市场礼仪或雷区中的良好风度 - 页 10 1...34567891011121314151617...104 新评论 Neutron 2009.05.02 17:27 #91 嗨，paralocus，我想你可以从这里开始，然后我们再看。 顺便说一下，对每个感兴趣的人："锁定损失，让利润增长 "或 "锁定利润，让损失增长"（取决于市场是趋势还是平淡，取决于所选择的交易期限）的策略在资本再投资时不是最佳选择。在这种情况下，用再投资的方式固定在每一个步骤上是更有利可图的!也就是说，如果我们有10笔连续盈利的交易，那么向经纪公司支付佣金并重新投资，比一直保持一个头寸并节省点差更有利。 这是一个悖论，从这个悖论到交易的布尔诺化并不遥远，之后--到有效使用分析形式的交易基本方程（与文斯不同），没有任何参数化的问题。 paralocus 2009.05.02 18:40 #92 Neutron >> : 你好，paralocus，我想你可以从这里开始，然后我们再看。 谢谢你! 我有三个感知器的输入（到目前为止有三个），这是第一层。该层的组成如下。 一个关于RSI的感知器，一个关于CCI的感知器，一个关于随机的感知器。所有的输入和输出都是标准化的（-1 ; +1）。遗传学家在最简单的方案上训练感知器--在分裂上。 现在我想增加第二层，由两个感知器组成，其中一个只训练成购买，另一个只训练成出售。问题。 第二层的感知器将被训练，可以这么说，每个人都有自己的专长，同时使用第一层的相同数据，这是否足够了？ 第一层的感知器也必须为买入和卖出分别进行训练？ Neutron 2009.05.03 00:58 #93 paralocus писал(а)>> 谢谢你! 一点也不! 你看，paralocus，NS本质上是一个通用的加法器，在数学上，你是把输出层的神经元单独锐化为卖出或买入，还是从一个具有超切激活的单一神经元建立第三层，其输出极性将指向买入或卖出，而振幅指向成功的概率（其中网络的确定性），都没有区别。从这个角度来看，没有必要强行将第一层神经元专业化--它们将在训练过程中确定，并考虑到NS的计算能力在从两层结构到三层结构时不会增加（除了一些特殊情况），以及训练样本的长度与网络所有权重的平方成正比（如果可能的话，样本应该最小，以便对市场事件作出操作性反应），并使用奥卡姆剃刀原则（没有必要变得不必要的大）。 P.S.是的，重要的是，NS的输入信号的概率密度具有零期望，并在+/-1区间内平均分布（架子）。这明显地提高了网络的学习和性能。 paralocus 2009.05.03 14:30 #94 Neutron >> : 还没有! 你看，paralocus，NS本质上是一个通用的加法器，在数学上，你是将输出层的神经元单独锐化为卖出或买入，还是从一个具有超切激活的单一神经元创建第三层，其输出极性将指向买入或卖出，振幅指向成功的概率（网络对它的信心），都没有区别。从这个角度来看，没有必要强行将第一层神经元专业化--它们将在训练过程中确定，并考虑到NS的计算能力在从两层结构到三层结构时不会增加（除了一些特殊情况），以及训练样本的长度与网络所有权重的平方成正比（如果可能的话，样本应该是最小的，以便对市场事件做出操作上的反应），并使用奥卡姆剃刀原则（没有必要变得不必要的大）。 P.S.是的，重要的是，NS的输入信号的概率密度具有零期望，并在+/-1区间内平均分布（架子）。这明显地提高了网络的学习和性能。 诶！有些是清楚的，但很多是新的。为了不漏掉任何东西，我将边走边问...... 1.事实上，NS是一个通用的加法器，从数学的角度来看，无论你在输出层中单独为卖出或买入锐化神经元，还是从一个具有超切激活的单一神经元建立第三层，它的输出极性将指向买入或卖出，而振幅--指向成功的概率（网络对它的信心），几乎没有区别。 我理解加法器，但具有正切激活的神经元呢--它是什么样的野兽？我用sigmoid对输入和输出进行归一化处理，为了确保输入和输出的信号是正确的（-1<最大和最小<+1），我稍微修改了Perseptron指标。也就是说，我们采取三个输入神经元，并将其输出给第四个神经元（具有超切激活），其输出可以绝对透明，作为在指定方向（朝向主动极性）的交易成功结果的概率估计......。