关于神经网络编程的问题 - 页 6 1234567 新评论 Yury Reshetov 2012.01.14 16:15 #51 Vinin: 我做了一个256个输入的正常网格，每256个神经元一个隐藏层。还有一个由一个神经元组成的输出层。我在MT4中完美地训练了这一切 1.用遗传 测试器算法还是用内部网状学习算法？ Victor Nikolaev 2012.01.14 16:27 #52 Reshetov: 通过测试者的遗传算法还是通过内部的网状学习算法？ 所有这些都是通过一个脚本完成的。内部算法 Victor Nikolaev 2012.01.14 16:30 #53 虽然有优化的变体。我做了一个计数器，并将最佳选项保存在全局变量 中。当结果有所改善时，重写了它们。有一个完美的配合。 Yury Reshetov 2012.01.14 16:31 #54 重点是，我有所有的权重和阈值被测试者GA拾起，见报告中的输入参数，除了最后3个。学习曲线很高，因为优化10000条不超过5分钟。此外，我不需要256个输入，因为3个已经足够好了--即使在它们上面，网格也是重新训练过的黑白两色。 Victor Nikolaev 2012.01.14 16:33 #55 Reshetov: 我不需要256个输入，因为3个已经足够好了--即使有了它们，网格也是以黑色重新训练的。 这已经超出了本专题的范围。这不值得讨论。各自为政 [删除] 2012.01.14 17:53 #56 Vinin: 这已经超出了本专题的范围。没有必要讨论这个问题。每个人都有自己的想法。 这个话题早就停滞不前了，它不会造成任何伤害...... 雷舍托夫。 此外，我不需要256个输入，因为三个已经够糟了--即使他们在黑色中重新训练网格。 你确定它能重新训练吗？也许它只是由于架构的弱点而缺乏 "概括性和计算能力"？ 两辆马车交汇处的专家在优化器中进行了调整，但只有在你非常幸运的情况下，它才会在前进中发挥作用。而且，这显然与过度训练无关... 其实对抗过冲是很容易的--增加训练样本量到控制或OOS上的稳定加号。NS不能记住整个样本，只得归纳。在这种情况下，系统特性的下降是不可避免的，但在这里它更多地取决于输入，例如。 Yury Reshetov 2012.01.14 18:36 #57 Figar0: 好吧，这个话题早就该提出来了，无伤大雅......但最好不要与版主争论。至少我们IMHO的规则没有违反，如果有什么问题，我们有权向行政部门上诉。 Figar0: 你确定是重新培训吗？也许它只是由于结构薄弱而缺乏 "概括性和计算能力"？ 是的，我肯定。 这很容易证明。问题是，如果优化的结果 是很有颗粒感的，那么前进的结果对他们来说是不成功的。但我们可以通过指标对这些非常的结果进行分类，然后寻找更多脚踏实地的价值，在此基础上再去寻找已经给出的成功。更正确的说法是，成功的前锋被挤到了优化结果中，这些非常的结果不会太严重，但也不会太偏激。 最简单的例子。我们取一个合适的历史间隔，去掉止损和止赢，并设置TS在每个条形图上获取VS的TC读数，并将其用于交易。也就是说，如果电网读数与打开位置的毛线相反，我们就翻转它。网格的设置是这样的，它只开了几笔交易，而且都是赢家（不存在利润因素）。我在单层感知器上没有遇到过这种情况，甚至在标准网上也没有。网格在那里经常出错，所以即使没有止损和接管，它在很长的历史上也能执行相当数量的交易。 我想这是由于我修改了第一层，它以某种方式设法给隐藏的输入提供了严格的线性分离的数据了。谁知道呢，因为我的设计甚至比罗森布拉特的设计都要简单得多？最有可能的原因是，整个网络用GA对所有输入参数进行一次调整，GA就像坦克一样寻找极值，虽然不是直接的，但多因素数据对于这样的优化就像两个手指在沥青上，只要有一个明显的极值或几个极值。