市场礼仪或雷区中的良好风度 - 页 18 1...111213141516171819202122232425...104 新评论 TheXpert 2009.05.10 13:22 #171 paralocus >> : 中子,我还想问一下赫伯的训练情况(由沃瑟曼读)。看来,纠正权重的公式非常简单。 Wij(t+1) = Wij(t) + [OUTi(t) - OUTi(t-1)]*[OUTj(t) - OUTj(t-1)],没有梯度下降。它能起作用吗? 请阅读它用于哪些网络,在哪些情况下被使用。 Neutron 2009.05.11 08:49 #172 HideYourRichess писал(а)>> 我有一个固定的尺寸。另外,如果你的输赢金额是按照正常规律分布的,那么就怀疑这对应的是一个固定金额。 现在我的输钱和赢钱的贿赂数额也是相等的。为此,我不得不挖掘所有的TC,把它磨成一个固定大小的技巧,但你可以使用所有的最佳MM的力量,在这种情况下,它有一个准确的分析表示,而且,从长远来看,当再投资的资金,没有其他的TS不同,不会给更多的利润率!为了公平起见,应该指出,一般来说,这种说法是不正确的,更高的回报策略是存在的,但只适用于趋势性市场和高度的可预测性(P>0.2),而对于市场来说,这种情况从来没有得到满足。这种策略将是 "锁定损失,让利润增长"。 左边的图是我们熟悉的图片,显示了不同的交易杠杆L 值下最佳TS利润的对数。它结合了数字模拟的结果,通过蒙特卡洛方法操作TS的报价与市场报价相同(欧元兑美元),并考虑到佣金 -Sp.平均值是针对200个独立的交易时段进行的,每个时段有1000个交易。初始资本取为1(ln(1)=0),晶须显示交易结果在1/e水平上的典型散点。蓝色表示基本交易方程的分析解的结果。 ...1. 顺便说一下,爱德华-索普的作品 "21点、体育和股市中的凯利准则 "为交易结束时账户余额的方差提供了一个分析解决方案,并允许估计我们的账户在 N次 交易后可能处于哪个区间。但是,索普在推导时犯了一个错误,结果与现实不符。我能够得到一个类似的关系,结果表示为蓝色圆圈的线条。你可以看到与数值实验的结果非常一致。下面是用再投资资金进行交易结果的方差表达式。 ...............................................2. 当然,对于我们这些交易者来说,主要的兴趣是分析完全毁灭的风险。右图显示了最大存款缩减量占其当前值百分比的数值模拟结果(蓝线)。我们可以看到,我们使用的杠杆越大,账户缩水的风险就越大。我们可以找到这些最大缩水的平均值和过程的分散性(红色数据)。不幸的是,交易过程的这一特点几乎没有任何信息。问题是,随着交易者在市场上花费的时间增加,执行的交易数量也会增加,相应地,毁掉的风险也会增加。也就是说,破产的事实是一个时间问题!而且,无论在交易中使用多么谨慎的战术,我们迟早会被带到零点!"。这是真的。重要的是要及时停下来,把药膏拿掉。总之,在TS的测量参数(可预测程度--p 和交易范围--H)下,最佳MM保证了存款的最大增长率。是的,我们将失去存款,但我们也将重新开始,我们的福利的总体增长率(考虑到可能的损失)将是自然界中可能的最高水平!"。 让我提醒你,只有当TS为正MO时,或者类似地,当p>0 时,一个最佳的MM才能保证最大的存款增长率,我想指出的是,在杠杆和交易期限的最佳值下,存款增长率(存款翻倍的特征时间的逆值)随着预测p 的可信度增加而明显增加。 ...................................................................................3. - 作为参数的第四度。在这种情况下,非常重要的是把最大的努力放在开发这样一个TS上,以便获得尽可能高的预测精度,如果这需要增加NS的容量(隐藏层的神经元数量),你应该不惜精力和时间,因为目的是要得到回报。那么,TC优化的目标是找到最大的功能。 .........................4. 它只通过搜索一个参数--H-交易 范围,然后计算与之对应的预测可靠性--P。