对吗？ 2.从这个角度来看，没有必要强行将第一层的神经元特殊化--它们将在训练过程中自己决定。 也就是说，输入层的神经元应该被简单地训练成将输入数据分成 "右 "和 "左 "的。 我对"它们在训练过程中被确定 " 有点困惑--它是指对输出神经元超切的训练，还是对所有的输出和输入神经元一次性的训练？如果全部同时进行，遗传学家将不允许同时优化超过8个参数，而在这样的网格中至少有12个参数（......不算火鸡的参数）--我们应该怎么做？如果我分别训练--首先，分别训练每个输入参数，然后，只分别训练输出参数（我现在正在做），这不会是一个错误吗？ 3.训练样本的长度与网的所有权重的平方成正比（如果可能的话，样本必须是最小的，以便对市场事件作出快速反应）。 怎么说呢？让我们将网络的所有权重平方，然后将这些平方相加，得到训练样本的长度应该与什么成正比？ 关于长样本的无用性，我已经知道了--可以说，我是通过 "科学试验和错误 "来的。我甚至找到了日期（2008.12.02），从这个日期开始，数据对网格来说根本没有用处--与实际市场动态没有关联。 4.最好的选择似乎是具有一个隐藏层和一个输出神经元的两层NS。 在这里我不明白的是......如果有一个输入层的神经元，一个输出层的神经元，和一个隐藏层的神经元，那么它已经是三个了。那么，为什么会有一个两层网络呢？ 5.是的，重要的是，NS的输入概率密度的期望值为零，并且在+/-1区间内均匀分布（货架）。这大大提高了网络的训练效率和性能。我自己明白输入信号归一化的必要性（在直觉层面），这就是为什么我对输入信号进行转换，使输出具有相同的形式，但在-/+1范围内。但归一化RSI的概率密度是如何分布的？例如，我的RSI神经元的输入信号看起来像这样。 这就够了吗，还是需要其他的东西？ P/S 我对剃刀没有意见，主要是要了解该切什么...:-) Neutron 2009.05.04 04:06 #95 paralocus писал(а)>> 1.我了解加法器，了解高切激活神经元--那是什么样的东西？我用sigmoid对输入和输出进行归一化处理，为了确保输入和输出信号正确（-1<max和minima<+1），我稍微修改了Perseptron指标。也就是说，我们采取三个输入神经元，并将其输出给第四个神经元（具有超切激活），其输出可以绝对透明，作为在指定方向（朝向主动极性）的交易成功结果的概率估计......。对吗？ 这是一个神经元，其激活函数（FA）是一个双曲切线（取值范围+/-1）--它便于做出买入/卖出的交易决定，如果|FA|<const--退出市场。 所有的NS神经元必须有非线性的FA（有一些例外--除了最后一个）。除了学习的速度外，没有什么取决于FA的具体类型。 2.从这个角度来看，没有必要强行对第一层的神经元进行专业化处理--它们将在训练过程中自行决定。 也就是说，输入层的神经元应该被简单地训练成将输入数据分成 "右 "和 "左 "的。我对"它们在训练过程中被确定 " 有点困惑--它是指对输出神经元超切的训练，还是对所有的输出和输入神经元的训练？如果全部同时进行，遗传学家将不允许同时优化超过8个参数，而在这样的网格中至少有12个参数（......不算火鸡的参数）--我们应该怎么做？如果我分别训练--首先分别训练每个输入参数，然后只训练输出参数（我现在就是这么做的），这不会是一个错误吗？ 当然，我们应该同时训练所有的人，否则我们就会出现混水摸鱼的问题。我没有和遗传学打过交道，所以我帮不上忙。 3.训练样本的长度与网络所有权重的平方成正比（如果可能的话，样本应该是最小的，以便对市场事件做出快速反应）这一事实。 怎么说呢？对网络的所有权重进行平方，然后将这些平方相加，得到训练集的长度？ 有一个最佳的训练集长度 P，它是近似和泛化误差之和的最小值。这个最佳值是由网络中的突触数量w 和输入维度d（网络输入数量）唯一决定的。 Popt=k*w*w/d， 其中k 是1阶的无量纲常数，考虑到了市场变化的事实。 最佳标准是测试样本和训练样本上的网络误差的相称性，即如果正常训练的网络猜测正确率为55%，它将在新数据的测试中显示大致相同的结果。