神经网络的顾问，分享经验。 - 页 3

新评论
 
Maxim Dmitrievsky:

没有人让我这么做，我只是觉得这很有趣）。

没有人争辩说这是有趣的!

但你不能在学习专业方面跳几步--这不会有任何好处......

神经网络本身不会给出 "正确的输出"--它不是一根魔杖。 你需要正确的交易策略理念，即使没有神经网络也会给出一个体面的结果...

 
Serqey Nikitin:

没有人争辩说它是有趣的!

但是，你不能在教学中跳过几个步骤，这不会有任何好处......。

神经网络本身不会给你 "正确的输出"--它不是一根魔杖。 你需要正确的交易策略理念，即使没有神经网络，它也会给出一个体面的结果...

我不是在争论这个想法，当然它是必要的。但神经网络也将有助于快速测试一个想法，或至少找到前进的方法。例如，我已经看到，11个标准振荡器的输入，都显示+-同样的东西，却什么也没有得到。完全相同的方式，它可以用一个入口进行交易。

你说的很对，跳槽根本不是我的专长，我甚至不是一个数学家或程序员。幸运的是，只要形象地理解什么是神经网络以及它的作用就足够了，因为现成的解决方案，如这一类，已经有了。然后你就做实验，用你对市场的理解来测试一些想法。

 
Алексей:

我现在就去找我的神经网络主题....这是在四，而且是很久以前。

http://forum.mql4.com/ru/38550

输入的是有一些滞后的价格差（订单是几小时的样子）。输出的是未来几个小时的二进制正负预测。

所有的网都是通过架构蛮力获得的。

主要的问题是胶合多个前向测试。这应该是一个很好的自动化方式。

从这一切我了解到，最重要的是正确的输入，我们应该思考一下......用神经网络寻找某种隐藏的依赖性是相当困难的，你需要最初对某种依赖性有一个概念，然后用网格来处理它。
 
Maxim Dmitrievsky:
从这一切我明白了，最重要的是正确的投入，我应该考虑一下......。用神经网络寻找某种隐藏的依赖关系是相当困难的，你最初需要对某种依赖关系有一个概念，然后用网格来处理它。

关于投入，是的。但问题是，你不可能真的一目了然地做出一套 "好 "的输入。如何找到他们？我们应该做大量的输入，然后做一个选择信息量大的输入向量的程序。而且我们应该对网络进行培训。而如果你找到了有信息量的输入（90%的情况），那么网络就完全不需要了，因为模型可以基于某种规则形成的算法，而不是基于一个黑盒子。

关于依赖性。网友们不会对依赖性的形式有任何了解。它本来就不是为了这个目的。而我们再一次回到之前的观点：有必要找到信息量大的特征，并利用它们来建立统计学上的相关规则。

如果你想破译，我可以告诉你更多）。我现在正在值班，不能花太多时间解释，但好在今天是星期五。))

 
Алексей:

关于投入，是的。但问题是，你不可能真的一目了然地做出一套 "好 "的输入。如何找到他们？我们应该做大量的输入，然后做一个选择信息量大的输入向量的程序。而且我们应该对网络进行培训。而如果你找到了有信息量的输入（90%的情况），那么网络就完全不需要了，因为模型可以基于某种规则形成的算法，而不是基于一个黑盒子。

关于依赖性。网友们不会对依赖性的形式有任何了解。它本来就不是为了这个目的。而我们再一次回到之前的观点：有必要找到信息量大的特征，并利用它们来建立统计学上的相关规则。

如果你想破译，我可以告诉你更多）。我现在正在值班，不能花太多时间解释，但好在今天是星期五。))

实际上我的想法是：在不同的时间段训练网络，然后用大信号过滤小信号，即在考虑到网络会产生一定比例的错误条目的情况下，获得统计学上的优势，比如，50到50。神经网络本身意味着处理大量的数据，这是他们的优势，所以你可以不从任何特定的定性模式，而是在盘子上涂抹大量的信号。而里面发生了什么并不重要，重要的是，神经网络会试图将其全部排序。但如果没有OpenCl，你将无法做到这一点，这将花费太多时间。也许，我们需要第三代网络，如文章 中所述。