找到的H值 被认为是最佳的,只要市场的总体趋势不改变,就可以进行交易。市场被持续监测。幸运的是,如果有一个分析性的解决方案,这并不是资源密集型。 研究表明,在资金再投资时,最佳的TS是伯努利的TS,即订单的SL 和TP 相等的TS,并且等于基于交易结果的函数最大化找到的Hopt。此外,有一个最佳的杠杆 Lopt 提供了最大的存款增长率,这样任何其他的MM都会在很长的时间间隔内给出一个较小的利润。 .........................................................................5. 在这一点上,使用一种仪器时的最佳MM的话题可以说在理论上得到了解决,并在实践中完成。在选定的交易范围内Hopt 预测价格增量的可靠性最大化的问题仍然没有解决。很明显,这个任务对于神经网络来说,在每个交易中都有一个重新学习的区块。 Market etiquette or good 开发一个跨平台的EA交易来根据风险设置止损和获利 网格和马丁格尔交易系统中的机器学习。 您敢为其打赌吗? paralocus 2009.05.11 10:58 #173 Neutron >> : 你现在要解决的是NS的最佳输入问题。当然,你可以把各种指数放在输入端,希望网格能决定什么是最适合它的......但最好是思考 "市场上最佳的TS是什么?也许你应该预测它的时刻? 阅读这部作品。当然也有一些小毛病,但它们不是本金。 在阅读Ezhov的过程中,我有一个怀疑,即诱导者,至少在这种形式下,根本就没有必要!"。所有这些RSI和Stochasticks都没有用::) Neutron 2009.05.12 04:00 #174 我已经说了很久了。 事实是,在TA使用的所有指标中,有很大一部分是以某种方式使用价格序列平均法建立的。例如,RSI包含了正数增量的平均值和负数的平均值。这将是可以的,但在试图平均BP时出现的不可避免的FP,使我们所有的努力化为乌有。这不是偶然的;可以严格证明,使用平滑法的BP预测只可能用于GR,其第一个差值的读数是正相关的。对于价格类型的BPs,这个条件永远不会被满足。因此,不可避免地出现了令人失望的结果。你不能对预测的价格系列进行平均或平滑。你需要其他的分析方法。特别是,回归方法(如果有模型)或神经网络方法(如果没有模型)。 我在上一篇文章中提出的分析解决方案的好处是,我们明确得到了函数(4),其最大化可以转移到NS。在这种情况下,我们的任务极其简单--我们需要确保互联网不掉线 :-) paralocus 2009.05.12 09:37 #175 Neutron >> : 我已经谈了很久了。 事实是,在TA使用的所有指标中,有很大一部分是以某种方式使用价格序列平均法建立的。例如,RSI包含了正数增量的平均值和负数的平均值。这将是可以的,但在试图平均BP时出现的不可避免的FP,使我们所有的努力化为乌有。这不是偶然的;可以严格证明,使用平滑法的BP预测只可能用于GR,其第一差的读数是正相关的。对于价格类型的BPs,这个条件永远不会被满足。因此,不可避免地出现了悲惨的结果。你不能对预测的价格系列进行平均或平滑。你需要其他的分析方法。特别是,回归方法(如果有模型)或神经网络方法(如果没有模型)。 我在上一篇文章中提出的分析解决方案的好处是,我们明确得到了函数(4),其最大化可以转移到NS。在这种情况下,我们的任务极其简单--我们需要确保互联网不会崩溃 :-) 中子,我想我开始明白了一些事情!我想我开始明白了。我有很多问题,甚至有几个想法。 火鸡见鬼去吧!昨天我做了一个有趣的实验:我想知道感知器预测增量的能力是什么。 图片显示了优化后2个月的一个!!!感知器。我很震惊! 我有很多问题,我不可能一下子写完。 1.我通过下切法影响输入信号,为了使其分布密度均匀,我首先将信号乘以系数K>1(下切法之前)。 大多数情况下,有可能得到一个相当均匀的分布,即我们得到以下函数:F(t) = tn(K * Y(t))。我凭经验选择K,在一个专门磨制的指示器中。然而,这并不总是可能的。通常情况下,在这个信号乘以K之前,输入信号正切分布的密度是这样的。 