Diskussion zum Artikel "DeMarks Sequential (TD SEQUENTIAL) unter Verwendung künstlicher Intelligenz"
Wo ist also die "künstliche Intelligenz", wie Sie behaupten? Wo ist das neuronale Netz?
1. Zwei NN-Richtungen? Es hat (meistens) zwei Probleme gelöst - Regression und Klassifizierung. Weniger häufig verwenden wir Clustering und Ranking. Und es gibt Dutzende, wenn nicht Hunderte von neuronalen Netzen. Welche Art von neuronalem Netz haben Sie verwendet?
(2) Overfiting ist nicht nur definiert, sondern es wurden auch Methoden entwickelt, um die Wahrscheinlichkeit seines Auftretens zu verringern. Bei neuronalen Netzen handelt es sich um Regularisierung (L1/L2), Stabilisierung (Dropout, Dropconnect und viele andere). Um eine bekannte Redewendung zu paraphrasieren: Alle Modelle werden neu trainiert, aber einige haben eine viel geringere Wahrscheinlichkeit dafür.
3. Klassifikatoren können "hart" sein, d. h. sie geben niemals eine Vorhersage auf, und "weich", d. h. sie verweigern eine Vorhersage und sagen "Ich weiß es nicht". "Der "harte Klassifikator" wird nach der Kalibrierung "weich". Es gibt noch andere Möglichkeiten, einen Klassifikator "weich" zu machen.
4. Nun, die Empfehlung, Signale nach dem ersten Fehler zu Beginn des Tages umzukehren, ist super.
Gäbe es nicht zahlreiche Vorankündigungen des Autors mit dem Versprechen einer Revolution in der Nutzung neuronaler Netze, könnte man daran vorbeigehen.
Und so, was mich betrifft - kein Kredit.
Wo ist also die "künstliche Intelligenz", wie Sie behaupten? Wo ist das neuronale Netz?
1. Zwei NN-Richtungen? Es hat (meistens) zwei Probleme gelöst - Regression und Klassifizierung. Weniger häufig verwenden wir Clustering und Ranking. Und es gibt Dutzende, wenn nicht Hunderte von neuronalen Netzen. Welche Art von neuronalem Netz haben Sie verwendet?
(2) Overfiting ist nicht nur definiert, sondern es wurden auch Methoden entwickelt, um die Wahrscheinlichkeit seines Auftretens zu verringern. Bei neuronalen Netzen handelt es sich um Regularisierung (L1/L2), Stabilisierung (Dropout, Dropconnect und viele andere). Um eine bekannte Redewendung zu paraphrasieren: Alle Modelle werden neu trainiert, aber einige haben eine viel geringere Wahrscheinlichkeit dafür.
3. Klassifikatoren können "hart" sein, d. h. sie geben niemals eine Vorhersage auf, und "weich", d. h. sie verweigern eine Vorhersage und sagen "Ich weiß es nicht". "Der "harte Klassifikator" wird nach der Kalibrierung "weich". Es gibt noch andere Möglichkeiten, einen Klassifikator "weich" zu machen.
4. Nun, die Empfehlung, Signale nach dem ersten Fehler zu Beginn des Tages umzukehren, ist super.
Gäbe es nicht zahlreiche Vorankündigungen des Autors mit dem Versprechen einer Revolution in der Nutzung neuronaler Netze, könnte man daran vorbeigehen.
Aber was mich betrifft, ist es ein Fail.
Also ... ausgezeichnet!!! Es gibt die ersten Kommentare und es ist gut zu sehen.
1. Ja, in der Tat, es gibt viele Arten von NS, aber die wichtigsten sind zwei Richtungen, Klassifizierung und Vorhersage, Clustering, impliziert, wenn die Klassen nicht zwei 0 und 1, aber mehr. hier ist eine andere Ebene der Probleme.
2. In der Tat steht nichts still, und es gibt bereits Methoden, um Übertraining zu reduzieren, aber der Grad des Übertrainings ist nicht leicht zu erkennen.
3. Es wird ein Ausschuss aus zwei Netzen eingesetzt. Jedes Netz für sich "gibt die Vorhersage nicht auf", wie Sie sagen, aber wir interessieren uns nur für den Moment, in dem das Komitee gleichzeitig "Ja" oder "Nein" sagt.Komitees von Netzen werden seit langem verwendet und sind weit verbreitet. Dem Autor Yuri zufolge hat ein Ausschuss eine höhere Verallgemeinerungsfähigkeit als ein einzelnes Netz.