然而，当然，你的评论很有意思。我将尝试修补之前建议的指标。与 "之 "字形（2个输出）配对，它给出了一些难以理解的东西。我将减少输入的数量，只把它留在输出上。

 
Maxim Dmitrievsky:
我还没有听说过有人在muwings上赚到稳定的钱）。
"这些天来，你确实很难在木屋 上赚到钱。但是，作为一个信号滤波器，穆瓦因是相当合适的。
 
Serqey Nikitin:

你知道所有的模式相对于线性指标 都是滞后的，在这种情况下，神经网络是没有用的。

嗯...在我看来，模式是最快的输入。任何震荡器都比较慢。而对于慕名而来的人来说，更是如此。
 
Maxim Dmitrievsky:

总的来说，我从一开始就有这样的想法：在不同的TF上训练网络，然后用大的TF过滤小的信号，也就是说，考虑到网络会产生一定比例的错误输入，比如说，50到50，在这方面获得统计优势。神经网络本身意味着要处理大量的数据，这是它们的优势，所以你可以不从任何特定的定性模式出发，而是将大量的信号涂抹到整个板块中。而里面发生了什么并不重要，重要的是，神经网络将试图将其全部排序。但如果没有OpenCl，我们将无法做到这一点，这将需要太长时间。也许，我们需要第三代网络，如文章 中所述。

然而，当然，你的评论很有意思。我将尝试修补之前建议的指标。与 "之 "字形（2个输出）配对，它给出了一些难以理解的东西。我将减少输入的数量，只把它留在输出上。

阅读有关选择信息性属性或特征的文章。向网络提供晦涩难懂的信息并不是最好的方法。

下面是一个例子。

在工作中，我开发了一个每个输入有10个离散变量的二进制分类器模型。我以一种巧妙的方式从76个特征中选择了它们。预测是所谓的多数主义--如果 "一 "的部分被强烈地抵消了，那么就是 "一"。结果发现，分类器的质量并不比使用我所有的76个变量的特征向量的150棵树的随机森林差!此外，简单模型构建了人类可读的规则，而森林则是一个黑暗的盒子。

顺便说一下，一个普通的多层感知器可以通过分析训练好的网络上的权重来选择特征。你可能知道，网络在相关的输入上，在相互矛盾的输入-输出对上，学习效果更差。因此，要筛选出不好的输入，你需要对它们进行筛选。

 
Алексей:
阅读选择信息性的标志或特征。给网络提供大量的未知数并不是一个好办法。

这里有一个例子。

我在工作中开发了一个二进制分类器模型，有10个离散变量作为输入。我以一种巧妙的方式从76个特征中选择了它们。预测是所谓的多数主义--如果 "一 "的部分被强烈地抵消了，那么就是 "一"。结果发现，分类器的质量并不比使用我所有的76个变量的特征向量的150棵树的随机森林差!此外，简单模型构建了人类可读的规则，而森林则是一个黑暗的盒子。

顺便说一下，一个普通的多层感知器可以通过分析训练好的网络上的权重来选择特征。你可能知道，网络在相关的输入上，在相互矛盾的输入-输出对上，学习效果更差。因此，为了剔除不好的输入，你必须对它们进行筛选。

是的，这似乎被称为维度的诅咒 :)事实上，在我的案例中，在输入端有一堆相同的振荡器，所有这些都需要去掉，留下一个。

另一个问题--当对输入的数据进行归一化时，是在一个周期内同时对所有向量进行归一化，考虑整个集合的最大和最小值，还是对每个输入单独进行归一化，考虑每个特定向量的最大和最小值？

 
Serqey Nikitin:

没有人争辩说它是有趣的!

但你不能在学习特长时跳过几个步骤--这不会有任何好处......

神经网络本身不会给出 "正确的输出"--它不是一个魔杖。

你需要一个正确的交易策略理念，即使没有神经网络，也会有一个体面的结果。

它将。一个神奇的。你必须知道如何准备你的输入数据。

那么你就不需要神经网络了。
12345678910
新评论