Diskussion zum Artikel "Neuronale Netzwerke der dritten Generation: Tiefe Netzwerke" - Seite 12

 
kimkarus:

Wladimir Perervenko

Ergänzen Sie den Artikel um zusätzliche Informationen zur Arbeit mit R Studio

  • Damit alles korrekt abläuft, müssen Sie sicherstellen, dass in der hosts-Datei keine weiteren Verweise auf "localhost" vorhanden sind.

Schönen guten Tag.

Ich verstehe das mit der hosts-Datei nicht. Können Sie mehr Details geben?

Viel Glück!

 
kimkarus:

Wladimir Perervenko

Ergänzen Sie den Artikel um zusätzliche Informationen zur Arbeit mit R Studio

  • Um alles korrekt auszuführen, müssen Sie sicherstellen, dass es keine weiteren Verweise auf "localhost" in der hosts-Datei gibt.
  • Installieren Sie alle Pakete und führen Sie sie mit dem Befehl (im R-Arbeitsbereich) aus:

install.packages("R.matlab")
install.packages("deepnet")
install.packages("caret")
install.pakete("h2o")
install.pakete("TTR")
install.pakete("rminer")
install.packages("foreach")
install.pakete("doParallel")
install.packages("svSocket")
install.packages("lattice")
install.pakete("ggplot2")
install.packages("statmod")
install.packages("kknn")
install.packages("iterators")
install.pakete("parallel")

bibliothek("R.matlab")
bibliothek("deepnet")
bibliothek("caret")
bibliothek("h2o")
bibliothek("TTR")
bibliothek("rminer")
bibliothek("foreach")
bibliothek("doParallel")
bibliothek("svSocket")
Bibliothek("lattice")
bibliothek("ggplot2")
bibliothek("statmod")
bibliothek("kknn")
bibliothek("iteratoren")
bibliothek("parallel")

Ich verwende eine andere Form der Aufzeichnung, um installierte Pakete zu überprüfen:

packets <- Hmisc::Cs(R.matlab, deepnet, caret, h2o, TTR, rminer, foreach, doParallel, 
                        svSocket, lattice, ggplot2, statmod, kknn, iterators, parallel)
for(i in 1:length(packets)) {
  if (! (packets[i] %in% rownames(installed.packages()))) { 
    install.packages(packets[i]) }
}

Sie sollten Bibliotheken in der Beschreibung von Funktionen laden, die sie verwenden. Obwohl Sie dies auch bei der Initialisierung des Expert Advisors tun können.

Warum müssen Sie also den Expert Advisor im Testprogramm ausführen?

Viel Erfolg!

 

Beim Debuggen von R-Skripten für eine lange Zeit, identifiziert einen Fehler, der schwer zu fangen ist, wenn die eingehenden Daten NA hat. Es wird einfach nicht das Signal auslösen. In der Datei "e_SAE_init.r" wird empfohlen, der Funktion Test(dt,x) einen NA-Bereinigungsterm hinzuzufügen, bevor new.data <- predict(prepr, tail(x, 50)): x <- na.omit(x);

Dies scheint eine "Krücke" zu sein, aber mir ist noch nichts Besseres eingefallen.

Ohne sie wird ein versteckter Fehler auftreten:

Fehler in if (sqrt(denom) > .Machine$double.eps) x/sqrt(denom) else x * : fehlender Wert bei TRUE/FALSE erforderlich

 
kimkarus:

Beim Debuggen von R-Skripten für eine lange Zeit, identifiziert einen Fehler, der schwer zu fangen ist, wenn die eingehenden Daten NA hat. Es wird einfach nicht das Signal auslösen. In der Datei "e_SAE_init.r" wird empfohlen, der Funktion Test(dt,x) einen NA-Bereinigungsterm hinzuzufügen, bevor new.data <- predict(prepr, tail(x, 50)): x <- na.omit(x);

Dies scheint eine "Krücke" zu sein, aber mir ist noch nichts Besseres eingefallen.

Ohne sie wird ein versteckter Fehler auftreten:

Fehler in if (sqrt(denom) > .Machine$double.eps) x/sqrt(denom) else x * : fehlender Wert wo TRUE/FALSE benötigt

kimkarus:

Beim langen Debuggen von R-Skripten habe ich einen Fehler gefunden, der schwer zu finden ist, wenn die eingehenden Daten NA haben. Es wird einfach nicht das Signal auslösen. In der Datei "e_SAE_init.r" wird empfohlen, einen NA-Bereinigungsterm zur Funktion Test(dt,x) hinzuzufügen, bevor new.data <- predict(prepr, tail(x, 50)): x <- na.omit(x);

Dies scheint eine "Krücke" zu sein, aber mir ist noch nichts Besseres eingefallen.

Ohne sie wird ein versteckter Fehler auftreten:

Fehler in if (sqrt(denom) > .Machine$double.eps) x/sqrt(denom) else x * : fehlender Wert wo TRUE/FALSE benötigt

Diese Aussage ist falsch.