而乘以K后,看起来是这样的。 也就是说,输入信号(其正切)在+/-1的范围内被拉长。 但在BP增量的情况下,我们得到的信号不能被还原为均匀分布。 这里是乘法前的信号。 乘法后:(在我的指标中看到这一点并不总是可能的,因为中间 "消失了"。) 既然我已经看到输入白化会大大影响学习的质量和由此产生的可预测性,我想知道除了信号乘法就没有其他方法了吗? 如果没有,该怎么做? paralocus 2009.05.12 11:25 #176 Neutron >> : 我在上一篇文章中给出的分析解决方案的好处是,我们已经明确地得到了函数(4),其最大化可以转移到NS。在这种情况下,我们的任务非常简单--有必要确保互联网不会掉下来 :-) 这个主题的主要内容我已经有机会欣赏到了!-:)你是个天才,我不是在开玩笑! 我有一个想法。很可能是一个新的。我昨天晚上发生了 "短路"...在我的个人神经网络的所有层面上 -:) 问题是,我一生都在研究人,不仅是在他的社会和个人实现的背景下--因为所有这些都是 "表面的"--而是作为一个整体的存在现象和 "意识的容器"。一夜之间,我多年来收集的所有东西现在都系统化了(自我组织),从一个结构化的事实和假设的集合变成一个完整的整体。 我无法掩饰我的喜悦!哦,好吧...那是一个离题。 这个想法很简单。 为了提高任何规模或目的的NS的稳健性,你必须尝试感染它们...感染他们。对于图灵机的确定性逻辑来说,病毒当然是致命的--对于NS和人工智能来说,通过适当的 "剂量 "应用,它可能会变成只是 "活水"。现在让我们逐一谈一谈。 1.所有生物体都是神经网络的本质。这句话似乎过于大胆,但这是一个现象学事实。 2.所有的生物体都是为了学习而被置于一个具有攻击性的环境中--我们称之为进化。我们只需记住,伴随着形式的演变,体现在这些形式中的个人意识也在不断演变。意识本身是系统(神经网络)复杂性的影响,其进化的 "普朗克" - :),我假设 - 是系统的复杂性与系统的熵的比率。 3.熵降到一定限度以下的系统会消亡,因为它们没有能力进一步进化;然而,熵升到一定限度以上的系统也会自我毁灭。因此,结论是:为了使一个系统成功地进化,其熵应该在一定时期内定期地达到给定系统的最大允许值。这样的状态我们称之为 "疾病"。我所说的 "疾病 "一词是指相当广泛的意义--一个看起来相当健康的罪犯是一个病人。只是生病的不是他的身体,而是他的心灵和他所接受的痛苦,大多不是以发烧或感冒的形式,而是以所谓 "沉重的十字架"、"命运 "等形式。然而,他们接受的这种 "社会 "痛苦是进化连续体教学影响的类型之一--将生物的熵提高到其难以承受的极限。这就提出了一个关于教师和他的目标的哲学问题......然而,这远远超出了我们论坛的讨论范围--:) 4.那些生存下来的人--已经发展了免疫力--在最广泛的意义上--即不仅针对病原菌和社会,而且更重要的是对于进化--交易性的外部和交易性的内部。 5.在任何生命系统中,都有这样的 "微生物",如果免疫力被削弱到一定程度,就一定会杀死它。大自然为什么要这样做?为了提高同一系统抵御环境因素的能力,即通过不断的内部 "训练 "系统的生存,有更多的机会(时间)继续进行个体进化。 6.让我们假设一个进化系统的任务是发展免疫力(在所有意义上)。然后,一个有趣的事情出现了:与神经元和连接的数量相比,生物NS的输入和输出(甚至更少)的数量少得令人发指!在这种情况下,我们可以看到,有很多人都不知道该怎么办。也就是说,我们急剧增加中间层的神经元数量(如果有三个层--输入、隐藏和输出),现在我们可以尝试 "感染 "NS。这可以通过在校正权重时引入一个计量的随机误差来实现!再进一步说,通过增加或减少这种随机误差的频率或振幅,可以对NS进行替代训练。 例如,在校正权重之前,我们可以尝试用一个函数向校正器添加一个小误差,这个函数(随机地)每调用1000次就会从某个范围内返回一个随机值(例如+0.01 / -0.01 )。不知道什么时候或哪个神经元会得到一个小的错误增量。这种增量发生得越频繁--系统的熵就越高。在这种情况下,国家安全局将必须考虑到...