Diskussion zum Artikel "Neuronale Netze leicht gemacht (Teil 42): Modell der Prokrastination, Ursachen und Lösungen"
Hallo, Dimitri. Vielen Dank für die neue Arbeit. Ich habe auch versucht, eine gerade Linie in das Diagramm zu bekommen. Jetzt verstehe ich, warum. Können Sie mir bitte sagen, welche Study2-Ergebnisse als akzeptabel angesehen werden können? Der Test zeigt noch keine sinnvolle Aktion, er hat einen Kauf eröffnet und füllt sich bei jedem Balken.
Übrigens, der NeuroNet_DNG-Ordner musste vom letzten EA übernommen werden. Wenn Sie Änderungen daran vorgenommen haben, schlage ich meinen Kopf gegen die Wand.
Hallo, Dimitri. Vielen Dank für die neue Arbeit. Ich habe auch versucht, eine gerade Linie in das Diagramm zu bekommen. Jetzt verstehe ich, warum. Können Sie mir bitte sagen, welche Study2-Ergebnisse als akzeptabel angesehen werden können? Der Test zeigt noch keine sinnvolle Aktion, er hat einen Kauf eröffnet und füllt sich bei jedem Balken.
Übrigens musste der NeuroNet_DNG-Ordner vom letzten EA gezogen werden. Wenn Sie Änderungen daran vorgenommen haben, schlage ich meinen Kopf gegen die Wand.
Die neuesten Versionen der Dateien sind im Anhang
Hallo Dmitry. Können Sie mir sagen, wie sehr Sie diesen Expert Advisor trainiert haben, so dass er anfing, zumindest einige sinnvolle Trades zu machen, sogar im Minus. Bei mir ist es so, dass er entweder gar nicht versucht zu handeln, oder einen Haufen Trades eröffnet und den ganzen Zeitraum von 4 Monaten nicht überstehen kann. Gleichzeitig steht der Saldo still und das Eigenkapital schwimmt. Es verwendet ein oder zwei Agenten, der Rest sind Nullen. Das anfängliche Muster ist unterschiedlich.
-von 50$ zum Beispiel 30-40 Beispiele am Anfang und dann nach jedem Durchlauf von Stady2 (100000 standardmäßig), und dann hinzugefügt 1-2 Beispiele in einem Zyklus.
-von $35 zum Beispiel 130-150 Beispiele am Anfang und dann nach jedem Durchlauf von Stady2 (100000 standardmäßig), und dann hinzugefügt 1-2 Beispiele in einer Schleife.
- Ab 50$ mit 15 Beispielen zu Beginn und fügte nichts hinzu, um Stady2 in 500000 und 2000000 zu trainieren.
Bei allen Varianten ist das Ergebnis das gleiche - funktioniert nicht, lernt nicht. Außerdem kann es gut sein, dass er nach 2-3 Millionen Iterationen z.B. wieder nichts anzeigt - einfach nicht handeln.
Wie viel (in Zahlen) sollte er trainiert werden, damit er überhaupt anfängt, Trades zu öffnen und zu schließen?
Hallo Dmitry! Du warst ein großartiger Lehrer und Mentor!
Nach einigem erfolgreichen Training konnte ich eine Gewinnrate von 99% erreichen. Allerdings hat er nur Trades verkauft. keine Kauftrades
Hier ist ein Screenshot:
350733414_605596475011106_6366687350579423076_n.png (1909×682) (fbcdn.net)
Dmitriy,
Ich verfolge Ihre Artikel, um so viel wie möglich zu lernen, da Ihr Wissen und Ihre Erfahrung mich bei weitem übertreffen. Nach der Lektüre des Artikels kam mir der Gedanke, dass das vorgestellte endgültige Modell zwar hervorragend für die Identifizierung von Short-Trades geeignet ist, bei der Identifizierung von Long-Trades jedoch völlig versagt, aber Teil einer zweistufigen Handelslösung sein könnte.Glauben Sie, dass das Long-Modell durch Umkehrung einiger Annahmen entwickelt werden könnte, oder ist ein völlig neues Modell erforderlich, wie z.B. toe Go Explore in Artikel #39?
Viel Erfolg bei Ihren derzeitigen Bemühungen und Unterstützung für Ihre zukünftigen Vorhaben
- 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 Neuronale Netze leicht gemacht (Teil 42): Modell der Prokrastination, Ursachen und Lösungen :
Im Kontext des Verstärkungslernens kann die Prokrastination (Zögern) eines Modells mehrere Ursachen haben. Der Artikel befasst sich mit einigen der möglichen Ursachen für Prokrastination bei Modellen und mit Methoden zu deren Überwindung.
Einer der Hauptursachen für das Zögern von Modellen ist ein unzureichendes Ausbildungsumfeld. Das Modell kann auf einen begrenzten Zugang zu Trainingsdaten oder unzureichende Ressourcen stoßen. Um dieses Problem zu lösen, muss der Datensatz erstellt oder aktualisiert werden, die Vielfalt der Trainingsbeispiele muss erhöht werden und es müssen zusätzliche Trainingsressourcen eingesetztwerden, wie z. B. Rechenleistung oder vortrainierte Modelle für das Transfertraining.
Ein weiterer Grund für das Zögern eines Modells kann die Komplexität der Aufgabe sein, die es lösen soll, oder die Verwendung eines Trainingsalgorithmus, der viele Rechenressourcen erfordert. In diesem Fall kann die Lösung darin bestehen, das Problem oder den Algorithmus zu vereinfachen, die Berechnungsprozesse zu optimieren und effizientere Algorithmen oder verteiltes Lernen zu verwenden.
Ein Modell kann prokrastinieren, wenn ihm die Motivation fehlt, seine Ziele zu erreichen. Die Festlegung klarer und relevanter Ziele für das Modell, die Entwicklung einer Belohnungsfunktion, die Anreize für das Erreichen dieser Ziele schafft, und der Einsatz von Verstärkungstechniken, wie Belohnungen und Strafen, können zur Lösung dieses Problems beitragen.
Wenn das Modell kein Feedback erhält oder nicht auf der Grundlage neuer Daten aktualisiert wird, kann es zu einer Verzögerung seiner Entwicklung kommen. Die Lösung besteht darin, regelmäßige Modellaktualisierungszyklen auf der Grundlage neuer Daten und Rückmeldungen einzuführen und Mechanismen zur Kontrolle und Überwachung der Lernfortschritte zu entwickeln.
Es ist wichtig, die Fortschritte und Lernergebnisse des Modells regelmäßig zu bewerten. So können Sie die erzielten Fortschritte erkennen und mögliche Probleme oder Engpässe identifizieren. Regelmäßige Bewertungen ermöglichen rechtzeitige Anpassungen des Ausbildungsprozesses, um Verzögerungen zu vermeiden.
Autor: Dmitriy Gizlyk