文章
深度神经网络(第八部分)。 提高袋封融合的分类品质 MetaTrader 5
本文研讨三种可用于提高袋封融合分类品质的方法，并对其效率进行了评估。 评估 ELM 神经网络超参数的优化效果，以及后期处理参数。
深度神经网络 (第七部分)。 神经网络的融合: 堆叠 MetaTrader 5
我们继续构建融合。 这次，之前创建的融合袋将辅以可训练的合并器 — 深度神经网络。 一个神经网络在修剪后合并了 7 个最佳融合输出。 第二个将融合的所有 500 个输出作为输入，修剪并合并它们。 神经网络将使用 Python 的 keras/TensorFlow 软件包构建。 该软件包的功能也会简要介绍。 还会进行测试并比较装型融合和堆叠融合的分类品质。
深度神经网络 (第六部分)。 神经网络分类器的融合: 引导聚合 MetaTrader 5
本文讨论了用引导聚合结构构建并训练神经网络融合的方法。 它还确定了构成融合的各独立神经网络分类器的超参数优化的特性。 本文中所创建的神经网络融合的品质将与该系列前一篇文章中获得的优化神经网络的品质进行比较。 已考虑到进一步提高融合分类品质的可能性。
深度神经网络 (第五部分)。 DNN 超参数的贝叶斯优化 MetaTrader 5
本文研究利用贝叶斯优化深度神经网络 (DNN) 超参数，获取各种训练变体的可能性。 比较不同训练变体中最优超参数 DNN 的分类品质。 DNN 最优超参数的有效性的深度已在前瞻性测试中得以验证。 改善分类品质的可能方向也已确定。
深度神经网络 (第 IV 部)。创建, 训练和测试神经网络模型 MetaTrader 5
本文将研究 darch 软件包的新功能 (v.0.12.0)。它包含具有不同数据类型, 不同结构和训练顺序的深度神经网络训练的描述。培训结果也包括在内。
深度神经网络 (第 III 部)。样品选择和降维 MetaTrader 5
本文是一系列有关深层神经网络的延续文章。在此, 我们将研究选择样本 (消除噪声), 降低输入数据的维度, 并在数据准备期间将数据集合划分为训练/验证/测试集合, 以便训练神经网络。
深度神经网络 (第 II 部)。制定和选择预测因子 MetaTrader 5
有关深度神经网络系列的第二篇文章研究当准备模型训练的数据期间预测因子的变换和选择。
深度神经网络 (第 I 部)。准备数据 MetaTrader 5
本系列文章继续探索深度神经网络 (DNN) 在众多应用领域 (包括交易) 中的运用。在此会探索本主题的新维度, 同时使用实际的实验测试新的方法和思路。本系列的第一篇文章致力于为 DNN 准备数据。
EA交易的自我优化: 进化与遗传算法 MetaTrader 5
本文涵盖的内容是提出了进化算法主要原则，以及它们的特点和多样性。我们将使用一个简单的EA交易作为实例来做实验，来展示如何通过优化使我们的交易系统获益，我们将探讨在软件程序中实现遗传、进化以及其它类型的优化，并且在优化交易系统的预测器集合与参数时提供示例程序。
采用栈式 RBM 的深度神经网络。自训练, 自控制 MetaTrader 4
本文是有关深度神经网络和预测器选择的前文之续篇。在此我们将涵盖由栈式 RBM 初始化的深度神经网络特性, 以及它在 "darch" 软件包里的实现。
论坛
你对这个黄金笑话有什么看法？
美国准备停止贵金属报价并固定官方美元汇率 29.12.14 17:10 经济 资料来源： 美国准备结束对贵金属的报价，并破坏美元的正式课程 。 从2014年12月22日起，在美国市场上，贵金属汇率的波动将受到严格限制，而这种波动实际上并没有不受干扰。因此，以黄金表示的美元价值正式成为一个常数，尽管在实践中不可能用一盎司黄金换取任何山一样的美元。 结束的开始？ 有什么看法？