4. Ja, das ist mit Vorsicht zu genießen, denn wenn man das Netz umdreht, kann man ein zweites Mal einen Fehler machen. Der Punkt ist, dass wir zwei Signale vergleichen, das aktuelle und das vorherige, und wenn wir das Ergebnis des vorherigen Signals kennen, können wir eine Schlussfolgerung über das aktuelle Signal ziehen, über seinen Wahrheitsgehalt, usw. In der Tat kann das Netzwerk einfach einen Fehler machen!!!!.
Nun, ich habe keinen Coup versprochen, sondern nur eine Methode zur RICHTIGEN Konstruktion von TS, denn manchmal schreiben manche Leute so ketzerisch, dass es ein bisschen unheimlich wird!!!!.
Sorry, aber der Artikel ist sehr schlecht, wirklich, wirklich... leider. Es ist eine Werbung für den Optimierer Reshetov und das ist alles, nichts Nützliches. Nehmen Sie das Beispiel des Artikels von Herrn Fomenko über Wälder und Trends, dort, obwohl für Anfänger, aber sehr informativ, haben Sie sehr schlecht gemacht, mit allem Respekt.
Ich will ehrlich sein, es ist meine erste Erfahrung. Und was hat Ihnen nicht gefallen? Kannst du etwas genauer sein? Vielleicht ist etwas nicht klar? Schließlich war der Sinn des Artikels, über die Methoden zu informieren, die jeder verwenden kann, wenn er seinen eigenen TS baut, es ist nicht notwendig, meinen TS im Besonderen zu übernehmen.
Nun.... toll!!! Es gibt die ersten Kommentare und es ist schön zu sehen.
1. Ja, in der Tat, es gibt viele Arten von NS, aber die wichtigsten sind zwei Richtungen, Klassifizierung und Vorhersage, Clustering, impliziert, wenn die Klassen nicht zwei 0 und 1, aber mehr. hier ist bereits eine andere Ebene der Probleme
2. In der Tat steht nichts still, und es gibt bereits Methoden, um Übertraining zu reduzieren, aber der Grad des Übertrainings ist nicht leicht zu erkennen.
3. ein Ausschuss aus zwei Netzen wird eingesetzt. Jedes Netz für sich "gibt die Vorhersage nicht auf", wie Sie es ausdrücken, aber wir interessieren uns nur für den Moment, in dem das Komitee gleichzeitig "Ja" oder "Nein" sagt. Dem Autor Yuri zufolge hat ein Ausschuss eine höhere Verallgemeinerungsfähigkeit als ein einzelnes Netz.
4. Ja, das ist mit Vorsicht zu genießen, denn wenn man das Netz umdreht, kann man ein zweites Mal einen Fehler machen. Der Punkt ist, dass wir zwei Signale vergleichen, das aktuelle und das vorherige, und wenn wir das Ergebnis des vorherigen Signals kennen, können wir eine Schlussfolgerung über das aktuelle Signal ziehen, über seinen Wahrheitsgehalt, usw. In der Tat kann das Netzwerk einfach einen Fehler machen!!!!.
Nun, ich habe keinen Coup versprochen, sondern nur eine Methode zur RICHTIGEN Konstruktion von TS, denn manchmal schreiben manche Leute solche Ketzereien, dass es ein wenig unheimlich wird!!!!.
1. Ein Klassifikator kann 10, 100, 1000 Klassen vorhersagen und wird ein Klassifikator bleiben. KLASTERISIERUNG ist die Einteilung eines unmarkierten Datensatzes in Gruppen anhand bestimmter Merkmale.
2. Es ist nicht einfach, den Zeitpunkt des Einsetzens des Übertrainings zu bestimmen, aber sehr leicht.
3. In der Tat liefert ein Ausschuss von Modellen (nicht immer!) das beste Ergebnis. Aber in Ihrem Fall handelt es sich nicht wirklich um ein Komitee.
Viel Glück
Leider bezieht sich meine Kritik nicht auf die literarische Qualität des Artikels, die ganz normal ist, sondern auf seinen semantischen Inhalt. Sie haben nichts Interessantes gesagt.