它自己的错误! 这种想法... Hide 2009.05.12 11:39 #177 Neutron >> : 这一切都很好,除了一件小事。你的原始公式有一个错误。问题是,表达式1+(L*(sigma*H-Sp)/S)并不等同于每笔交易的资本收益,而这正是你想用这个表达式代替的。坦率地说,我不明白你认为它是 "明显 "的依据。这就是第一点。第二,不同货币对的公式必须不同。该公式只有三个版本:用于有 "直接报价"、"反向报价 "和 "交叉汇率 "的配对。以 "直接报价 "对为例,收益金额作为总资本的一部分,可以按以下方式计算。(TakeProfit-Spread)*size_one_lot*number of_lots/deposit。相应地,为了找到增益比,在公式中加入1。表达式 "size_one_lot*number_lots "是在考虑到杠杆的情况下,参与交易的资金量。更普遍的是,对于直接报价,在文章中的某个地方有一个公式:财务结果=(卖价 -买价)*手数*手数大小-佣金*手数±银行利息。在这个公式中,价差被直接计入价格。 Neutron 2009.05.12 13:08 #178 HideYourRichess писал(а)>> 这一切都很好,除了一件小事。你的原始公式有一个错误。关键是 1+(L*(sigma*H-Sp)/S) 不等同于每笔交易的资本收益,而这正是你想使用的。 谢谢你,HideYourRichess,谢谢你不辞辛苦地检查计算结果。我知道检查别人的计算结果是多么痛苦的事情。当然,我不排除公式和假设中的错误,因为它们是由公式和假设得出的,所以我试图通过数字实验来检查分析解决方案的结果。在我们的案例中,我们用相等的增量步骤 H 点来模拟离散价格增量的过程。此外,预期增量对前一个增量有一个固定的依赖性:P= 所有连续增量的总和 除以所有运动的加倍数量。对于一个真实的市场商数,你可以显示一个类似的细分,并找到相应的系数p。 因此,数值模型的结果与我获得的分析解决方案的结果完全吻合(见上面的左图)。因此,在这个问题的表述及其分析解决方案中没有错误!可以争论模型与现实的对应关系,但这里没有问题--我总是可以在商上实现这种分割,并找到P。 paralocus 写道>> 我已经成功地欣赏到了这个主题的主要内容! 谢谢你的好意,但知道如何取导数并找到一个函数的极值,能有什么特别之处?许多人根本不想参与详细的分析,直接冲向采石场比较容易。 我以后会仔细考虑你上面写的内容。 paralocus 2009.05.12 13:46 #179 Neutron >> : 谢谢你的好意... 谢谢你! 这是另一个。 1.感染系统的另一个选择是将额外的随机输入引入一个神经元或一组神经元--一个器官。 2."器官 "可以表示为具有一个普遍反馈的专门的神经元组--即每个器官神经元 "知道 "其组(器官或家族)的任何其他神经元的输出是什么,而每个组都知道生物体的输出是什么。这样的NS将能够进行动态的自我适应,学习的需求将是其主导因素之一--即系统可以有目的地、自我激励地寻求和归纳它所需要的知识。我们的任务将是为它建立障碍,并在这里和那里散布零星的知识 -:) Hide 2009.05.12 13:54 #180 Neutron >> : 因此,数值模拟的结果与我得到的分析解决方案的结果完全吻合(见上面的左图)。因此,这个问题的表述和得到的分析解没有任何错误!有可能争论模型与现实的对应关系,但在这里完全没有问题--我总是可以在商上实现给定的分区,并且在寻找P方面没有问题。 这里 有一点关于杠杆和与之相关的一些 "技巧"。这是一个交易服务器模拟器上的模拟。 1...111213141516171819202122232425...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
中子,我还想问一下赫伯的训练情况(由沃瑟曼读)。看来,纠正权重的公式非常简单。
Wij(t+1) = Wij(t) + [OUTi(t) - OUTi(t-1)]*[OUTj(t) - OUTj(t-1)],没有梯度下降。它能起作用吗?
