После того, как трейдер определился со стратегией и реализовал ее в советнике, он сталкивается с двумя проблемами, которые, будучи нерешенными, обесценивают эту стратегию. Очевидно, что, в отличие от параметров, которые задаются заранее (рабочая пара, таймфрейм и т.д.), есть и другие, которые будут изменяемыми: период расчета индикаторов...
IMHO，这是当今交易中使用NS的唯一方法。其他的都是浪费时间和精力。考虑到目前所谓的人工智能的水平))
我相信这是唯一的一个，不是到目前为止，而是唯一一个用于MO和NS的合理复杂的配置。首先，我们限制NS和MoD的适用领域，然后我们应用NS和MoD。
而解决像 "一般情况下，所有和一次 "的问题是为人工智能服务的）。
事实证明，NS是一种做出进入交易决策的过滤器，是对可能结果的初步测试？
可以说是一个操作测试员？
相反，NS是一种可教的决策逻辑。它最初是作为标准策略中的一个替代物而设计的，而不是为了麻烦地写它。
我有一个关于目标变量的问题。
如果我们的目标变量是交易的财务结果，那么正如我所想的那样，将这个结果正常化是合理的。但在这里我在网站上寻找信息，到处都说目标变量应该有两个值--买入或卖出。如果我在任何情况下都会有损失--买入或卖出（而且会发生！），那么我为什么要削减所有的负面变量？而如果是负面变体的存在影响了统计数据？
一般来说，我想知道在有触发器的极端情况下--买入/卖出/什么都不做，以及在有函数的最佳情况下（早先我在这里要求有函数，因为我在寻找理论上的解决方案，现在我做了一个总结预测器的脚本），哪些网络可以工作（以及在哪里可以得到它们？
在附录中，有一组没有转换的预测器和目标--序列号后的前两列（顺便说一下，序列是否重要，如果是的话，从旧到新还是像现在这样--新的在上面，旧的在下面，是什么呢）。
这可以教吗（靠什么），还是有其他需要做的事情？
建议--从头开始阅读整个主题，因为你的问题已经重复了很多次，没有必要再重复同样的事情。
MoD是一种系统的方法，你需要知道很多东西，一步一步地学习所有的东西。
地方上的洪水猛兽使它在结尾处难以阅读，但开头和中间部分还不错 :)
我还没有确定任何特定的修改（我已经有25个了），继续测试......决定实现大量的交易和类似于奥斯的曲线，至少是来自托盘尼的第三部分。但我总是想在接近当前日期时进行训练。
人们注意到，在AOS中，使用特殊特征和单独设置训练的模型集合更加稳定（这个TS中有10个模型）。
在简介中监测测试演示（因为我没有在某个特定的版本上停留，而是不断地改进，所以演示上的版本可能会定期改变。）
很好，我们走吧!
Alglib有kfold，有人想出如何使用它吗？ 几乎是零文档 :)
去年夏天测试了它，就像所有其他的NS亚种一样。它很有效，和其他方法一样，没有特别的印象。只有一件事与alglib-e中的所有NS有关，它们比R慢几十倍。嗯，是的，在这里，他们对相同的数据进行了10次再训练，但在不同的区块中--即仍然慢10倍）））。
在R kfold中，它是否有改进？我的批次通常有1000个例子，所以不会花那么长时间。
如果你做了 - 是否有任何代码来保存mlp结构到一个文件？
在R kfold中，它是否有改进？我的批次通常有1000个例子，所以不会花那么长时间。
如果你做了，是否有任何代码可以将米尔普结构保存到文件中？
我还没有在R中试过。操盘手医生似乎说，它可以改善。
在alglib中保存？有用于NS、合奏、支架、回归的Serialize fi ries--每一个都有自己的，并从它们中恢复。
也有只为NS与从NS本身拉动系数https://www.mql5.com/ru/articles/2279，我开始用它（作为一个工作例子），然后改用序列化。
还有一件事，如果我已经做了归一化和去除预测因子--所有这些都应该被记住，然后应用于新的数据（感谢Vladimir先生的提示），上面的文章没有这样做。
以R Darch为例，当通过网络本身进行归一化（center,scale）时，它将自己记住这一点，并在未来的数据上尝试。其他的R包也肯定记得一切。
建议--从头开始阅读整个主题，因为你的问题已经重复了很多次，没有必要再重复同样的事情。
MoD是一种系统性的方法，你需要知道很多东西，一步一步地学习一切。
地方上的洪水猛兽会使它在结尾处难以阅读，但开头和中间的部分是可以的 :)
我已经详细关注这个话题6个月了--我不记得类似的问题，我觉得对自己有用并写在笔记本上的聪明帖子--只有3个。
也许主题中还有其他东西，但鉴于争吵的数量--不愉快的阅读......
因此，我把这个线程作为一个地方，他们可以在NS的问题上给初学者答案，好吧，如果人们对不起5分钟，会回答问题或给一个链接的答案（和我正在寻找的答案，没有找到），那么太糟糕了。
该应用程序有一组没有转换的预测器和目标--序列号后的前两列（顺便问一下，序列是否重要，如果是，从旧到新或像现在这样是什么--新在顶部，旧在底部）。
这可以教吗（靠什么），还是有其他需要做的事情？
有针对性的--你有回归，而不是分类。我现在已经放弃了回归。我认为按目标数量训练2个神经元会更好，但我自己没有做足够的回归实验--自己实验吧。
列的顺序并不重要，主要的是告诉NS这些是目标。行的顺序可能是最好的，在最后有最新鲜的数据（但不一定），许多软件包默认洗所有的行，以获得均匀的 训练。否则，NS可能会在中间某个地方停滞不前（局部最小值），无法获得新鲜数据。新鲜的数据（最后的10-20%）可以被输入2-3次，以使网络更好地学习最新的市场趋势--这也是一个没有被我在实践中检验的观点。
看看这个话题发起人的博客--他在那里教人回归，有很多好的想法。但最后他写道，他在代码中发现了一些错误，使所有结果都无效。
所以我没有清晰明确的答案，这就是为什么大家都保持沉默)。