Sie betrachten irgendeinen beliebigen "Demark"-Filter und wollen ihm beibringen, mit Hilfe von NS zu verdienen, das ist eine Sackgasse, anstelle von Demark können Sie jeden beliebigen Indikator einfügen, die Bedeutung wird sich nicht ändern, wozu ist er dann gut? Und wenn dieser bestimmte Filter ein gutes Merkmal ist, haben Sie nicht erklärt , warum das so ist. Dann alles, was eigentlich über ML und Feature-Engineering , ist, dass alle Optimierer Reshetov machen ... mmm.... gut, dass ist ... dies ist für ein bestimmtes Publikum Artikel dann, für "Fleisch", aber Fleisch kann nicht einmal verstehen, wie man jar laufen, da müssen Sie nur in mt laufen und beobachten, wie der Prozess der Entleerung ))).
Erklären Sie kurz und prägnant, mit Bildern und Formeln, wie Reshetovs Optimierer funktioniert, da der ganze Sinn darin liegt, wie er Chips macht, wie er klassifiziert, warum er es besser macht als diese oder jene Mainstream-Methode der Extraktion von Chips und Klassifizierung, mit Beispielen und Datensätzen, so dass jeder überzeugt sein könnte, verfeinern im Allgemeinen, während es schlecht ist.
Und schmeißen Sie alle Texte raus, besonders über Vergleiche von Reshetov mit Stradivarius, sonst sieht es so aus, als ob Sie und Reshetov eine physische Person sind, so dass selbst Lecun niemand lobt))))) Ich habe Reshetovs Sorten heruntergeladen, bin aber mit den Händen nicht dazu gekommen, den Algorithmus in den Quellen zu verstehen, das kann ungefähr bis zu einer Woche dauern, aber so viel Zeit hat man nicht für den wahrscheinlich seltsamen Algorithmus, der selbst 2-stellige Datensätze aus irgendeinem Grund nicht essen will))))) Ich wollte mal sehen, wie es mit der partitionierten Maske für 2-dimensionale Verteilungen....
Ich habe in dem Artikel davon gesprochen, dass man jede TS als Basis nehmen kann, ich habe Demark aus den Gründen genommen, die ich im Artikel beschrieben habe (es gibt ein Fenster, Signale auf Peaks und Troughs). Es geht darum, ein Polynom zu erstellen, das eine Verallgemeinerung der Ausgangsvariablen hat, und mit welcher Hilfe Sie das tun, spielt keine Rolle. Die Hauptsache sind die Eingabedaten, die der Grund für den Preis sein sollten, da wir die Arbeit eines jeden TS auf den Preis umlegen.
Ich bin nach der Bearbeitung des Artikels auf diese Quelle gestoßen. Hier erklärt er die Arbeit des Optimierers genauer. Es wird sehr nützlich für KI-Entwickler sein, was ich nicht bin, bitte beachten Sie https://sites.google.com/site/libvmr/home/theory/method-brown-robinson-resetov.
- sites.google.com
1. Ein Klassifikator kann 10, 100, 1000 Klassen vorhersagen und bleibt trotzdem ein Klassifikator. KLASTERISIERUNG - Einteilung eines unmarkierten Datensatzes in Gruppen auf der Grundlage bestimmter Merkmale.
2. Es ist nicht einfach, den Zeitpunkt des Einsetzens des Übertrainings zu bestimmen, aber sehr leicht.
3. In der Tat liefert ein Ausschuss von Modellen (nicht immer!) das beste Ergebnis. Aber in Ihrem Fall handelt es sich nicht wirklich um ein Komitee.
Viel Glück
1. Ich stimme zu, der Unterschied zwischen einem Klassifikator und Clustering in einem Lehrer und ohne, in diesem Fall.
2. interessant, einen zukünftigen Nobelpreisträger für Re-Learning zu hören, denn die Frage ist nicht nur für mich wirklich interessant. Ist es durch welche Methode???? Und ist es möglich, den Grad des Überlernens zu erkennen?
3. Was macht Sie so entschlossen, dass dies nicht ein Ausschuss ist???? wie so???? Interessant......
OK, Sie wollen damit sagen, dass, wenn Reschetow eine Stradivari ist, Sie nichts anderes als Mozart sind, lassen Sie uns das überprüfen!
