Diskussion zum Artikel "Neuronale Netze im Handel: Praktische Ergebnisse der Methode TEMPO"
Sie liegen falsch, 100*$200 == $20000, toller Gewinn! Und ihr seid alle Nerds, die über irgendwelche Forex-, Handels-, Strategien jammern..... Alles, was übrig bleibt, ist, diese Strategie auf MQL5-Signale zu setzen und zu wetten, ob sich mindestens eine Person anmelden wird.
Was den Vorschlag betrifft - ich würde ihn dahingehend erweitern, dass der Autor ein Signal starten und das Ergebnis mindestens einen Monat lang zeigen sollte. In letzter Zeit wurde die Seite mit einer großen Anzahl von leeren Artikeln überflutet. ((:
Einerseits ist das richtig. Andererseits schreiben Sie selbst mindestens einen Artikel, um die Kosten der Arbeit und das Niveau der Komplexität zu verstehen.... Wie das klassische Sprichwort sagt, ist Reden nicht Reden....
Und wozu ist diese Komplexität gut?
Wer zahlt die für diese Artikel aufgewendete Zeit zurück?
Es geht um Forex, nicht um Robotik.
Und wozu ist diese Komplexität gut?
Wer wird die für diese Artikel aufgewendete Zeit zurückzahlen?
Es geht um Forex, nicht um Robotik.
Das hängt davon ab, was Sie als dick bezeichnen. Wenn Sie der Meinung sind, dass der Autor in dem Artikel den Gral teilt, dann wahrscheinlich ja, es gibt keine Verwendung.... Aber wenn Sie den Artikel als eine Quelle und Entwicklung einer Marktidee betrachten, dann hat er vielleicht ein Recht auf Leben....
Haltung gegenüber den Nutzern
Eindeutig
Nur für diejenigen, die denken, dass der Autor ihm etwas schuldet.....
Der Betrüger schuldet auch niemandem etwas.
Aber die Leute fallen aus irgendeinem Grund auf ihn herein.
Wenn die Artikel keine Auslöser und unverhohlene Motivation wie "...das Modell ist in der Lage, Gewinn zu generieren" enthielten, dann ist das in Ordnung. Unsere Probleme.
Und wenn ungeprüfte Informationen manipuliert werden, ist das nicht wirklich unser Problem.
In Anbetracht der Tatsache, dass der erste User wegen Kritik gesperrt wurde, werde ich auch endgültig Schluss machen. Sie können mit Gegenargumenten parieren, ich lasse es besser ohne Antwort.
...Wenn die Artikel keine Auslöser und unverhohlenen Begründungen wie "...das Modell ist in der Lage, Gewinne zu erwirtschaften" enthalten würden, dann wäre es in Ordnung. Unsere Probleme.
Und wenn sie ungeprüfte Informationen manipulieren - dann ist das nicht wirklich unser Problem....
Unter einem Artikel von Dmitry in den Kommentaren habe ich ihn gebeten, einen Artikel speziell über die Ausbildung seiner Expert Advisors zu schreiben. Er könnte jedes seiner Modelle aus einem beliebigen Artikel nehmen und in dem Artikel vollständig erklären, wie er es lehrt. Von Null bis zum Ergebnis, im Detail, mit allen Nuancen. Worauf ist zu achten, in welcher Reihenfolge lehrt er, wie oft, auf welchem Gerät, was er tut, wenn er nicht lernt, welche Fehler er anschaut. Hier ist so viel Detail wie möglich über das Training im Stil von "für Dummies". Aber Dmitry hat aus irgendeinem Grund diese Anfrage ignoriert oder nicht bemerkt und hat bis jetzt keinen solchen Artikel geschrieben. Ich denke, viele Leute werden ihm dafür dankbar sein.
Dmitry schreibe bitte einen solchen Artikel.
- 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 im Handel: Praktische Ergebnisse der Methode TEMPO :
Wir beschäftigen uns weiter mit TEMPO. In diesem Artikel werden wir die tatsächliche Wirksamkeit der vorgeschlagenen Ansätze anhand realer historischer Daten bewerten.
TEMPO basiert auf der Verwendung eines vortrainierten Sprachmodells. Insbesondere verwenden die Autoren der Methode in ihren Experimenten vortrainiertes GPT-2. Die Grundidee des Ansatzes besteht darin, die im Vortraining erworbenen Kenntnisse des Modells zur Prognose von Zeitreihen zu nutzen. Hier lohnt es sich natürlich, nicht offensichtliche Parallelen zwischen Sprache und Zeitreihe zu ziehen. Im Wesentlichen ist unsere Sprache eine Zeitreihe von Lauten, die mithilfe von Buchstaben aufgezeichnet werden. Unterschiedliche Betonungen werden durch Satzzeichen vermittelt.
Das Long Language Model (LLM), beispielsweise GPT-2, wurde an einem großen Datensatz (oft in mehreren Sprachen) vortrainiert und lernte eine große Anzahl verschiedener Abhängigkeiten in der zeitlichen Abfolge von Wörtern, die wir in der Zeitreihenprognose verwenden möchten. Allerdings unterscheiden sich die Buchstaben- und Wortfolgen deutlich von den analysierten Zeitreihendaten. Wir haben immer gesagt, dass es für die ordnungsgemäße Funktion jedes Modells sehr wichtig ist, die Datenverteilung in den Trainings- und Testdatensätzen beizubehalten. Dies betrifft auch die während des Betriebs des Modells analysierten Daten. Kein Sprachmodell funktioniert mit dem Text, den wir in seiner Reinform gewohnt sind. Zunächst durchläuft er die Einbettungsphase (Kodierungsphase), in der der Text in einen bestimmten numerischen Code umgewandelt wird (versteckter Zustand). Das Modell verarbeitet dann diese codierten Daten und generiert in der Ausgabephase Wahrscheinlichkeiten für nachfolgende Buchstaben und Satzzeichen. Die wahrscheinlichsten Symbole werden dann verwendet, um einen für Menschen lesbaren Text zu erstellen.
TEMPO macht sich diese Eigenschaft zunutze. Während des Trainingsprozesses eines Zeitreihenprognosemodells werden die Parameter des Sprachmodells „eingefroren“, während die Transformationsparameter der Originaldaten in mit dem Modell kompatible Einbettungen optimiert werden. Die Autoren von TEMPO schlagen einen umfassenden Ansatz vor, um den Zugriff des Modells auf nützliche Informationen zu maximieren. Zunächst wird die analysierte Zeitreihe in ihre grundlegenden Komponenten, wie Trend, Saisonalität und der Rest, zerlegt. Jede Komponente wird dann segmentiert und in Einbettungen umgewandelt, die das Sprachmodell interpretieren kann. Um das Modell zusätzlich in die gewünschte Richtung zu lenken (z. B. Trend- oder Saisonalitätsanalyse), führen die Autoren ein System von „Soft Prompts“ ein.
Autor: Dmitriy Gizlyk