在MTS使用人工智能 - 页 18

新评论
 
rip:
njel。
女士们，先生们，有什么可以作为投入的呢？一根蜡烛？
尊敬的作者...
请在论坛上制定一个网络训练规则。

--
撕裂
只是网络拓扑结构从代码中或多或少有些清楚。至少，作者以这样的方式设置了这些功能和评论，使人们能够大致了解它们。

我在代码中进一步搜索，发现我的图表将不包含足够的条形。我把它们增加到了16000。我运行了它，获得了整个时期的6笔交易，交易量不是很大，但最终结果有9%的损失。寥寥无几的交易--小幅流失。

总而言之，很明显，根本没有什么是清楚的，但毕竟如何使用这个专家顾问？应该有一些建议，对吗？也许我做错了什么？

继续挖掘代码并试图自己分析它是没有意义的。声称专家顾问要么亏损，要么在6个交易中盈利是没有用的。这只是在浪费时间。
 

显然，需要做一点澄清

专家顾问是一种消耗，或者至少是不赚钱的。它是为那些想玩神经网络但又不想从头开始写一切的人发布的。
网络配置是相当普遍的写法。实际上，只有两个限制--最少两层和一个输出神经元。

现在，至于为什么专家顾问不能像现在这样工作。
它不能这样做，因为通过以前的m个ticks来预测n个ticks的任务显然是无法解决的。网格不能为良好的预测找到依赖关系。如果我们试图对指标进行分类，也会失败，但网格无法将输入的数据分成类别。
这意味着有必要以一种更有创意的方式来处理网格的数据。这就是我打算做的事。

这些是我的结论。经过对我的专家顾问的理解和分析，那些有兴趣的人要么达到相同的，要么，也许会有一些新的想法。

事实上，专家顾问可以被认为是一个与神经网络打交道的图书馆，给自己一个理解它们并使用它们的劳动。

如果有人在我之前的信息之后产生了这个EA可以玩的想法，要么你没有仔细阅读，要么我没有把自己说得足够清楚。
我转述了Figar0 的话："根本不赚钱，但信息量很大。

现在是一些个人的答案。

Reshetov 而一般来说，应该如何正确使用，是否值得使用？因为理解别人的代码是一项繁琐而无益的工作。而且，如果你知道算法，从头开始写自己的程序比理解别人的
，要容易得多。
如果你是指贸易，你可能不应该使用它。至少我不会。它只有作为代码才有价值。
实际上，我部分同意，你可以在知道算法的情况下从头开始写自己的程序。我不太确定是否简单。
但欢迎你写算法。你可以很容易地在互联网上找到关于神经网络、训练原理和其他方面的书籍。当我在写这个专家顾问时，我的收藏很容易就达到了二十几本书籍和文章。


Mathemat 我不认为这个代码与Reshetov的专家顾问有任何共同之处 ...

它们的共同点是，它们都有以指标为输入的神经网络:)不同的是，我的神经元不是一个而是很多，分别是我自己写的训练算法。


请在论坛上为网络制定一个学习规则。
。
如果是为了我，请详细说明。我不太明白你对什么感兴趣。





 
maveric писал (а):


请在论坛上制定一个网络训练规则。
。
如果是为了我，请详细说明。我不太明白你对什么感兴趣。


你对神经网络很熟悉，为什么不写一篇关于这个问题的文章，特别是关注多层网络的学习算法。这将是很多人感兴趣的。这里的文章是有偿的，你的工作不会被浪费。
 
Integer писал (а):
maveric 写道（a）。


请在论坛上制定一个网络训练规则。
。
如果是为了我，请详细说明。我不太明白你对什么感兴趣。


你对神经网络有很好的理解，为什么不写一篇关于这个问题的文章，特别是关注多层网络的学习算法。这将是很多人感兴趣的。这里的文章是有偿的，你的工作不会被浪费。
在我看来，这并不是一个好主意 :)
我从严肃的人写的书和文章中了解了神经网络，这些书和文章没有分类，但在互联网上很容易找到。
我担心结果会像轶事中莫伊莎给亚伯兰唱披头士的时候那样:)
 

