型的性能处于某个高原，如果我们在测试模型时突然得到一个非常好的结果，这意味着我们已经达到了最小点，我们已经得到了一个不稳定的条件，在实践中永远不会发生，此外，一个停止点将位于这个最佳点周围。
PS。
顺便说一下，在测试器中，开发人员提供了这样一个机会，可以通过颜色搜索高原。就我个人而言，我把测试器作为一种修饰工具，采取的参数是指一个周围有相同颜色的方块。这是我对 "高原 "概念的明确表达。
1.你说的是什么优化？哪个高原？哪种模式？如果你说的是神经网络，在使用前不对DNN进行训练（优化参数）是很奇怪的。
2.什么模型参数（？）应该是稳定的？
我不明白你的想法。
我说的是优化DNN的超参数，这应该是一定要做的，而不是在测试器中。