文章：用神经网络进行价格预测 - 页 9

新评论
 
PraVedNiK.或者，也许现在是时候从单一神经元转向正常神经元了。这有点不同，一般来说一切都不同。
 
维宁，你曾经写道，你曾与NS打过交道，甚至在冠军赛中，你的EA是NS的一个实现。换句话说，与我相比，你是一个专家。请告诉我应该读什么书来理解这个巨大的主题。我们的目标不仅是了解网络运行和设计的原理，而且要深入了解它，以便用MQL来编写网络本身（我希望在了解这个主题后再进行规划）和所有基础设施，与它的培训有关。
 
Yurixx:
维宁，你曾经写道，你曾与NS打过交道，甚至在冠军赛中，你的EA是NS的一个实现。换句话说，与我相比，你是一个专家。请告诉我应该读什么书来理解这个巨大的主题。目的是--不仅要了解网络的原理，而且要深入了解它，以便用MQL5来编写网络本身（我希望在了解这个主题后再进行规划）和整个基础设施，与它的培训有关。

我不认为自己是一个专家，但如果有必要，我总是可以做一个网络。
 
Vinin:
PraVedNiK.或者，也许现在是时候从单一神经元转向正常神经元了。这有点不同，一般来说一切都不同。
有什么 理由改成多层的吗？......实际上，一切都有图形上的意义。

感知器是一条划分2个等级的线：绿球是"价格最有可能上涨"。
红色的是 "价格...下降"。 但问题是，有一个混乱的地方，球被混在一起。
被混为一谈。一些聪明的人/包括--和这个论坛/，在阅读书籍后
舒姆斯基和其他人会建议：我们应该换成多层，以使更多的这些非常分界线。
你可以这样做，也可以不这样做，你可以在你的DiRoLnoDoLgo EA中放一个过滤器。
High[1]<High[2] &&Low[1]<Low[2] &&iOsMA...和High[1]>High[2] &&Low[1]>Low[2]&&iOsMA...,
它将去除这些痔疮疙瘩的大约2/3，而且--左图! 见图..:

然后，在那之后，就更容易 画出分界线--它意味着T h o u g h。
这就是DiRoLnoDoLgo 的意义所在：至少部分地消除这个
部分--过去5个月的前瞻性分析结果/变成了
过去5个月的前瞻性分析结果相当好：毛利=+16位数，预期回报= +2位数/几乎/，利润率=30。
。
 
PraVedNiK:
改用多层板有什么 道理吗？......实际上，这一切都有图形意义：....。

我从未想过有人会质疑使用多层网格来提高分类性能。=)

我建议阅读Jan LeCun写的关于这个的文章--http://yann.lecun.com/exdb/mnist/index.html。 然而，那里的主题领域有点不同--字符识别。总之，无论如何，单层网格显示出最差的结果--8.4%。然而!其中一个多层的（双层的，隐藏层有300个神经元）有一个非常好的结果--1.6%的错误。也就是说，即使增加一层，也会使网状结构变得更加 "强大"。

我非常不认为减少训练样本的规模是一个好的选择。更好的办法是实现更大的类可分离性--即对输入数据进行转换，这样就不会有冲突（例如，增加报价可见的时间间隔）。 我记得fxclub的书 "Trading - your way to financial freedom "建议向网格发送多对报价。

是的，使用单层网格还有一个缺点：想要建立这个网格并对其进行训练的人甚至不需要学习什么是BackProp和其他许多东西。也就是说，通过使用古代架构的网格，新架构的有效网格在不久的将来被创造出来的概率就会降低，这是非常非常糟糕的，因为我们必须以某种方式帮助这些网格。=)

 

总的来说，作为一个在金融市场上长期使用神经网络 的人，我可以说一件事--主要的东西在那里没有描述。当然，我不对神经网络进行编程--我只处理它们的应用问题，这是一个单独的、非常 "微妙 "的话题。很多事情都取决于此。而这一应用在本文中没有描述--但它是 "神经网络在金融市场中的应用 "的主要和基本主题之一。很大程度上取决于......... ...

但这是我的个人意见.....

 
LeoV:

总的来说，作为一个长期在金融市场上使用神经网络 的人，我可以说一件事--主要的事情在那里没有描述。当然，我不对神经网络进行编程--我只处理它们的应用问题，这是一个独立的、非常 "微妙 "的话题。很多事情都取决于此。而这一应用在本文中没有描述--但它是 "神经网络在金融市场中的应用 "的主要和基本主题之一。很大程度上取决于......... ...


但这是我的个人意见.....