另一方面，由于第一层的原始性，它的调整非常迅速且相当充分。 我认为，现代神经网络在使输入层复杂化方面走得太远了。因此，他们的工作并不十分充分。而在多层网络中，第一层是最重要的一层，因为它将影响最终的结果，这取决于它向隐藏层输出什么。毕竟，正常的网格更多时候是三层的，而隐藏层和输出层已经是多维空间中的一个原始线性平面。 另一个技巧是对输入数据进行动态规范化。如果我们应用静态，任何波动率的变化（远期肯定会变化）都会影响结果。我已经解决了这个问题，有利于动态。 [删除] 2012.01.14 19:47 #58 Reshetov: .... 还有像上一页的入口？这是个滑坡......我甚至无法想象，在如此原始的情况下，可以用NS做什么样的巫术来获得结果。而事实是什么，无论你在哪里抽取训练样本，在SOS上都是上坡路？结果真的稳定吗？那其他的对子和乐器呢？欧元兑美元是最容易预测的一个。 雷舍托夫。 我不得不对交易策略进行摆弄，以防止网格的适应性。 我也不明白。NS应该发出信号，在我个人看来，在训练阶段通过TS的方式指挥NS是不符合逻辑的。在这里，不知何故，方法正好相反......。TS在什么方向上被扭曲了？ 雷舍托夫。另一个技巧是对输入数据进行动态规范化。如果我们应用静态，任何波动率的变化（远期肯定会变化）都会影响结果。我已经解决了这个问题，有利于动态。 我也在实践中--有时有效，有时不那么好。这也将取决于投入，但这些投入肯定会受益。当然，动态规范化增加了输入的信息量，但却使其更难学习，既然学习是 "容易的"，那么它为一个积极的结果工作是有意义的。 Yury Reshetov 2012.01.14 20:39 #59 Figar0:还有像上一页的入口？挥手期间，这是一个滑坡......。我把挥发期作为一个常量。它曾经是一个输入参数，但我收集了各种成功的正向测试，得出的结论是它们围绕着这个非常常数跳舞。 Figar0: 我甚至无法想象一个国家安全局能用这样一个原始的方法来获得结果的魔术。 ...我也不明白。NS应该发出信号，而在训练阶段通过TS指挥NS，我个人认为是不符合逻辑的。在这里，不知何故，方法正好相反......。TS在什么方向上被扭曲了？所有这些东西都不是在一天之内组装完成的，而是经过了很长时间，一点一点地组装。一些东西被逐渐添加，一些东西被打磨，一些东西被从算法中删除。 这项工作是由以下人员完成的。 1.为了尽量减少代码。米开朗基罗的方法：我们拿一块石头，砍掉不必要的东西，得到一个雕塑（后来这个方法被归于奥卡姆和他的剃刀）。 2. 绕过测试员优化的限制 3.加载TC到这样的厚度水平，以摆脱配件的影响 费加0。 那么，是不是无论你在哪里取训练样本，在OOS上都是上坡？结果真的稳定吗？那其他的对子和乐器呢？欧元兑美元是最容易预测的。 OOS上的结果是不同的，也有梅花。如果在明知故犯地拟合结果后，网格没有在传播上耗费，那将是令人惊讶的。我没有说它们都有利润，我说我挑了一个最 "好吃 "的（可能还有更 "好吃 "的，因为我没有全部看完--外面有太多了）。 与其他策略的唯一区别是：成功的前锋可以很容易地手动找到（当优化结果 被整理出来时，它们会变得很拥挤），而且选择范围相当广泛+通过个别输入参数进行体面的切片，即极值与缓降。 在其他货币对中，我在黄金和英镑兑美元上测试了一下--大致相同。 subus 2012.04.30 11:15 #60 Reshetov: 悲观主义是由策略测试器的局限性决定的，即如果输入值范围很大或这些相同的值的数量超过了限制，优化器就会拒绝启动。因此，毕竟是有限制的。 今天，我终于完成了一个完全用MQL4编写的神经网络，结构为3:3:1（输入端有三个神经元，三个隐藏输入，一个输出）。所有的层都是用测试器GA配置的。