神经网络的顾问，分享经验。 - 页 8

[TheXpert]

Sergey Chalyshev:
那就给我看看，非常有意思。最好是有细节，神经元的数量，输入的数量，训练的例子的数量，等等。

以前有一个分支机构

[Maxim Dmitrievsky]

Evgeniy Sergeev:

那么就会很混乱。

你是否尝试过从不同的方向来解决问题--不是预测下一个栏，而是计算网络错误的数量？也就是说，该网格在最近的历史中发现了一些规律性（趋势），并检查这种规律性是否仍然存在于当前的条形图上。如果规律性的东西不再起作用（网开始犯太多的错误），那么趋势肯定已经改变。因此，我们可以寻找一个进入市场 的点。

所以，为了寻找错误，我们还是应该先教一些东西。因此，我不需要等待很长时间来重新训练（没有开放的Cl需要很长时间），我采取小样本，经常重新训练。

[Alexey Burnakov]

Evgeniy Sergeev:

那么就会很混乱。

混乱的是所有的预测。确定性混沌在小范围内可以得到很好的预测。

[Vladimir Tkach]

Sergey Chalyshev:
那就给我看看，这很有意思。最好是有细节，神经元的数量，输入的数量，训练的例子的数量，等等。

我将为联合企业回答。

下面是曲线。神经元的数量 - 任何。输入的数量 - 任何。任何数量的训练实例。还有其他一切--任何数量。

[Vladimir Karputov]

Vladimir Tkach:

我将为联合企业回答。

下面是曲线。神经元的数量 - 任何。输入的数量 - 任何。任何数量的训练实例。还有其他一切--任何数量。

插入图片的秘密：论坛：如何插入图片

[Maxim Dmitrievsky]

Sergey Chalyshev:
只有傻瓜才会这样。谁能展示一下你的神经网络在训练期间的表现？

捆绑在一起的2个NS学习同样的东西，但在不同的tf上。12个输入，隐藏层有10个神经元，每个神经元有1个输出。它只在50条历史记录上进行学习，在测试过程中不进行再训练。但我只是在学习，这是一个中级变体。在样本外测试，在训练样本外测试。

[Aleksey Vyazmikin]

Maxim Dmitrievsky:

捆绑在一起的2个NS学习同样的东西，但在不同的tf上。12个输入，隐藏层有10个神经元，每个神经元有1个输出。它只在50条历史记录上进行学习，在测试过程中不进行再训练。但我只是在学习，这是一个中级变体。测试样本外，在训练样本之外。

为什么会有不同的体积？

[Maxim Dmitrievsky]

-Aleks-:
为什么会有不同的体积？

底吗，不是数量，而是自由利润率的水平。

[Aleksey Vyazmikin]

Maxim Dmitrievsky:
底吗，不是数量，是自由利润率的水平。

哦，我明白了，对不起，我以为是MT4。

[Andrey Emelyanov]

Maxim Dmitrievsky:

论坛上几乎没有关于现成解决方案的信息，以及神经网络在市场上交易的有效性。我建议在这里讨论和分享经验。如果已经有一个讨论的主题，请链接到它。

我正在使用这里的 类，简单的多层Perspectron。我希望班级算得准，我是靠作者的经验来算的。开始做实验了，很有意思:)

目前，我在输入端有11个感应器，输出端是一个向未来转移1个条形的人字形。

这些是我8个月来的网格结果。我正在训练1000条，10000个epochs，一个隐藏层中有70个神经元。信号被反转，纯粹由神经网络完成，没有额外的过滤器。15分钟tf。

我早在2013年就试图实现类似的算法...但我用了7个指标，Zigzag被用来形成一个用于训练NS的矢量。但本质是一样的--我在寻找反转的位置......。当我开始使用Zigzag时，我在指标数据和交易信号方面毫无收获。直到我无意中发现了一些模式。这从根本上改变了我的TS。现在我的算法就简单多了。

1.在过去的一年里，在分钟和小时的时间框架内计算模式。

2.制作一个转折点的字典（对 "分钟模式-小时模式"）。

3.使用临界点词典教授NS（关于150-160对）。

以下是我的方法的结果。

对我的方法的缺点。

1) TS的高风险 - 由于不可能确定突破价格的确切值，TS放置9个带手数的挂单。1, 1, 3, 6, 14, 31, 70, 158, 355;

2) 难以实现退出算法（拖网TS）。

因此，NS可以用于交易，唯一的问题是如何教导NS...

P/s: 我指的是A. Merrill的图案（M & W）。