Was soll in den Eingang des neuronalen Netzes eingespeist werden? Ihre Ideen... - Seite 81
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Das Problem der Zahlen.
...
...
Stichproben, jede der n Zahlen, die den Eingängen X[0 ... n-1] während des Trainings zugeführt werden, sollten so vortrainiert (normalisiert) werden, dass sie einander gleich sind, wenn die anderen Dinge gleich sind.
...
Nochmals :
Ich bin der Meinung, dass das Training nicht mit allen verfügbaren Proben k durchgeführt werden sollte, sondern nur mit denen, die eine "anständige" (ich benutze dieses Wort) Punktzahl d[k] haben.
Um jedoch eine Stichprobe von "würdigen" Stichproben zu bilden, müssen wir immer noch alle Stichproben k mit ihren d[k]-Bewertungen haben.
...
Eine der Möglichkeiten (nur ein Beispiel), wie man Informationen auf einem Diagramm in eine nicht-terminale Zahl formalisieren kann (indem man sie mit einem objektiven Kraftfaktor relativ zu anderen grafischen Informationen ausstattet), sind Unterstützungs- und Widerstandsniveaus. Nehmen wir an, dass sie formalisiert sind. Und der Kurs prallt an ihnen ab oder durchbricht sie.
In diesem Fall sind die Zahlen, die jeden aufeinanderfolgenden Kurs auf dem Chart bezeichnen, dasselbe MinMax-Fenster, nur dass der Höchstwert eben dieses C/R-Niveau ist. Befindet sich der Kurs in der Nähe davon - dann 0,9 (-0,9) und näher an 1.
Wenn der Kurs weit davon entfernt ist, ist er näher an 0. Wenn ein Kurs auf einer Seite des Niveaus liegt und der andere auf der anderen, dann ändern wir die Polarität jeder Seite: auf der einen Seite, die näher am Niveau liegt - das sind Minusmaxima, und auf der anderen Seite - positive numerische Maxima. Dies ist nur eine Skizze, ein Beispiel dafür, was Zahlen sein sollten.
Es handelt sich nicht nur um eine Position im Verhältnis zu anderen Zahlen im Fenster, sondern um eine Reflexion eines Marktkontextes. Eine andere Möglichkeit: Wir drücken Muster durch Zahlen aus. Und hier haben wir ein Candlestick-Muster A mit einer Kerze, nach der der Kurs 55 von 100 Mal in der Geschichte steigt. Auf das nächste Muster AB (Candlestick-Kombination aus 2 Kerzen) folgen 48 Aufwärts- und 52 Abwärtsbewegungen.
Die dritte Candlestick-Kombination ABC (eine Kombination aus drei Kerzen) ergibt 53 nach oben und 47 nach unten. Und hier haben wir ein Muster mit einer historischen Übergewichtung nach oben, das andere mit einer Übergewichtung nach unten, das dritte nach oben: 5, -1, 3. Wir kombinieren in einem Fenster, normalisieren in den Bereich von -1..1 und wir haben Zahlen für die Eingabe der NS:
1, -1 und0,4286. Dies ist ein Beispiel für die Tatsache, dass der quantitative Faktor, der für den mathematischen NS entscheidend ist, objektive Informationen über den Markt enthält, und die Aufgabe des NS besteht darin, auszuwählen, was von diesen objektiven Informationen für einen stabilen Handel nützlich sein kann, und nicht, krampfhaft etwas aus dem absoluten Müll zu extrahieren, der der durchschnittliche numerische Satz für den NS-Eingang ist.
L1, L2 Normalisierungen. (Regularisierungen) beschrieben werden. Normalerweise sind sie bereits in die MO integriert.
Wenn es viel mehr Müll als gute Beispiele gibt (was für einen typischen Forex-Datensatz typisch ist), wird kein Ansatz helfen.
Es ist obligatorisch, dass ich die Theorie beschrieben habe: der Sinn von NS ist es, grobe TSs zu filtern, die etwas zeigen, nicht den Gral zu suchen.