但麻烦的是，对于1层，你至少需要12个输入参数，至少要有从-1到1的数值，步长为1（像Rosenblatt）。但优化器无法处理这么多。我不得不扭过头去，简化了第一层。 与别人的网子相比，自制的网子更好，因为它可以升级。例如，除了使第一层非标准外，我还增加了输入数据的动态规范化。 输入端的信号是相当原始的。 尽管有上述的原始性，但事实证明该网格是非常可训练的，也就是说，权重和阈值很容易选择，所以测试结果证明是没有任何错误的（没有利润因素）。但在这样的装配之后，前向测试立即开始在传播上急剧下降。我不得不摆弄一下交易策略，以便不允许网格调整。 这是值得的，尽管它使我的大脑变得混乱。 这些是测试的结果。从1到273的交易--优化，接下来是向前的测试。 而这里是向前的测试。 下面是正向测试的结果。 战略测试仪报告 矩阵（RNN Alpari-Demo (Build 409) 符号 欧元兑美元（欧元对美元） 期间 1小时 (H1) 2011.10.24 00:00 - 2012.01.13 23:59 (2011.10.24 - 2012.01.14) 模型 按开盘价（仅适用于有明确开盘控制的专家顾问系统）。 参数 t1=54；t2=4；t3=48；x1=194；x2=128；x3=68；y1=1；y2=1；y3=-1；t4=136；sl=900；lot=1；mn=888。 历史上的酒吧 2431 模拟的蜱虫 3862 仿真质量 不适用 图表不匹配错误 0 初始存款 10000.00 净利润 14713.00 利润总额 40711.60 全部损失 -25998.60 盈利能力 1.57 预期报酬率 88.10 绝对缩水 2721.60 最大缩水 4800.00 (39.74%) 相对缩减 39.74% (4800.00) 交易总额 167 空头头寸（赢利百分比） 101 (67.33%) 多头头寸（赢利百分比） 66 (92.42%) 盈利的交易（占全部的百分比） 129 (77.25%) 亏损交易（占全部的百分比） 38 (22.75%) 最大的 有利的贸易 900.00 亏损的交易 -907.20 平均值 有利的交易 315.59 亏损的交易 -684.17 最大 连赢 13 (2557.00) 连续损失(亏损) 4 (-3605.40) 最大 连续盈利（赢的次数） 3511.60 (11) 连续损失（损失次数） -3605.40 (4) 平均值 连续赢利 4 连续损失 1 最有趣的是，即使在图表上我们也可以看到，优化部分比前进部分要差。这种情况很少发生。虽然我在众多前锋中选择了这个前锋作为最佳前锋，也就是说，其他前锋的成绩比优化后的前锋差很多，但尽管如此，他们的成绩还是最好的。 谢谢你的提示!你和维宁对我来说是一个权威。已经过去很长时间了，你还在处理这个话题。我在互联网上收集了你的作品。最有趣的是，你们两个人都是对的，你们不知道你们是平行的，朝着同一个目标前进。我从一个人那里拿了，又从另一个人那里拿了，现在我正在等待结果。你正在创造一个新的方向，但却是一个非常困难的方向！！。 1234567 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
我做了一个256个输入的正常网格，每256个神经元一个隐藏层。还有一个由一个神经元组成的输出层。我在MT4中完美地训练了这一切
1.用遗传 测试器算法还是用内部网状学习算法？
通过测试者的遗传算法还是通过内部的网状学习算法？
所有这些都是通过一个脚本完成的。内部算法
我不需要256个输入，因为3个已经足够好了--即使有了它们，网格也是以黑色重新训练的。这已经超出了本专题的范围。这不值得讨论。各自为政
这已经超出了本专题的范围。没有必要讨论这个问题。每个人都有自己的想法。
这个话题早就停滞不前了，它不会造成任何伤害......