是的。

作为一个只是略微参与神经网络的人（只有12年），我可以告诉一个长期参与神经网络的人，神经网络在任何任务中的应用都与它们的设计（编程）密不可分。主要是两个假设：初始数据（那是一首单独的歌曲），以及最重要的--训练算法。网络可以做任何事情--主要的是正确地训练它们。
 
juicy_emad:
PraVedNiK:
切换到多层的理由是什么 ？......实际上，这一切都有图形意义：....。

我从未想过有人会质疑使用多层网格来提高分类性能。=)

我建议阅读Jan LeCun写的关于这个的文章--http://yann.lecun.com/exdb/mnist/index.html。 然而，那里的主题领域有点不同--字符识别。总之，无论如何，单层网格显示出最差的结果--8.4%。然而!其中一个多层的（双层的，隐藏层有300个神经元）有一个非常好的结果--1.6%的错误。也就是说，只要增加哪怕一层，网格就会变得更加 "强大"。


正是如此，因为这是一个完全不同的主题领域，因此也是一个不同的方法。标准字体中的字符轮廓是不变的，因此对一个例子进行一次训练是有意义的，例如在几页纸上进行训练，这样神经网络就能高度准确地识别书中的其他字符。

至于金融市场，它是另一个一切都在不断变化和不断运动的领域。因此，复杂的多层板在这里被搞砸了。在字符识别领域的一个夸张的比喻是，如果在一本书的某一页上，一个符号 "A "应该被解释为 "A"，而在下一页上，同样的 "A "已经被解释为 "B"。

由于这个原因，在金融工具历史数据的不同部分确认的相同模式可以在交易信号中得到不同的解释，即在某些部分，它的识别更适合于开立多头头寸和关闭空头，而在其他部分则相反：开立空头头寸和关闭多头。
 
Reshetov:
juicy_emad:

PraVedNiK:

换成多层的理由是什么 ......？ 实际上，这一切都有图形意义：......。
有道理：...

我从来没有想过，有人会质疑
关于使用多层网格来改善
分类特征。=)



我建议阅读Jan LeCun所写的内容--http://yann.lecun.com/exdb/mnist/index.html。 但那里的主题领域有点不同--符号识别。
字符识别。总之，无论如何，单层的网格是
结果最差，为8.4%。然而!其中一个多层的（双层的。
隐蔽层有300个神经元）显示了一个非常好的结果
- 1.6%的误差。也就是说，即使增加一层，也会使网格
更加 "强大"。






确切地说，这是一个不同的主题领域，因此是一个
一个不同的方法。标准字体中的字符形状是一样的。
所以在一个例子上训练一次网络是有意义的。
比如几页纸，这样神经网络就能准确地
书中其他部分的人物。

而这个网络（用于识别符号）是为每一种字体编写的。还是所有机器的打印方式都一样？
或者说，纸张同样是白色和高质量的。
不，这也是一个可变的任务，如果一切都像你写的那样，那么你就不需要神经网络，一个简单的比较就足够了。
 
Sergey_Murzinov:
雷舍托夫。
juicy_emad:

PraVedNiK:

换成多层的理由是什么 ......？ 实际上，这一切都有图形意义：......。
有道理：...

我从来没有想过，有人会质疑
关于使用多层网格来改善
分类特征。=)



我建议阅读Jan LeCun所写的内容--http://yann.lecun.com/exdb/mnist/index.html。 但那里的主题领域有点不同--符号识别。
字符识别。总之，无论如何，单层的网格是
结果最差，为8.4%。然而!其中一个多层的（双层的。
隐蔽层有300个神经元）显示了一个非常好的结果
- 1.6%的误差。也就是说，即使增加一层，也会使网格
更加 "强大"。






没错，这是一个不同的主题领域，因此是一个
一个不同的方法。标准字体中的字符轮廓是相同的。
所以在一个例子上训练一次网络是有意义的。
比如几页纸，这样神经网络就能准确地
书中其他部分的人物。

而且，网络（用于识别simovars）是为每个特定的字体编写的。还是所有机器的打印方式都一样？
或者说，纸张同样是白色和高质量的。
不，这也是一个可变的任务，如果一切都像你写的那样，那么你就不需要神经网络，一个简单的比较就足够了。

1.它不是写出来的，是学来的。
2.同一版本的书由所有机器以相同方式印刷。如果它是不同的，那么它就是一个缺陷。
3.对于同一版本，纸张具有相同的格式：例如，"格式70x100 1/16"。胶版印刷。打印尺寸37.4。"纸张也应符合标准。好的和成套的字体没有很大的差异，以免破坏读者的视觉。

总之，存在标准的领域（如多形性）和没有标准的领域（如金融市场）的模式识别任务是完全不同的，解决方案中的错误概率也是不同的。

可以做一个更简单的解释：如果金融市场的模式识别算法与印刷文本的模式识别算法有相同的错误频率，那么......。(不需要继续下去，因为这将是很清楚的事情）。
1234567891011121314151617
新评论