在交易中使用神经网络 - 页 14

[Дмитрий]

TheXpert:
啊，这很容易。只要它开始学习，这就足够了。

现在我将演示新的网络。有了所有的测试。

[[删除]]

TheXpert:
啊，这很简单。只要它开始学习，这就足够了。

Reshetov的Perseptron也学到了一些东西，但它显然不够....。

我认为，为了谈论充分性，必须以某种方式学会分析训练的结果，在OV上，取决于训练的时期（输入例子的数量），单单OOS在这里不是一个帮助。我在这个地方跌跌撞撞地走了很久，我觉得真理就在附近，但我无法把握它。

[TheXpert]

Figar0:

我在这个地方跌跌撞撞地走了很久，感觉真理就在附近的某个地方，但我却抓不住把柄。

嗯，不知道，这是最基本的事情。

[Дмитрий]

Figar0:

Reshetov的Perseptron也学到了一些东西，但它显然不够....。

我认为，为了谈论充分性，必须以某种方式学会分析训练的结果，在OV上，取决于训练的时期（输入例子的数量），单单OOS在这里不是一个帮助。我在这个地方跌跌撞撞地走了很久，我觉得真理就在附近，但我无法掌握它。

我似乎已经掌握了它。在大样本上进行优化。我得到的缩减是低于净利润的。然后我减少样本并添加最后一个精炼神经元。我可能是错的。我发一个例子。

[[删除]]

我在研究中使用了几种方法。

1）给网络一个左边的输入，好比太阳天气的每日变化，教它在这个输入上进行交易，例如一个月。在这里，纯形式的网应该表现出它的记忆/跟随能力。然后给予正常的输入。我试图以某种方式分析训练结果之间的差异。

2) 试图分析训练的结果与增加训练样本的大小有关。几乎所有的网络和配置，到某一时刻都有一个增加的结果，然后通常会出现停滞，进一步增加输入样本的数量可能会导致更糟糕的结果。

通过我的这些研究结果，我试图对网络的充分性和训练期做出结论，以及它们之间是否有任何联系。 这就是我进入这个话题的原因。也许有人会提出一些建议。

[TheXpert]

有一个累积的均方根误差。它可以针对不同的网络进行比较。并用它来确定它是否学到了什么。

[Дмитрий]

TheXpert:
有一个累积的均方根误差。它可以针对不同的网络进行比较。并用它来确定它是否学到了什么。

什么的错误？

[TheXpert]

grell:
犯了什么错误？

当然是出口。

[Дмитрий]

TheXpert:
当然是出口。

而如果不预测产出，那么如何预测？

[[删除]]

grell:

我有点摸不着头脑了。在大样本上进行优化。我得到的缩减量要比净利润低。然后我减少样本并添加最后一个精炼神经元。我可能是错的。我将发布一个例子。

这很好，例如我很想看看专家顾问在培训期间到底是如何工作的，你认为这很成功。