此外，我不需要256个输入，因为三个已经够糟了--即使他们在黑色中重新训练网格。你确定它能重新训练吗？也许它只是由于架构的弱点而缺乏 "概括性和计算能力"？
两辆马车交汇处的专家在优化器中进行了调整，但只有在你非常幸运的情况下，它才会在前进中发挥作用。而且，这显然与过度训练无关...
其实对抗过冲是很容易的--增加训练样本量到控制或OOS上的稳定加号。NS不能记住整个样本，只得归纳。在这种情况下，系统特性的下降是不可避免的，但在这里它更多地取决于输入，例如。
好吧，这个话题早就该提出来了，无伤大雅......
但最好不要与版主争论。至少我们IMHO的规则没有违反，如果有什么问题，我们有权向行政部门上诉。
你确定是重新培训吗？也许它只是由于结构薄弱而缺乏 "概括性和计算能力"？
是的，我肯定。
这很容易证明。问题是，如果优化的结果 是很有颗粒感的，那么前进的结果对他们来说是不成功的。但我们可以通过指标对这些非常的结果进行分类，然后寻找更多脚踏实地的价值，在此基础上再去寻找已经给出的成功。更正确的说法是，成功的前锋被挤到了优化结果中，这些非常的结果不会太严重，但也不会太偏激。
最简单的例子。我们取一个合适的历史间隔，去掉止损和止赢，并设置TS在每个条形图上获取VS的TC读数，并将其用于交易。也就是说，如果电网读数与打开位置的毛线相反，我们就翻转它。网格的设置是这样的，它只开了几笔交易，而且都是赢家（不存在利润因素）。我在单层感知器上没有遇到过这种情况，甚至在标准网上也没有。网格在那里经常出错，所以即使没有止损和接管，它在很长的历史上也能执行相当数量的交易。
我想这是由于我修改了第一层，它以某种方式设法给隐藏的输入提供了严格的线性分离的数据了。谁知道呢，因为我的设计甚至比罗森布拉特的设计都要简单得多？最有可能的原因是，整个网络用GA对所有输入参数进行一次调整，GA就像坦克一样寻找极值，虽然不是直接的，但多因素数据对于这样的优化就像两个手指在沥青上，只要有一个明显的极值或几个极值。另一方面，由于第一层的原始性，它的调整非常迅速且相当充分。
我认为，现代神经网络在使输入层复杂化方面走得太远了。因此，他们的工作并不十分充分。而在多层网络中，第一层是最重要的一层，因为它将影响最终的结果，这取决于它向隐藏层输出什么。毕竟，正常的网格更多时候是三层的，而隐藏层和输出层已经是多维空间中的一个原始线性平面。
另一个技巧是对输入数据进行动态规范化。如果我们应用静态，任何波动率的变化（远期肯定会变化）都会影响结果。我已经解决了这个问题，有利于动态。
....
还有像上一页的入口？这是个滑坡......我甚至无法想象，在如此原始的情况下，可以用NS做什么样的巫术来获得结果。而事实是什么，无论你在哪里抽取训练样本，在SOS上都是上坡路？结果真的稳定吗？那其他的对子和乐器呢？欧元兑美元是最容易预测的一个。
我不得不对交易策略进行摆弄，以防止网格的适应性。
我也不明白。NS应该发出信号，在我个人看来，在训练阶段通过TS的方式指挥NS是不符合逻辑的。在这里，不知何故，方法正好相反......。TS在什么方向上被扭曲了？
另一个技巧是对输入数据进行动态规范化。如果我们应用静态，任何波动率的变化（远期肯定会变化）都会影响结果。我已经解决了这个问题，有利于动态。
我也在实践中--有时有效，有时不那么好。这也将取决于投入，但这些投入肯定会受益。当然，动态规范化增加了输入的信息量，但却使其更难学习，既然学习是 "容易的"，那么它为一个积极的结果工作是有意义的。
还有像上一页的入口？挥手期间，这是一个滑坡......。
我把挥发期作为一个常量。它曾经是一个输入参数，但我收集了各种成功的正向测试，得出的结论是它们围绕着这个非常常数跳舞。
我甚至无法想象一个国家安全局能用这样一个原始的方法来获得结果的魔术。
...
