Diskussion zum Artikel "Neuronale Netze sind einfach (Teil 59): Dichotomy of Control (DoC)"
Überlegen Sie mal...!
wie viele PHDs arbeiten bei goldmansachs? oder hfts, oder quantfund firms, !
wenn es doch nur SO einfach wäre !!!
Ich wollte dem Autor für die große Menge an Ideen danken, es ist ein Klondike zum Experimentieren.
Ich denke auch, dass die Artikel als Beispiele für mögliche Methoden zum Training neuronaler Netze geeignet sind, aber nicht für die Praxis. Ich schätze wirklich die Arbeit, die der Autor in seine eigene Bibliothek zum Erstellen und Trainieren neuronaler Netze investiert hat, und sogar mit dem Einsatz von Videokarten, aber sie kann in keiner Weise für praktische Zwecke verwendet werden, geschweige denn mit Tensorflow, Keras, Pytorch konkurrieren - Eigentlich können alle Modelle, die mit diesen Bibliotheken trainiert wurden, direkt in mql5 verwendet werden, unter Verwendung des onnx-Formats.
Ich werde nach und nach die Ideen des Autors mit Hilfe dieser modernen Bibliotheken anwenden.
Auch ist es notwendig, Indikatoren für die Eingabedaten für das Training neuronaler Netze zu wählen, ich habe die erfolgreichste ist bollinger bands, und ich benutze 48 solcher Indikatoren als Eingabedaten mit verschiedenen Einstellungen für rekurrente Netzwerke wie LSTM. Aber das ist keine Erfolgsgarantie. Ich trainiere auch 28 Währungspaare auf einmal und wähle die besten aus, aber auch das ist keine Erfolgsgarantie. Dann müssen Sie das Trainingsverfahren mindestens 20 Mal durchführen, wobei Sie die Anzahl der Schichten und ihre Einstellungen in den neuronalen Netzen ändern, und in jeder Phase die besten Modelle auswählen, die sich im Strategietester gut bewährt haben, und die schlechtesten entfernen, und erst dann können Sie in der Praxis vernünftige Ergebnisse erzielen.
Am Ende wählen wir einfach zum Beispiel die besten 9 Paare aus 28 und handeln sie auf einem realen Konto, gleichzeitig sollte der Expert Advisor auch in seinem Arsenal Mani-Management haben, wird es nicht schaden, das Netz auch, das heißt, wir verwenden neuronale Netze als Assistenten für gute Ideen von Beratern ohne neuronale Netze, so dass sie bereits smart.
- 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 sind einfach (Teil 59): Dichotomy of Control (DoC) :
Im vorigen Artikel haben wir uns mit dem Decision Transformer vertraut gemacht. Das komplexe stochastische Umfeld des Devisenmarktes erlaubte es uns jedoch nicht, das Potenzial der vorgestellten Methode voll auszuschöpfen. In diesem Artikel werde ich einen Algorithmus vorstellen, der die Leistung von Algorithmen in stochastischen Umgebungen verbessern soll.
Die „Dichotomy of Control“ (DoC, Dichotomie der Kontrolle) ist die logische Grundlage des Stoizismus. Es setzt voraus, dass wir verstehen, dass alles, was um uns herum existiert, in zwei Teile geteilt werden kann. Die erste unterliegt uns und ist vollständig unter unserer Kontrolle. Auf den zweiten haben wir keinen Einfluss, und die Ereignisse werden unabhängig von unserem Handeln eintreten.
Wir arbeiten mit dem ersten Bereich, während wir den zweiten als selbstverständlich betrachten.
Die Autoren der Methode „Dichotomy of Control“ haben ähnliche Postulate in ihren Algorithmus eingebaut. Die DoC ermöglicht es uns zu unterscheiden, was unter der Kontrolle der Strategie steht (Handlungspolitik) und was sich ihrer Kontrolle entzieht (Umweltstochastik).
Autor: Dmitriy Gizlyk