此外，对于这样的NS，不存在与ORO方法中迭代次数增加有关的再训练问题--不存在误差的局部最小值--函数是瞬时的，渐进地趋向于常数。 4.一个最佳的变体看起来是具有一个隐藏层和一个输出神经元的双层NS。 这里我不明白...如果有一个输入层的神经元，一个输出层的神经元，和一个隐藏层的神经元，那么它已经是三个了。那么，为什么网络是两层的呢？ 这是一个术语的问题。我并没有把输入层单独作为一个特殊的层。所以我是指只有两层的NS--输入层（又称隐藏层）和输出层（由单个神经元组成）。 然而，归一化RSI的概率密度是如何分布的？这就够了吗？还是需要其他东西？ 我不知道。你需要绘制你的RSI的第一个差值系列的概率密度分布图，看一下图--应该有一个最大振幅为+/-1的架子。 Sergey Fionin 2009.05.04 08:14 #96 Neutron писал(а)>> 我并不是把输入层单独作为一个特殊的输入层。因此，我的意思是NS只有两层--输入层（也是隐藏的）和输出层（由一个神经元组成）。 所以网络由第一层的几个平行感知器和输出层的一个感知器组成，输出感知器的输入数等于第一层的感知器数量？ paralocus 2009.05.04 08:16 #97 Neutron >> : 当然是一次性训练，否则我们会有一个问题--"在森林里和在森林外"。我没有和遗传学家打过交道，所以我无法帮助你。 这就对了!而我希望以后能将我的网状物 "改进 "为自我训练的网状物......。 消化我得到的答案......>> 我将画出我所理解的内容 Neutron 2009.05.04 08:26 #98 FION писал(а)>> 所以网络由第一层的几个平行感知器和输出层的一个感知器组成，输出感知器的输入数等于第一层的感知器数量？ 这就对了。 但是，每个感知器的输入有一个单独的额外输入，用于恒定的+1偏移。这加快了学习速度，增加了网络的力量。 Sergey Fionin 2009.05.04 08:52 #99 Neutron писал(а)>> 这就对了。 但是，每个perseptron的输入有一个单独的额外输入，用于恒定的+1偏移。这加快了学习速度，增加了网络的力量。 我明白了。恒定的偏移量只是将高切曲线上的激活点稍稍移动。 paralocus 2009.05.04 10:55 #100 中子写道>>。 这是我想出来的。 高切线被整理出来了。直到现在我还在使用sigmoid，并且不得不从结果中减去一个，但我不需要用th。就我的理解，该图显示了市场上NS的最佳架构。输入的数量是12，突触的数量是4。 因此，使用公式Popt=k*w*w/d，我们得到144/4=36。这是36条吗？或者36个接近买入/卖出的情况？我说对了吗？ 1...34567891011121314151617...104 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
嗨，paralocus，我想你可以从这里开始，然后我们再看。
顺便说一下，对每个感兴趣的人："锁定损失，让利润增长 "或 "锁定利润，让损失增长"（取决于市场是趋势还是平淡，取决于所选择的交易期限）的策略在资本再投资时不是最佳选择。在这种情况下，用再投资的方式固定在每一个步骤上是更有利可图的!也就是说，如果我们有10笔连续盈利的交易，那么向经纪公司支付佣金并重新投资，比一直保持一个头寸并节省点差更有利。
这是一个悖论，从这个悖论到交易的布尔诺化并不遥远，之后--到有效使用分析形式的交易基本方程（与文斯不同），没有任何参数化的问题。
你好，paralocus，我想你可以从这里开始，然后我们再看。
谢谢你!
我有三个感知器的输入（到目前为止有三个），这是第一层。该层的组成如下。
一个关于RSI的感知器，一个关于CCI的感知器，一个关于随机的感知器。所有的输入和输出都是标准化的（-1 ; +1）。遗传学家在最简单的方案上训练感知器--在分裂上。
现在我想增加第二层，由两个感知器组成，其中一个只训练成购买，另一个只训练成出售。问题。
第二层的感知器将被训练，可以这么说，每个人都有自己的专长，同时使用第一层的相同数据，这是否足够了？
第一层的感知器也必须为买入和卖出分别进行训练？
谢谢你!
一点也不!