请阅读它用于哪些网络,在哪些情况下被使用。
我有一个固定的尺寸。另外,如果你的输赢金额是按照正常规律分布的,那么就怀疑这对应的是一个固定金额。
现在我的输钱和赢钱的贿赂数额也是相等的。为此,我不得不挖掘所有的TC,把它磨成一个固定大小的技巧,但你可以使用所有的最佳MM的力量,在这种情况下,它有一个准确的分析表示,而且,从长远来看,当再投资的资金,没有其他的TS不同,不会给更多的利润率!为了公平起见,应该指出,一般来说,这种说法是不正确的,更高的回报策略是存在的,但只适用于趋势性市场和高度的可预测性(P>0.2),而对于市场来说,这种情况从来没有得到满足。这种策略将是 "锁定损失,让利润增长"。
左边的图是我们熟悉的图片,显示了不同的交易杠杆L 值下最佳TS利润的对数。它结合了数字模拟的结果,通过蒙特卡洛方法操作TS的报价与市场报价相同(欧元兑美元),并考虑到佣金 -Sp.平均值是针对200个独立的交易时段进行的,每个时段有1000个交易。初始资本取为1(ln(1)=0),晶须显示交易结果在1/e水平上的典型散点。蓝色表示基本交易方程的分析解的结果。
顺便说一下,爱德华-索普的作品 "21点、体育和股市中的凯利准则 "为交易结束时账户余额的方差提供了一个分析解决方案,并允许估计我们的账户在 N次 交易后可能处于哪个区间。但是,索普在推导时犯了一个错误,结果与现实不符。我能够得到一个类似的关系,结果表示为蓝色圆圈的线条。你可以看到与数值实验的结果非常一致。下面是用再投资资金进行交易结果的方差表达式。
当然,对于我们这些交易者来说,主要的兴趣是分析完全毁灭的风险。右图显示了最大存款缩减量占其当前值百分比的数值模拟结果(蓝线)。我们可以看到,我们使用的杠杆越大,账户缩水的风险就越大。我们可以找到这些最大缩水的平均值和过程的分散性(红色数据)。不幸的是,交易过程的这一特点几乎没有任何信息。问题是,随着交易者在市场上花费的时间增加,执行的交易数量也会增加,相应地,毁掉的风险也会增加。也就是说,破产的事实是一个时间问题!而且,无论在交易中使用多么谨慎的战术,我们迟早会被带到零点!"。这是真的。重要的是要及时停下来,把药膏拿掉。总之,在TS的测量参数(可预测程度--p 和交易范围--H)下,最佳MM保证了存款的最大增长率。是的,我们将失去存款,但我们也将重新开始,我们的福利的总体增长率(考虑到可能的损失)将是自然界中可能的最高水平!"。
让我提醒你,只有当TS为正MO时,或者类似地,当p>0 时,一个最佳的MM才能保证最大的存款增长率,我想指出的是,在杠杆和交易期限的最佳值下,存款增长率(存款翻倍的特征时间的逆值)随着预测p 的可信度增加而明显增加。
- 作为参数的第四度。在这种情况下,非常重要的是把最大的努力放在开发这样一个TS上,以便获得尽可能高的预测精度,如果这需要增加NS的容量(隐藏层的神经元数量),你应该不惜精力和时间,因为目的是要得到回报。那么,TC优化的目标是找到最大的功能。
