Der erste einer Reihe von Artikeln, die sich mit der Mathematik der nutzerdefinierten Kriterien befassen, mit besonderem Schwerpunkt auf nichtlinearen Funktionen, die in neuronalen Netzen verwendet werden, MQL5-Code für die Implementierung und die Verwendung von gezielten und korrigierenden Offsets.
Die Möglichkeit, ein nutzerdefiniertes Kriterium zu definieren und sogar das komplexe Kriterium mit seiner undurchsichtigen Methodik zu verwenden, hat dazu geführt, dass das Parsen oder zumindest die Analyse der Ergebnisse in Excel, Python, R oder in proprietärer Software reduziert werden kann, um die beste Permutation der Parameter zu erhalten.
Das Problem ist, dass die Verwendung von return(0) in veröffentlichten nutzerdefinierten Kriterien immer noch nicht ungewöhnlich ist. Dies birgt tatsächliche oder potenzielle Gefahren, einschließlich der Möglichkeit, (kaum) unerwünschte Ergebnisse zu verwerfen oder, schlimmer noch, den genetischen Optimierungsprozess von potenziell produktiven Wegen abzulenken.
In einem Versuch, zu den ersten Prinzipien zurückzukehren, nachdem ich einige sehr empirische Experimente durchgeführt hatte, versuchte ich, einige Kurvengleichungen zu finden. Zu diesem Zweck habe ich mich „Activation Functions in Neural Networks“ zugewandt und einige davon für die Verwendung hier übernommen und modifiziert. Nachdem ich diese erläutert habe, habe ich einige Methoden vorgeschlagen, um sie in der Praxis anzuwenden.
Der Plan für diese Artikelserie sieht folgendermaßen aus:
Einführung und Standard-Aktivierungsfunktionen mit MQL5-Code
Modifikationen, Skalierung und Gewichtung sowie reale Beispiele
Ein Werkzeug zur Untersuchung verschiedener Kurven, Skalierungen und Gewichtungen
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Erlauben Sie die Verwendung von Cookies, um sich auf der Website MQL5.com anzumelden.
Bitte aktivieren Sie die notwendige Einstellung in Ihrem Browser, da Sie sich sonst nicht einloggen können.
Sie sind angemeldet. Die Zwei-Faktor-Authentifizierung wurde deaktiviert. Richten Sie sie erneut ein und scannen Sie einen neuen QR-Code oder fahren Sie mit deaktivierter Zwei-Faktor-Authentifizierung fort.
Neuer Artikel Ein neuer Ansatz für nutzerdefinierte Kriterien in den Optimierungen (Teil 1): Beispiele für Aktivierungsfunktionen :
Die Möglichkeit, ein nutzerdefiniertes Kriterium zu definieren und sogar das komplexe Kriterium mit seiner undurchsichtigen Methodik zu verwenden, hat dazu geführt, dass das Parsen oder zumindest die Analyse der Ergebnisse in Excel, Python, R oder in proprietärer Software reduziert werden kann, um die beste Permutation der Parameter zu erhalten.
Das Problem ist, dass die Verwendung von return(0) in veröffentlichten nutzerdefinierten Kriterien immer noch nicht ungewöhnlich ist. Dies birgt tatsächliche oder potenzielle Gefahren, einschließlich der Möglichkeit, (kaum) unerwünschte Ergebnisse zu verwerfen oder, schlimmer noch, den genetischen Optimierungsprozess von potenziell produktiven Wegen abzulenken.
In einem Versuch, zu den ersten Prinzipien zurückzukehren, nachdem ich einige sehr empirische Experimente durchgeführt hatte, versuchte ich, einige Kurvengleichungen zu finden. Zu diesem Zweck habe ich mich „Activation Functions in Neural Networks“ zugewandt und einige davon für die Verwendung hier übernommen und modifiziert. Nachdem ich diese erläutert habe, habe ich einige Methoden vorgeschlagen, um sie in der Praxis anzuwenden.
Der Plan für diese Artikelserie sieht folgendermaßen aus:
Autor: Andrew Thompson