你看，paralocus，NS本质上是一个通用的加法器，在数学上，你是把输出层的神经元单独锐化为卖出或买入，还是从一个具有超切激活的单一神经元建立第三层，其输出极性将指向买入或卖出，而振幅指向成功的概率（其中网络的确定性），都没有区别。从这个角度来看，没有必要强行将第一层神经元专业化--它们将在训练过程中确定，并考虑到NS的计算能力在从两层结构到三层结构时不会增加（除了一些特殊情况），以及训练样本的长度与网络所有权重的平方成正比（如果可能的话，样本应该最小，以便对市场事件作出操作性反应），并使用奥卡姆剃刀原则（没有必要变得不必要的大）。
P.S.是的，重要的是，NS的输入信号的概率密度具有零期望，并在+/-1区间内平均分布（架子）。这明显地提高了网络的学习和性能。
还没有!
你看，paralocus，NS本质上是一个通用的加法器，在数学上，你是将输出层的神经元单独锐化为卖出或买入，还是从一个具有超切激活的单一神经元创建第三层，其输出极性将指向买入或卖出，振幅指向成功的概率（网络对它的信心），都没有区别。从这个角度来看，没有必要强行将第一层神经元专业化--它们将在训练过程中确定，并考虑到NS的计算能力在从两层结构到三层结构时不会增加（除了一些特殊情况），以及训练样本的长度与网络所有权重的平方成正比（如果可能的话，样本应该是最小的，以便对市场事件做出操作上的反应），并使用奥卡姆剃刀原则（没有必要变得不必要的大）。
P.S.是的，重要的是，NS的输入信号的概率密度具有零期望，并在+/-1区间内平均分布（架子）。这明显地提高了网络的学习和性能。
诶！有些是清楚的，但很多是新的。为了不漏掉任何东西，我将边走边问......
1.事实上，NS是一个通用的加法器，从数学的角度来看，无论你在输出层中单独为卖出或买入锐化神经元，还是从一个具有超切激活的单一神经元建立第三层，它的输出极性将指向买入或卖出，而振幅--指向成功的概率（网络对它的信心），几乎没有区别。
我理解加法器，但具有正切激活的神经元呢--它是什么样的野兽？我用sigmoid对输入和输出进行归一化处理，为了确保输入和输出的信号是正确的（-1<最大和最小<+1），我稍微修改了Perseptron指标。也就是说，我们采取三个输入神经元，并将其输出给第四个神经元（具有超切激活），其输出可以绝对透明，作为在指定方向（朝向主动极性）的交易成功结果的概率估计......。对吗？
2.从这个角度来看，没有必要强行将第一层的神经元特殊化--它们将在训练过程中自己决定。
也就是说，输入层的神经元应该被简单地训练成将输入数据分成 "右 "和 "左 "的。 我对"它们在训练过程中被确定 " 有点困惑--它是指对输出神经元超切的训练，还是对所有的输出和输入神经元一次性的训练？如果全部同时进行，遗传学家将不允许同时优化超过8个参数，而在这样的网格中至少有12个参数（......不算火鸡的参数）--我们应该怎么做？如果我分别训练--首先，分别训练每个输入参数，然后，只分别训练输出参数（我现在正在做），这不会是一个错误吗？
3.训练样本的长度与网的所有权重的平方成正比（如果可能的话，样本必须是最小的，以便对市场事件作出快速反应）。
怎么说呢？让我们将网络的所有权重平方，然后将这些平方相加，得到训练样本的长度应该与什么成正比？
关于长样本的无用性，我已经知道了--可以说，我是通过 "科学试验和错误 "来的。我甚至找到了日期（2008.12.02），从这个日期开始，数据对网格来说根本没有用处--与实际市场动态没有关联。
4.最好的选择似乎是具有一个隐藏层和一个输出神经元的两层NS。
在这里我不明白的是......如果有一个输入层的神经元，一个输出层的神经元，和一个隐藏层的神经元，那么它已经是三个了。那么，为什么会有一个两层网络呢？
5.是的，重要的是，NS的输入概率密度的期望值为零，并且在+/-1区间内均匀分布（货架）。这大大提高了网络的训练效率和性能。我自己明白输入信号归一化的必要性（在直觉层面），这就是为什么我对输入信号进行转换，使输出具有相同的形式，但在-/+1范围内。但归一化RSI的概率密度是如何分布的？例如，我的RSI神经元的输入信号看起来像这样。
这就够了吗，还是需要其他的东西？
P/S 我对剃刀没有意见，主要是要了解该切什么...:-)
