slava1: 在一个1x5x1的网络中，我相信你永远不会有任何结果。该网络必须至少有两个隐藏层。对于神经网络的输入，我将读数规范化为20个指标。所以我尝试了不同的拓扑结构。我在20х140х140х4处停了下来，这个网络可能很麻烦，但能产生很好的解释信号。当然，它可以扩大规模。在未来，我计划使用遗传算法来选择拓扑结构。网络创建和训练的整个过程使用JAVANNS进行，训练后的网络被转化为C代码，该代码被用于创建一个可以在MetaTrader中使用的dll接收器函数。这是一个非常粗略的过程描述。这就是为什么我已经做了一年了。这是一个非常大的工程量。我认为使用NeuroShell Day Trader等工具是愚蠢的，如果你能创建自己的网络并按自己的方式来做。但这不是我想谈的。我对创建训练样本的问题的方法感兴趣。
我知道喂养什么已经有很长一段时间了。我想讨论一下，可以说是可能的模式。通过共同努力，通常会有更好的结果。我自己已经在机器人上工作了一年了。有结果，但不是很稳定。
嗯，一年是不够的 :)
好吧，让我们来试试，但这将是一个单向的游戏，不是你的。
阿塔奇是由x = 4 * (x-1) * (1 - (x-1))形成的伪随机数列，x0=0.2
它是否让你想起了什么？初步估计，这个系列类似于市场上的数据流。
预测t+1值。网络结构，MLP 1-5-1，输入和输出神经元的额外突触耦合。
二次方误差（10e-3），达到60-70t epochs左右，训练样本为1000个元素。学习是通过反梯度法完成的。
通过对不同架构的建模，很容易证明我们有与拓扑结构无关的序列，误差不会减少。
受到网络复杂性的显著影响，包括额外的层数。让我们使用人工实例或加热的方法，结果 - 学习的速度增加了2.5倍，即达到了可接受的误差。
在30-40t.纪元的区域内。
这里是第一个例子，你可以旋转它来看看结果......
我很早就知道要申请什么了。我想讨论一下可能的模式，可以这么说。如果我们一起工作，通常效果会更好。我自己已经在机器人上工作了一年了。有结果，但不是很稳定。
而关于模型，正如我已经说过的，请看Reshetov对实现的描述。是的，不要寻找圣杯，它并不存在；)
我已经知道很长时间了，什么东西要喂给哪里。我想讨论一下可能的模式，可以这么说。通常情况下，如果我们一起工作，效果会更好。我自己已经在机器人上工作了一年了。有结果，但不是很稳定。
我只能说一件事：再次仔细阅读理论（科学理论，而不是流行的文献），也许你会发现你错过的或没有考虑到的东西。如果你认为在使用NeuroShell Day Trader等程序时不需要了解理论，那么只有一件事可以做--不要管神经网络。
我现在要告辞了。
在一个1x5x1的网络中，我相信你永远不会有任何结果。该网络必须至少有两个隐藏层。对于神经网络的输入，我将读数规范化为20个指标。所以我尝试了不同的拓扑结构。我在20х140х140х4处停了下来，这个网络可能很麻烦，但能产生很好的解释信号。当然，它可以扩大规模。在未来，我计划使用遗传算法来选择拓扑结构。网络创建和训练的整个过程使用JAVANNS进行，训练后的网络被转化为C代码，该代码被用于创建一个可以在MetaTrader中使用的dll接收器函数。这是一个非常粗略的过程描述。这就是为什么我已经做了一年了。这是一个非常大的工程量。我认为使用NeuroShell Day Trader等工具是愚蠢的，如果你能创建自己的网络并按自己的方式来做。但这不是我想谈的。我对创建训练样本的问题的方法感兴趣。
训练样本是你送入输入的东西。在这种情况下，你要喂养20个指标。指标是什么，是对一个初始时间序列 的处理，一个价格序列{H,L,O,C}。如果你从数学的角度考虑TA中使用的指标，你可以区分一组或另一组数学方法--比如说MA是最简单的频率滤波器等等，但谁说用经典TA方法准备的数据对神经网络来说是最好的？我甚至会说，恰恰相反，实际上是不合适的。我并没有白白举出为推断伪随机f-zi而建立的浅层网络的例子。
如果你多调查一下，你会发现一些非常有趣的特性，这将使你对训练样本的准备有一些不同的看法。一个报价流也可以被认为是一个伪随机的f-ci，有一个复杂的规律。神经网络是一种数学方法，但该技术更像是一种艺术。
是的，顺便说一句，如果你认为网络规模会影响解决问题的能力，你就错了。
同样，你所说的艺术也许是可以预测的。这就是我所说的。输入神经元的数量起着巨大的作用。输入越多，正确预测的概率就越大。这很明显。
我不同意。我给你举的例子，一个1-5-1网络，可以让你以很高的精度预测一个伪随机序列。
我建议你重新读一下这个理论，因为我的印象是你不太理解这个机制。
告诉我，你认为神经网络 是什么？
好吧，我们可以为这个问题争论很久，谁理解什么，或者不理解。讨论的内容是数据准备。我明白，这里没有人愿意讨论这个问题。遗憾的是
亲爱的先生，有可能讨论一下。但是，如果我提到TA中的指标是什么以及它们如何适合NS的数据预处理这个主题，你不想讨论，或者说我认为你错过了这个话题，那还有什么可讨论的呢 :)
如果你想看关于如何为NS训练准备数据的讲座，我想你不应该在这个论坛上做，只有少数人会对这里感兴趣。