Diskussion zum Artikel "Datenwissenschaft und maschinelles Lernen - Neuronales Netzwerk (Teil 01): Entmystifizierte Feed Forward Neurale Netzwerke"
Hallo!
Ihr Artikel ist sehr gut. Gute Arbeit!
Ich habe über das neuronale Netzwerk gelesen, aber bis jetzt habe ich noch nicht herausgefunden, welche Vorteile oder Unterschiede das neuronale Netzwerk im Vergleich zum MT5 Optimierungssystem selbst sein kann.
Zum Beispiel: Wenn ich eine Strategie mit MACD und ATR habe, kann ich sie "trainieren", um die besten Parameter für das MT5-Optimierungssystem herauszufinden. Und ich kann auch ein Gewichtungssystem in die Indikatoren oder andere Daten aufnehmen.
Beide werden nach den besten Parametern oder "Gewichten" in der Vergangenheit suchen, um sie in der Zukunft anzuwenden.
Vielleicht liege ich falsch und habe die Idee nicht ganz verstanden.
Könnten Sie mir das erklären? Oder einige Beispiele nennen?
- www.mql5.com
Der Unterschied zwischen der Optimierung mit dem Strategietester und der Optimierung der Parameter des neuronalen Netzes ist das Ziel. Beim Strategietester konzentrieren wir uns auf die Parameter, die die profitabelsten Ergebnisse oder zumindest die gewünschten Handelsergebnisse liefern, was nicht unbedingt bedeutet, dass das neuronale Netz ein gutes Modell hat, das zu diesen Ergebnissen geführt hat.
Einige Leute bevorzugen es, die Gewichte und den Bias als Eingangsparameter von auf neuronalen Netzen basierenden Systemen zu verwenden(grob gesagt Feed Forward), aber ich denke, dass die Optimierung mit dem Strategietester im Grunde genommen das Finden der zufälligen Werte der besten Ergebnisse ist(das Finden der optimalen Ergebnisse hört sich an, als wäre man vom Glück abhängig), während wir uns bei der Optimierung mit Hilfe des stochastischen Gradientenabstiegs auf das Modell mit den geringsten Fehlern in den Vorhersagen bei jedem Schritt zubewegen
Der Unterschied zwischen der Optimierung auf dem Strategietester und der Optimierung der Parameter des neuronalen Netzes ist das Ziel. Auf dem Strategietester konzentrieren wir uns auf die Parameter, die die profitabelsten Ergebnisse oder zumindest die gewünschten Handelsergebnisse liefern, was nicht unbedingt bedeutet, dass das neuronale Netz ein gutes Modell hat, das zu diesen Ergebnissen geführt hat.
Einige Leute bevorzugen es, die Gewichte und den Bias als Eingangsparameter von auf neuronalen Netzen basierenden Systemen zu verwenden(grob gesagt Feed Forward), aber ich denke, dass die Optimierung mit dem Strategietester im Grunde genommen das Finden der zufälligen Werte der besten Ergebnisse ist(das Finden der optimalen Ergebnisse hört sich an, als wäre man vom Glück abhängig), während wir uns bei der Optimierung mit Hilfe des stochastischen Gradientenabstiegs auf das Modell mit den geringsten Fehlern in den Vorhersagen bei jedem Schritt zubewegen
Ich danke Ihnen für Ihre Antwort.
Ich habe Ihren Standpunkt verstanden.
Warum haben Sie mit dem ersten Teil begonnen?
alter Artikel:
DATENWISSENSCHAFT UND MASCHINELLES LERNEN (TEIL 01): LINEARE REGRESSION
- www.mql5.com
- 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 Datenwissenschaft und maschinelles Lernen - Neuronales Netzwerk (Teil 01): Entmystifizierte Feed Forward Neurale Netzwerke :
Viele Menschen lieben sie, aber nur wenige verstehen die gesamte Funktionsweise neuronaler Netze. In diesem Artikel werde ich versuchen, alles, was hinter den verschlossenen Türen einer mehrschichtigen Feed-Forward-Wahrnehmung vor sich geht, in einfacher Sprache zu erklären.
Die hyperbolische Tangensfunktion.
Sie entspricht durch folgender Formel:
Der Graph sieht wie folgt aus,
Autor: Omega J Msigwa