1.我了解加法器，了解高切激活神经元--那是什么样的东西？我用sigmoid对输入和输出进行归一化处理，为了确保输入和输出信号正确（-1<max和minima<+1），我稍微修改了Perseptron指标。也就是说，我们采取三个输入神经元，并将其输出给第四个神经元（具有超切激活），其输出可以绝对透明，作为在指定方向（朝向主动极性）的交易成功结果的概率估计......。对吗？这是一个神经元，其激活函数（FA）是一个双曲切线（取值范围+/-1）--它便于做出买入/卖出的交易决定，如果|FA|<const--退出市场。
所有的NS神经元必须有非线性的FA（有一些例外--除了最后一个）。除了学习的速度外，没有什么取决于FA的具体类型。
2.从这个角度来看，没有必要强行对第一层的神经元进行专业化处理--它们将在训练过程中自行决定。
也就是说，输入层的神经元应该被简单地训练成将输入数据分成 "右 "和 "左 "的。我对"它们在训练过程中被确定 " 有点困惑--它是指对输出神经元超切的训练，还是对所有的输出和输入神经元的训练？如果全部同时进行，遗传学家将不允许同时优化超过8个参数，而在这样的网格中至少有12个参数（......不算火鸡的参数）--我们应该怎么做？如果我分别训练--首先分别训练每个输入参数，然后只训练输出参数（我现在就是这么做的），这不会是一个错误吗？
当然，我们应该同时训练所有的人，否则我们就会出现混水摸鱼的问题。我没有和遗传学打过交道，所以我帮不上忙。
3.训练样本的长度与网络所有权重的平方成正比（如果可能的话，样本应该是最小的，以便对市场事件做出快速反应）这一事实。
怎么说呢？对网络的所有权重进行平方，然后将这些平方相加，得到训练集的长度？
有一个最佳的训练集长度 P，它是近似和泛化误差之和的最小值。这个最佳值是由网络中的突触数量w 和输入维度d（网络输入数量）唯一决定的。
Popt=k*w*w/d， 其中k 是1阶的无量纲常数，考虑到了市场变化的事实。
最佳标准是测试样本和训练样本上的网络误差的相称性，即如果正常训练的网络猜测正确率为55%，它将在新数据的测试中显示大致相同的结果。此外，对于这样的NS，不存在与ORO方法中迭代次数增加有关的再训练问题--不存在误差的局部最小值--函数是瞬时的，渐进地趋向于常数。
4.一个最佳的变体看起来是具有一个隐藏层和一个输出神经元的双层NS。
这里我不明白...如果有一个输入层的神经元，一个输出层的神经元，和一个隐藏层的神经元，那么它已经是三个了。那么，为什么网络是两层的呢？
这是一个术语的问题。我并没有把输入层单独作为一个特殊的层。所以我是指只有两层的NS--输入层（又称隐藏层）和输出层（由单个神经元组成）。
然而，归一化RSI的概率密度是如何分布的？这就够了吗？还是需要其他东西？
我不知道。你需要绘制你的RSI的第一个差值系列的概率密度分布图，看一下图--应该有一个最大振幅为+/-1的架子。
我并不是把输入层单独作为一个特殊的输入层。因此，我的意思是NS只有两层--输入层（也是隐藏的）和输出层（由一个神经元组成）。
所以网络由第一层的几个平行感知器和输出层的一个感知器组成，输出感知器的输入数等于第一层的感知器数量？
当然是一次性训练，否则我们会有一个问题--"在森林里和在森林外"。我没有和遗传学家打过交道，所以我无法帮助你。
这就对了!而我希望以后能将我的网状物 "改进 "为自我训练的网状物......。
消化我得到的答案......>> 我将画出我所理解的内容
所以网络由第一层的几个平行感知器和输出层的一个感知器组成，输出感知器的输入数等于第一层的感知器数量？
这就对了。
但是，每个感知器的输入有一个单独的额外输入，用于恒定的+1偏移。这加快了学习速度，增加了网络的力量。
这就对了。
但是，每个perseptron的输入有一个单独的额外输入，用于恒定的+1偏移。这加快了学习速度，增加了网络的力量。
我明白了。恒定的偏移量只是将高切曲线上的激活点稍稍移动。
中子写道>>。
这是我想出来的。
高切线被整理出来了。直到现在我还在使用sigmoid，并且不得不从结果中减去一个，但我不需要用th。就我的理解，该图显示了市场上NS的最佳架构。输入的数量是12，突触的数量是4。 因此，使用公式Popt=k*w*w/d，我们得到144/4=36。这是36条吗？或者36个接近买入/卖出的情况？我说对了吗？