请在论坛上制定一个网络训练规则。
。
如果是为了我，请详细说明。我不太明白你对什么感兴趣。

你回答了我的问题;)在这种情况下，你已经开发了一个网络，可以提前n步逼近时间序列。你把收盘值和/或指标值作为输入。好吧，那么另一个问题。关于分类--你说我们应该尝试对指标进行分类，我可以详细说明一下这个想法吗？是的，我还有一句话。 实践表明，在训练网络（与教师一起训练）时，可以获得最好的结果，其训练样本具有正常分布。我做过几次由报价形成的时间序列的研究，很久以前......它的分布与正态分布毫无关系。也许我们应该分析训练样本的构造，并将其还原为具有正态分布的样本。 在这种情况下，MSE会下降得更快，你会看到测试样本的结果更好。
 
maveric:


现在，至于为什么专家顾问不能像现在这样工作。
它不起作用，因为根据以前的m个ticks预测n个ticks的任务显然是无法解决的。网格不能为良好的预测找到依赖关系。如果我们试图对指标进行分类，也会失败，但网格无法将输入的数据分成类别。
这意味着有必要以一种更有创意的方式来处理网格的数据。这就是我接下来要做的事情。


也许我们可以开一个新的主题，在那里我们可以讨论样品的形成和前/后处理？我想一些游客会对它感兴趣。
 
rip:

请在论坛上制定一个网络训练规则。
。
如果是为了我，请详细说明。我不太明白你对什么感兴趣。

你回答了我的问题;)在这种情况下，你已经开发了一个网络，可以提前n步逼近时间序列。你把收盘值和/或指标值作为输入。好吧，那么另一个问题。关于分类--你说我们应该尝试对指标进行分类，我可以详细说明一下这个想法吗？是的，我还有一句话。 实践表明，在训练网络（与教师一起训练）时，可以获得最好的结果，其训练样本具有正常分布。我做过几次由报价形成的时间序列的研究，很久以前......它的分布与正态分布毫无关系。也许我们应该分析训练样本的构造，并将其还原为具有正态分布的样本。 在这种情况下，MSE会下降得更快，你会看到测试样本的结果更好。

不仅是正态分布。至少，样本集也应该是一致的。
一般来说，它是以下方式。
我们发现第一个趋势的开始（"向上向下平坦"），在这个开始之前的一些条数将是一个网格条目，它之后的整个趋势将以1 0 0 200 6的形式滚动，前三个数字是趋势标识符，后两个是一般价格变化和趋势的长度（条数）。 下一个例子的形成不早于这个趋势的结束。
不可能预测趋势的长度，而只能预测其间的绝对价格变化。
这将使各套例子（更加）一致。
我们将得到三类趋势的N1 N2 N3的例子。
比如说
上 ( 1 0 0 ) - 100
flat( 0 1 0 ) - 200
Down( 0 0 1 ) - 250

如何做一个正态分布。
1.如果最低数量的例子（100个）适合我们，我们可以愚蠢地削减其余部分
2.那些数量较少的例子应更多地被提供，以平衡它们。
3.在这些例子中加上那些数量少的，给它们一点噪音。
4.下跌的例子比上涨的多，后者可以增加美元EUR的反向报价的例子，而不是EURUSD的例子

现在，我将按照凉爽程度的降序来分析这些例子:)
4.理想 没有左边的数字，一切都是市场的血肉。但写起来很繁琐，我将不得不自己重新计算很多指数+自己计算它们。
3.这就有点糟糕了，因为我们至少以我们添加的那个噪音的形式给了网格一些轻松的感觉。
2.如果我们向网格展示了很多次同样的东西，它就会简单地记住它，而不会归纳。
1.虽然对于训练来说，要花很长的时间（以确保在抛弃剩余的足够多的例子后）--那么这个方法需要所有三个有力地击败所有其他三个 对于所有参数:)


因此，情况是这样的。顺便说一下，我的专家顾问是项目1和2的混合体。
 
maveric:

不仅是正常的。至少，例子集也应该是一致的。一般来说，它看起来像这样。我们找到第一个趋势的开始（"向上向下平坦"），在这个开始之前的一些条数将是一个网格条目，它之后的整个趋势将以1 0 0 200 6的形式滚动，前三个数字是趋势标识符，后两个是一般的价格变化和趋势的长度（以条为单位）。下一个例子的形成不早于这个趋势的结束。 不可能预测趋势的长度，而只能预测其间的绝对价格变化。 这将使各套例子（更加）一致。 我们将得到N1 N2 N3三种类型趋势的例子。例如 UP( 1 0 0 0 ) - 100 flat( 0 1 0 ) - 200 down( 0 0 1 ) - 250