它只通过搜索一个参数--H-交易 范围,然后计算与之对应的预测可靠性--P。找到的H值 被认为是最佳的,只要市场的总体趋势不改变,就可以进行交易。市场被持续监测。幸运的是,如果有一个分析性的解决方案,这并不是资源密集型。
研究表明,在资金再投资时,最佳的TS是伯努利的TS,即订单的SL 和TP 相等的TS,并且等于基于交易结果的函数最大化找到的Hopt。此外,有一个最佳的杠杆 Lopt 提供了最大的存款增长率,这样任何其他的MM都会在很长的时间间隔内给出一个较小的利润。
在这一点上,使用一种仪器时的最佳MM的话题可以说在理论上得到了解决,并在实践中完成。在选定的交易范围内Hopt 预测价格增量的可靠性最大化的问题仍然没有解决。很明显,这个任务对于神经网络来说,在每个交易中都有一个重新学习的区块。
你现在要解决的是NS的最佳输入问题。当然,你可以把各种指数放在输入端,希望网格能决定什么是最适合它的......但最好是思考 "市场上最佳的TS是什么?也许你应该预测它的时刻?
阅读这部作品。当然也有一些小毛病,但它们不是本金。
在阅读Ezhov的过程中,我有一个怀疑,即诱导者,至少在这种形式下,根本就没有必要!"。所有这些RSI和Stochasticks都没有用::)
我已经说了很久了。
事实是,在TA使用的所有指标中,有很大一部分是以某种方式使用价格序列平均法建立的。例如,RSI包含了正数增量的平均值和负数的平均值。这将是可以的,但在试图平均BP时出现的不可避免的FP,使我们所有的努力化为乌有。这不是偶然的;可以严格证明,使用平滑法的BP预测只可能用于GR,其第一个差值的读数是正相关的。对于价格类型的BPs,这个条件永远不会被满足。因此,不可避免地出现了令人失望的结果。你不能对预测的价格系列进行平均或平滑。你需要其他的分析方法。特别是,回归方法(如果有模型)或神经网络方法(如果没有模型)。
我在上一篇文章中提出的分析解决方案的好处是,我们明确得到了函数(4),其最大化可以转移到NS。在这种情况下,我们的任务极其简单--我们需要确保互联网不掉线 :-)
我已经谈了很久了。
事实是,在TA使用的所有指标中,有很大一部分是以某种方式使用价格序列平均法建立的。例如,RSI包含了正数增量的平均值和负数的平均值。这将是可以的,但在试图平均BP时出现的不可避免的FP,使我们所有的努力化为乌有。这不是偶然的;可以严格证明,使用平滑法的BP预测只可能用于GR,其第一差的读数是正相关的。对于价格类型的BPs,这个条件永远不会被满足。因此,不可避免地出现了悲惨的结果。你不能对预测的价格系列进行平均或平滑。你需要其他的分析方法。特别是,回归方法(如果有模型)或神经网络方法(如果没有模型)。
我在上一篇文章中提出的分析解决方案的好处是,我们明确得到了函数(4),其最大化可以转移到NS。在这种情况下,我们的任务极其简单--我们需要确保互联网不会崩溃 :-)
中子,我想我开始明白了一些事情!我想我开始明白了。我有很多问题,甚至有几个想法。
火鸡见鬼去吧!昨天我做了一个有趣的实验:我想知道感知器预测增量的能力是什么。
图片显示了优化后2个月的一个!!!感知器。我很震惊!