我也不明白。NS应该发出信号，而在训练阶段通过TS指挥NS，我个人认为是不符合逻辑的。在这里，不知何故，方法正好相反......。TS在什么方向上被扭曲了？
所有这些东西都不是在一天之内组装完成的，而是经过了很长时间，一点一点地组装。一些东西被逐渐添加，一些东西被打磨，一些东西被从算法中删除。
这项工作是由以下人员完成的。
1.为了尽量减少代码。米开朗基罗的方法：我们拿一块石头，砍掉不必要的东西，得到一个雕塑（后来这个方法被归于奥卡姆和他的剃刀）。
2. 绕过测试员优化的限制
3.加载TC到这样的厚度水平，以摆脱配件的影响
费加0。
那么，是不是无论你在哪里取训练样本，在OOS上都是上坡？结果真的稳定吗？那其他的对子和乐器呢？欧元兑美元是最容易预测的。
OOS上的结果是不同的，也有梅花。如果在明知故犯地拟合结果后，网格没有在传播上耗费，那将是令人惊讶的。我没有说它们都有利润，我说我挑了一个最 "好吃 "的（可能还有更 "好吃 "的，因为我没有全部看完--外面有太多了）。
与其他策略的唯一区别是：成功的前锋可以很容易地手动找到（当优化结果 被整理出来时，它们会变得很拥挤），而且选择范围相当广泛+通过个别输入参数进行体面的切片，即极值与缓降。
在其他货币对中，我在黄金和英镑兑美元上测试了一下--大致相同。
悲观主义是由策略测试器的局限性决定的，即如果输入值范围很大或这些相同的值的数量超过了限制，优化器就会拒绝启动。因此，毕竟是有限制的。
今天，我终于完成了一个完全用MQL4编写的神经网络，结构为3:3:1（输入端有三个神经元，三个隐藏输入，一个输出）。所有的层都是用测试器GA配置的。但麻烦的是，对于1层，你至少需要12个输入参数，至少要有从-1到1的数值，步长为1（像Rosenblatt）。但优化器无法处理这么多。我不得不扭过头去，简化了第一层。
与别人的网子相比，自制的网子更好，因为它可以升级。例如，除了使第一层非标准外，我还增加了输入数据的动态规范化。
输入端的信号是相当原始的。
尽管有上述的原始性，但事实证明该网格是非常可训练的，也就是说，权重和阈值很容易选择，所以测试结果证明是没有任何错误的（没有利润因素）。但在这样的装配之后，前向测试立即开始在传播上急剧下降。我不得不摆弄一下交易策略，以便不允许网格调整。
这是值得的，尽管它使我的大脑变得混乱。
这些是测试的结果。从1到273的交易--优化，接下来是向前的测试。
而这里是向前的测试。
下面是正向测试的结果。
最有趣的是，即使在图表上我们也可以看到，优化部分比前进部分要差。这种情况很少发生。虽然我在众多前锋中选择了这个前锋作为最佳前锋，也就是说，其他前锋的成绩比优化后的前锋差很多，但尽管如此，他们的成绩还是最好的。
谢谢你的提示!你和维宁对我来说是一个权威。已经过去很长时间了，你还在处理这个话题。我在互联网上收集了你的作品。最有趣的是，你们两个人都是对的，你们不知道你们是平行的，朝着同一个目标前进。我从一个人那里拿了，又从另一个人那里拿了，现在我正在等待结果。你正在创造一个新的方向，但却是一个非常困难的方向！！。