Und ich habe den Ansatz beschrieben: manuell nach jedem TS suchen, der zumindest ein wenig Ergebnisse zeigt. Und ihn mit NS filtern. Hier ist der ursprüngliche TS.
Untauglich für den Handel, aber ein Lebenszeichen von sich gebend .
Und hier ist derselbe, nur gefiltert durch Python NS: LSTM-key.
Wenn es nicht im wirklichen Leben zu sehen ist, sondern aus dem Testgerät stammt, ist es immer noch überangepasst.
Und hier sehen Sie, wie sich die Faltung verhält (CNN) Backtest des ursprünglichen einfachen TC: 2000-2021
Arbeitsmethode: - Suchen Sie nach einem TS, überprüfen Sie ihn auf dem Forward: er sollte zumindest nicht auslaufen.
S ubjektiv bewerten seine Arbeit: - vor der Eröffnung einer Position, nehmen wir Informationen aus dem Chart (experimentell - jede) - in der Eingabe-Set (ich tat es mit einem Skript) - wir das Ergebnis des Geschäfts in das Ziel für die zuvor aufgezeichneten Eingabe-Set aufzeichnen - wir gehen durch die gesamte Trainingsperiode.
- Übergabe an den NS und Training - Hinzufügen von "if (.... && out > Open_level)" zur Bedingung für die Positionseröffnung - Optimierung im MT5: Drehen und Wenden des Schwellenwertrelais (der einzige Parameter, der im Optimierer des MT5-Testers optimiert werden kann) - Auswahl des gewünschten Sets, z.B. unten - derselbe Chart wie der erste von oben, aber "gefiltert" durch den NS.
- 2021-2025 vorwärts prüfen
A ls Input: 1000 (!) normalisierte Preise (ich träume immer wieder von der Idee, einen Marktkontext für NS zu formulieren und zu gestalten. Und das erste, was er enthalten sollte: eine Menge Informationseinheiten.
)Die ob ige Methode war eine einfache Methode zur Nutzung von NS, bis wir herausfanden, wie man ihm beibringt, selbständig nach TCs zu suchen. Ich schätze, wir müssen in den MOE-Abschnitt über Lernen ohne Lehrer, Datamining und so weiter eintauchen.
Die Wahrheit liegt dort irgendwo begraben. Anmerkungen zu NS: Umschulung macht 99 % der Arbeit aus. Das heißt, um zu diesem Ergebnis (oben) zu kommen, mussten Sie einen halben Tag lang rumsitzen und die Architektur aufbauen. Es gibt keinen Voshleb-Stick für Hyperparameter-Einstellungen.
Und es gibt Dutzende und Hunderte von Möglichkeiten, etwas zu "optimieren", man kann nicht alles lernen. Aber im Prozess der Auswahl verstehen oder fühlen Sie den Vektor der Gedankenrichtung.
Zum jetzigen Zeitpunkt, wenn ich auf die vielen Jahre der Arbeit mit diesen Netzen zurückblicke, kann ich eines mit Sicherheit sagen: Es gibt nicht genügend Funktionen für die Auswahl von Modellen. 1) Gewichte zufällig initialisieren.
Ok. 2) Das Training wird gestartet und hier ist der interessanteste Teil: 3)Jeder Satz von Gewichten sollte auf dem Forward nach benutzerdefinierten Kriterien überprüft werden: z.B. nach dem Wiederherstellungsfaktor. 4) Sobald sich der Forward verbessert hat - Autosave (automatische Speicherung) des Modells mit dem auf dem Bildschirm angezeigten Gewinndiagramm.
A lle gespeicherten Graphen sollten sichtbar und scrollbar sein, so dass der Benutzer den Fortschritt parallel verfolgen kann. 5) Bei der nächsten Iteration, wenn sich das Modell verschlechtert hat (Überlernen hat begonnen oder nur ein erfolgloser Satz von Gewichten) - gehen Sie zurück zum vorherigen Modell und ändern Sie die Lernrate.