正态分布是一个随机变量的概率分布。一个数据集不可能是矛盾的或不矛盾的--它是描述一个物理过程的F函数的值，它仅仅是这样。只有我们对其价值的解释可能是矛盾的。

你知道，我无法理解一件事，你想让一个神经网络做什么？近似于一个系列或得到一个市场情况的分类？在我看来，它们是根本不同的任务，所以输入和输出数据的准备方式应该完全不同。

让我们稍微定义一下这些术语：
1.系列的逼近是构建一个多维映射F：x->y，它概括了一个给定的例子集{xt, yt}。在这种映射的基础上，根据系列条款中的某种潜在依赖性，实现对未来的H步看法。也就是说，它可能是泛化的--我们正试图对行成员本身的价值以及描述行的一些数值集进行操作--它们是局部极值等。(我们为某个区间定义一个价格走廊，例如)
2.分类--即形成一个市场形象--比如说，一个上升的趋势。有必要认识这个形象。

你对此有何看法？从你的代码来看--你正试图预测市场的进入和退出点。坦率地说，我深深怀疑
，这样的任务是否正确。

我很感激--如果你能证明我是错的。

--
撕毁
 
rip:
马弗里克。

不仅是正常的。至少例子集也应该是一致的。
一般来说，它是这样的。
我们发现第一个趋势的开始（"向上向下平坦"），在这个开始之前的一些条数将是一个网格条目，它之后的整个趋势将以1 0 0 200 6的形式滚动，前三个数字是趋势标识符，后两个是一般价格变化和趋势的长度（条数）。 下一个例子的形成不早于这个趋势的结束。
不可能预测趋势的长度，而只能预测其间的绝对价格变化。
这将使各套例子（更加）一致。
我们将得到三类趋势的N1 N2 N3的例子。
比如说
上 ( 1 0 0 ) - 100
flat( 0 1 0 ) - 200
Down( 0 0 1 ) - 250
正态分布是一个随机变量的概率分布。一个数据集不可能是矛盾的或不矛盾的--它是描述一个物理过程的F函数的值，它仅仅是这样。只有我们对其价值的解释可能是矛盾的。

你知道，我无法理解一件事，你想让一个神经网络做什么？近似于一个系列或得到一个市场情况的分类？在我看来，它们是根本不同的任务，所以输入和输出数据的准备方式应该完全不同。

让我们来定义这些术语。
1.系列的逼近是一个多维映射F：x->y的构造，它概括了一个给定的例子集{xt, yt}。 在这个映射的基础上，我们可以在H步骤中根据系列条款的某些隐藏依赖性来想象未来。也就是说，它可能是泛化的--我们正试图对行成员本身的价值以及描述行的一些数值集进行操作--它们是局部极值等。(我们为某一区间定义一个价格走廊，比如说）。
2.分类--即形成一个市场形象--比如说，一个上升的趋势。这个形象需要被认可。

你对此有何看法？从我对你的代码的理解来看--你是想预测市场的进入和退出点。坦率地说，我对 "中国 "的有效性持怀疑态度。
的任务。

我很感激--如果你能证明相反的情况。

--
撕裂


对于分类问题，重要的是我们对数据的解释。粗略地说，在一个字母识别任务中，在一组字母A的例子中，你不应该找到字母X和U，等等。）

我想两者都做。也许是两个网格，也许是一个，因为事实证明。 网格的第一步是对当前情况进行分类。如果它给出了一个足够明确的趋势开始的信号，那么第二步就是试图展望未来，以估计在这个趋势上能赚多少钱。

我假设金融系列的近似度比分类更差。

 
maveric писал (а):

我的假设是，金融系列比分类更适合于近似法。

价格序列，像任何其他连续序列一样，可以毫无问题地进行近似。只是不要把内插法和外推法混淆起来。多层神经元的插值可以像两根手指在沥青上一样完成。用神经网络 对非周期性序列进行推断是浪费时间。
1...111213141516171819202122232425...28
新评论