我有很多问题,我不可能一下子写完。
1.我通过下切法影响输入信号,为了使其分布密度均匀,我首先将信号乘以系数K>1(下切法之前)。
大多数情况下,有可能得到一个相当均匀的分布,即我们得到以下函数:F(t) = tn(K * Y(t))。我凭经验选择K,在一个专门磨制的指示器中。然而,这并不总是可能的。通常情况下,在这个信号乘以K之前,输入信号正切分布的密度是这样的。
而乘以K后,看起来是这样的。
也就是说,输入信号(其正切)在+/-1的范围内被拉长。
但在BP增量的情况下,我们得到的信号不能被还原为均匀分布。
这里是乘法前的信号。
乘法后:(在我的指标中看到这一点并不总是可能的,因为中间 "消失了"。)
既然我已经看到输入白化会大大影响学习的质量和由此产生的可预测性,我想知道除了信号乘法就没有其他方法了吗?
如果没有,该怎么做?
我在上一篇文章中给出的分析解决方案的好处是,我们已经明确地得到了函数(4),其最大化可以转移到NS。在这种情况下,我们的任务非常简单--有必要确保互联网不会掉下来 :-)
这个主题的主要内容我已经有机会欣赏到了!-:)你是个天才,我不是在开玩笑!
我有一个想法。很可能是一个新的。我昨天晚上发生了 "短路"...在我的个人神经网络的所有层面上 -:)
问题是,我一生都在研究人,不仅是在他的社会和个人实现的背景下--因为所有这些都是 "表面的"--而是作为一个整体的存在现象和 "意识的容器"。一夜之间,我多年来收集的所有东西现在都系统化了(自我组织),从一个结构化的事实和假设的集合变成一个完整的整体。
我无法掩饰我的喜悦!哦,好吧...那是一个离题。
这个想法很简单。
为了提高任何规模或目的的NS的稳健性,你必须尝试感染它们...感染他们。对于图灵机的确定性逻辑来说,病毒当然是致命的--对于NS和人工智能来说,通过适当的 "剂量 "应用,它可能会变成只是 "活水"。现在让我们逐一谈一谈。
1.所有生物体都是神经网络的本质。这句话似乎过于大胆,但这是一个现象学事实。
2.所有的生物体都是为了学习而被置于一个具有攻击性的环境中--我们称之为进化。我们只需记住,伴随着形式的演变,体现在这些形式中的个人意识也在不断演变。意识本身是系统(神经网络)复杂性的影响,其进化的 "普朗克" - :),我假设 - 是系统的复杂性与系统的熵的比率。
3.熵降到一定限度以下的系统会消亡,因为它们没有能力进一步进化;然而,熵升到一定限度以上的系统也会自我毁灭。因此,结论是:为了使一个系统成功地进化,其熵应该在一定时期内定期地达到给定系统的最大允许值。这样的状态我们称之为 "疾病"。我所说的 "疾病 "一词是指相当广泛的意义--一个看起来相当健康的罪犯是一个病人。只是生病的不是他的身体,而是他的心灵和他所接受的痛苦,大多不是以发烧或感冒的形式,而是以所谓 "沉重的十字架"、"命运 "等形式。然而,他们接受的这种 "社会 "痛苦是进化连续体教学影响的类型之一--将生物的熵提高到其难以承受的极限。这就提出了一个关于教师和他的目标的哲学问题......然而,这远远超出了我们论坛的讨论范围--:)
4.那些生存下来的人--已经发展了免疫力--在最广泛的意义上--即不仅针对病原菌和社会,而且更重要的是对于进化--交易性的外部和交易性的内部。
5.在任何生命系统中,都有这样的 "微生物",如果免疫力被削弱到一定程度,就一定会杀死它。大自然为什么要这样做?为了提高同一系统抵御环境因素的能力,即通过不断的内部 "训练 "系统的生存,有更多的机会(时间)继续进行个体进化。
6.让我们假设一个进化系统的任务是发展免疫力(在所有意义上)。然后,一个有趣的事情出现了:与神经元和连接的数量相比,生物NS的输入和输出(甚至更少)的数量少得令人发指!在这种情况下,我们可以看到,有很多人都不知道该怎么办。也就是说,我们急剧增加中间层的神经元数量(如果有三个层--输入、隐藏和输出),现在我们可以尝试 "感染 "NS。这可以通过在校正权重时引入一个计量的随机误差来实现!再进一步说,通过增加或减少这种随机误差的频率或振幅,可以对NS进行替代训练。
例如,在校正权重之前,我们可以尝试用一个函数向校正器添加一个小误差,这个函数(随机地)每调用1000次就会从某个范围内返回一个随机值(例如+0.01 / -0.01 )。不知道什么时候或哪个神经元会得到一个小的错误增量。这种增量发生得越频繁--系统的熵就越高。在这种情况下,国家安全局将必须考虑到...它自己的错误!