Ich schlage vor, das zu tun, ich gebe Ihnen einen Datensatz, Sie lernen darauf und ich einen trainierten Klassifikator, es ist egal, jar oder Serialisierung, die Hauptsache ist, dass es in ein paar Klicks verwendbar sein sollte, und ich werde es auf einem Testsatz laufen lassen, den Sie nicht gesehen haben, wenn der Klassifikator wertvoll ist (zum Beispiel, vergleichen Sie es mit XGB ) .Dann werden wir das Gespräch über Reshetovs Kreationen fortsetzen, ich werde einfach den Code seiner Quellen nehmen und analysieren, so dass es leichter zu verstehen ist als die Brown-Robinson-Methode und der Shackley-Vektor usw.
Ich werde die Ergebnisse mit den Daten und Ihrem Modell veröffentlichen. Im Moment ist es nur ein weiterer schwarzer Kasten mit einfacher Werbung, von denen es Zehntausende gibt, und es tut mir leid, aber ich kann es mir nicht leisten, eine Woche damit zu verbringen, ihn zu analysieren, ohne zu beweisen, dass er nicht schlechter ist als XGB.
Toller Plan!!! Ich wollte es schon eine Weile ausprobieren. Sie schicken mir eine Datei zum Üben, ich schicke Ihnen ein Modell, dann testen Sie es und posten die Ergebnisse. EINVERSTANDEN?
OK, Sie wollen damit sagen, dass, wenn Reschetow eine Stradivari ist, Sie nichts anderes als Mozart sind, lassen Sie uns das überprüfen!
Ich schlage vor, das zu tun, ich gebe Ihnen einen Datensatz, Sie lernen darauf und ich einen trainierten Klassifikator, es ist egal, jar oder Serialisierung, die Hauptsache ist, dass es in ein paar Klicks verwendbar sein sollte, und ich werde es auf einem Testsatz laufen lassen, den Sie nicht gesehen haben, wenn der Klassifikator wertvoll ist (zum Beispiel, vergleichen Sie es mit XGB ) .Dann werden wir das Gespräch über Reshetovs Kreationen fortsetzen, ich werde einfach den Code seiner Quellen nehmen und analysieren, so dass es leichter zu verstehen ist als die Brown-Robinson-Methode und der Shackley-Vektor usw.
Ich werde die Ergebnisse mit den Daten und Ihrem Modell veröffentlichen. Im Moment ist es nur eine weitere Blackbox mit einfacher Werbung, von denen es Zehntausende gibt, und es tut mir leid, aber ich kann es mir nicht leisten, eine Woche damit zu verbringen, sie zu analysieren, ohne zu beweisen, dass sie nicht schlechter ist als XGB.
HMM. Mozart klingt stolz. Es ist jedoch die Vorbereitung der gegebenen und die Wahl der Ausgangsvariablen, die eine WICHTIGE Rolle spielt. Woher weiß ich, dass Ihre Eingaben gut zur Beschreibung der Ausgabe passen. ABER wie man so schön sagt, ist es der Optimierer, der bestimmt, wie gut Ihre Eingaben zur Ausgabe passen. Der Punkt ist folgender. Ich kann Eingaben auswählen, die die Ausgabe in der Trainingsmenge gut interpretieren, aber die Eingaben schneiden bei der OOS schlecht ab. Dies deutet darauf hin, dass die Eingabe keine Ursache für die Ausgabe ist. Eine andere Sache ist, wenn die Eingabe tatsächlich ein Grund für die Ausgabe ist, dann ist die Leistung des Netzes beim Training und beim OOS gleich. Bitte bedenken Sie dies.
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Neuer Artikel DeMarks Sequential (TD SEQUENTIAL) unter Verwendung künstlicher Intelligenz :
In diesem Artikel werde ich erzählen, wie man mit Hilfe "der Kreuzung" einer sehr bekannten Strategie und mit einem neuronalen Netz erfolgreich handeln kann. Es wird um die Strategie Thomas Demarks "Sequential" unter Verwendung des Systems des künstlichen Intellekts gehen. Wir werden NUR nach dem ersten Teil der Strategie arbeiten, dabei verwenden wir die Signalen der "Setzung" und "Kreuzung".
Man muss zwei letzten Signale miteinander vergleichen und die Schlussfolgerungen ziehen, gehören sie zu einer Gruppe oder nicht, und welcher Schritt gemacht werden muss, wenn das Ergebnis des vorhergehenden Signals bekannt ist. Dabei darf man nicht vergessen, dass das Netz einen Fehler geben kann.
in Abb. 2. Die Indikatoren BuyVOLDOWNOPNDOWN.mq5 und SellVOLDOWNOPNDOWN.mq5
Autor: Mihail Marchukajtes