Wir fahren fort, bis sich die Lernraten verbessern. 6) Wenn sich die Lernraten nicht verbessern oder dem Benutzer der Fortschrittsvektor der Lernergebnisse nicht gefällt, unterbrechen wir das Training und beginnen es erneut mit einer neuen Initialisierung der Gewichte.
7) Wir modifizieren diesen grundlegenden Prozess bei Bedarf mit zusätzlichen Funktionen: z.B. führen wir die automatische Hinzufügung von Neuronen bei neuen Trainingsschichten ein, ändern Aktivierungsfunktionen oder Verlustfunktionen, Optimierungsfunktionen (Adam zu BFG+momentum und andere), und so weiter und so fort.
Das heißt , wir schaffen eine maximal nützliche Suchmaschine, um ein funktionierendes Modell zu finden. Und wir machen das nicht alles von Hand. Der Raum der Gewichte ist eine solche Karte des Raums, in der es unendlich viele weiße Punkte gibt.
Mit jeder neuen Gewichtung übersteigt die Zahl der möglichen Kombinationen von Multiplikationsergebnissen auf denselben unendlichen Kombinationen von Eingangszahlen die Zahl der Sterne am Himmel. Jede Initialisierung ist ein Punkt auf dieser Karte, ein Punkt von unendlich kleiner Größe. Und Lernen ist eine Wanderung zu benachbarten Punkten. Wenn eine bestimmte Ansammlung von Punkten weit vom "Hagelpunkt" entfernt ist, ist es besser, sie sofort zu löschen und mit dem Lernen neu zu beginnen. Eine neue Initialisierung der Skalen ist ein weiterer, zufälliger Punkt auf dieser riesigen Karte.
Und ein neues Training ist ein neues "Sondieren" des Raums drumherum. Eine ideale Formel (Methode), um die notwendige Menge für NS zu finden (irgendwie diese Karte zu analysieren), ist etwas aus dem Bereich der Fiktion.
Und als Denkanstoß, wie diese quantitativen Beschränkungen gelöst oder umgangen werden können. Und eine ständige Reinitialisierung mit einem neuen Trainingsbeginn ist zumindest die einfachste und zugänglichste Methode, um sich dem besten neuronalen Netzaufbau zu nähern.
Wenn ich auf all die Jahre der Arbeit mit diesen Netzen zurückblicke, kann ich eines mit Sicherheit sagen: Es gibt nicht genug Funktionalität für die Modellauswahl. .
Nun ja, das ist der nächste Schritt des Problems - dann die Datendrift und das TC-Stoppkriterium.
L1, L2 Normalisierungen. (Regularisierungen) werden beschrieben. In der Regel bereits in die MO eingebettet.
L1/L2-Normierungen können schwache, aber statistisch signifikante Muster unterdrücken.Das ist nichts anderes als die grundlose Zuordnung von alten zufälligen Leistungswerten zu neuen zufälligen Leistungswerten (solange es etwas gibt, das man bei ns-ka zusammenfassen kann).
Nun ja, das ist der nächste Schritt des Problems - dann die Datendrift und das TC-Stoppkriterium.
Wenn wir ein Ergebnis erreichen, bei dem das trainierte Modell (die Gruppe von Modellen) garantiert für die nächsten +-~N Perioden funktioniert, wird das Problem einfach durch frühzeitiges Abschalten und zusätzliches Training gelöst. Das heißt, die Lösung des primären Problems löst im Wesentlichen auch das sekundäre.
Hier funktioniert nur die mathematische Methode, d.h. das Filtern von Eingangswerten nach Priorität, ohne die Werte und ihre Anzahl zu verändern.Zwei synchrone Modelle sollten es sein, eines ist ein Filter und das andere ein Prädiktor.Dass man endlos diesem Rauschen hinterherjagt, wird nie etwas nützen.Man muss alles Mögliche und noch mehr in diese Methode einbauen.Ich habe keine Ahnung, wie man das in einer ordentlichen Umsetzung zusammenbringt, aber dass die Informationen stimmen, steht außer Frage.Ob Sie es glauben oder nicht, ist Ihre Sache.
Erweitern Sie den Gedanken.