这种想法...
这一切都很好,除了一件小事。你的原始公式有一个错误。问题是,表达式1+(L*(sigma*H-Sp)/S)并不等同于每笔交易的资本收益,而这正是你想用这个表达式代替的。坦率地说,我不明白你认为它是 "明显 "的依据。这就是第一点。第二,不同货币对的公式必须不同。该公式只有三个版本:用于有 "直接报价"、"反向报价 "和 "交叉汇率 "的配对。以 "直接报价 "对为例,收益金额作为总资本的一部分,可以按以下方式计算。(TakeProfit-Spread)*size_one_lot*number of_lots/deposit。相应地,为了找到增益比,在公式中加入1。表达式 "size_one_lot*number_lots "是在考虑到杠杆的情况下,参与交易的资金量。更普遍的是,对于直接报价,在文章中的某个地方有一个公式:财务结果=(卖价 -买价)*手数*手数大小-佣金*手数±银行利息。在这个公式中,价差被直接计入价格。
这一切都很好,除了一件小事。你的原始公式有一个错误。关键是 1+(L*(sigma*H-Sp)/S) 不等同于每笔交易的资本收益,而这正是你想使用的。
谢谢你,HideYourRichess,谢谢你不辞辛苦地检查计算结果。我知道检查别人的计算结果是多么痛苦的事情。当然,我不排除公式和假设中的错误,因为它们是由公式和假设得出的,所以我试图通过数字实验来检查分析解决方案的结果。在我们的案例中,我们用相等的增量步骤 H 点来模拟离散价格增量的过程。此外,预期增量对前一个增量有一个固定的依赖性:P= 所有连续增量的总和 除以所有运动的加倍数量。对于一个真实的市场商数,你可以显示一个类似的细分,并找到相应的系数p。
因此,数值模型的结果与我获得的分析解决方案的结果完全吻合(见上面的左图)。因此,在这个问题的表述及其分析解决方案中没有错误!可以争论模型与现实的对应关系,但这里没有问题--我总是可以在商上实现这种分割,并找到P。
我已经成功地欣赏到了这个主题的主要内容!
谢谢你的好意,但知道如何取导数并找到一个函数的极值,能有什么特别之处?许多人根本不想参与详细的分析,直接冲向采石场比较容易。
我以后会仔细考虑你上面写的内容。
谢谢你的好意...
谢谢你!
这是另一个。
1.感染系统的另一个选择是将额外的随机输入引入一个神经元或一组神经元--一个器官。
2."器官 "可以表示为具有一个普遍反馈的专门的神经元组--即每个器官神经元 "知道 "其组(器官或家族)的任何其他神经元的输出是什么,而每个组都知道生物体的输出是什么。这样的NS将能够进行动态的自我适应,学习的需求将是其主导因素之一--即系统可以有目的地、自我激励地寻求和归纳它所需要的知识。我们的任务将是为它建立障碍,并在这里和那里散布零星的知识 -:)
因此,数值模拟的结果与我得到的分析解决方案的结果完全吻合(见上面的左图)。因此,这个问题的表述和得到的分析解没有任何错误!有可能争论模型与现实的对应关系,但在这里完全没有问题--我总是可以在商上实现给定的分区,并且在寻找P方面没有问题。
这里 有一点关于杠杆和与之相关的一些 "技巧"。这是一个交易服务器模拟器上的模拟。