In der Funktion Test(dt, x) ist x die von der Funktion In() berechneten Eingabedaten. Schauen wir uns das im Skript "i_SAE_fun.r" an

In <- function(p = 16){
        require(TTR)
        adx <- ADX(price, n = p)
        ar <- aroon(price[ ,c('High', 'Low')], n = p)[ ,'oscillator']
        cci <- CCI(price[ ,2:4], n = p)
        chv <- chaikinVolatility(price[ ,2:4], n = p)
        cmo <- CMO(price[ ,'Med'], n = p)
        macd <- MACD(price[ ,'Med'], 12, 26, 9)[ ,'macd']
        osma <- macd - MACD(price[ ,'Med'],12, 26, 9)[ ,'signal']
        rsi <- RSI(price[ ,'Med'], n = p)
        stoh <- stoch(price[ ,2:4], 14, 3, 3)
        smi <- SMI(price[ ,2:4],n = p, nFast = 2, nSlow = 25, nSig = 9)
        vol <- volatility(price[ ,1:4], n = p, calc="yang.zhang", N=96)
        In <- cbind(adx, ar, cci, chv, cmo, macd, osma, rsi, stoh, smi, vol)
        return(In)
}

Dies ist eine Reihe von Indikatoren. Berechnen wir sie auf der Preis[]-Historie mit einer Länge von 2000 Balken.

> x <- In()Laden des erforderlichen Pakets: TTR Schauen wir uns an, welche Daten wir erhalten haben
> summary(x)
      DIp             DIn                DX          
 Min.   :20.24   Min.   :  9.546   Min.   : 0.04605  
 1st Qu.:43.61   1st Qu.: 31.022   1st Qu.:10.28793  
 Median :50.46   Median : 39.297   Median :19.31075  
 Mean   :49.01   Mean   : 41.833   Mean   :21.82957  
 3rd Qu.:55.78   3rd Qu.: 49.441   3rd Qu.:31.18539  
 Max.   :74.50   Max.   :116.050   Max.   :71.84495  
 NA's   :16      NA's   :16        NA's   :16        
      ADX               ar                cci           
 Min.   : 7.038   Min.   :-100.000   Min.   :-364.2786  
 1st Qu.:15.559   1st Qu.: -56.250   1st Qu.: -86.9604  
 Median :20.450   Median : -12.500   Median :  -6.4301  
 Mean   :21.878   Mean   :  -1.147   Mean   :  -0.3145  
 3rd Qu.:27.330   3rd Qu.:  56.250   3rd Qu.:  86.1551  
 Max.   :47.191   Max.   : 100.000   Max.   : 331.4449  
 NA's   :31       NA's   :16         NA's   :15         
      chv                cmo                macd          
 Min.   :-0.63538   Min.   :-88.8628   Min.   :-0.219469  
 1st Qu.:-0.28769   1st Qu.:-29.6125   1st Qu.:-0.030508  
 Median :-0.01415   Median : -0.8713   Median : 0.001847  
 Mean   : 0.12162   Mean   : -1.6646   Mean   : 0.009282  
 3rd Qu.: 0.35276   3rd Qu.: 27.7824   3rd Qu.: 0.037112  
 Max.   : 7.37405   Max.   : 86.9767   Max.   : 0.703234  
 NA's   :31         NA's   :16         NA's   :25         
      osma               rsi             fastK       
 Min.   :-0.10903   Min.   : 8.614   Min.   :0.0000  
 1st Qu.:-0.01063   1st Qu.:41.108   1st Qu.:0.2246  
 Median :-0.00016   Median :50.547   Median :0.4553  
 Mean   :-0.00006   Mean   :49.953   Mean   :0.4793  
 3rd Qu.: 0.01021   3rd Qu.:58.706   3rd Qu.:0.7425  
 Max.   : 0.28849   Max.   :84.854   Max.   :1.0000  
 NA's   :33         NA's   :16       NA's   :13      
     fastD             slowD              SMI         
 Min.   :0.01645   Min.   :0.03279   Min.   :-77.616  
 1st Qu.:0.23056   1st Qu.:0.23618   1st Qu.:-27.662  
 Median :0.45989   Median :0.46420   Median : -2.998  
 Mean   :0.47916   Mean   :0.47922   Mean   : -3.468  
 3rd Qu.:0.72776   3rd Qu.:0.71850   3rd Qu.: 21.330  
 Max.   :0.98610   Max.   :0.96254   Max.   : 73.964  
 NA's   :15        NA's   :17        NA's   :25       
     signal             vol          
 Min.   :-74.526   Min.   :0.001235  
 1st Qu.:-24.781   1st Qu.:0.003168  
 Median : -2.446   Median :0.004686  
 Mean   : -3.358   Mean   :0.005457  
 3rd Qu.: 19.029   3rd Qu.:0.006484  
 Max.   : 71.664   Max.   :0.047742  
 NA's   :33        NA's   :16        
Alle Variablen haben NA. Aber sie stehen am Anfang!!! Wie es bei allen Indikatoren üblich ist. Wenn wir also in das Skript schreiben

 new.data <- predict(prepr, tail(x, 500));

Wir schneiden die undefinierten Daten ab. Bedingung: nrow(x) > 500 + max(NA). D.h. in unserem Fall mindestens 533. Um sicher zu gehen, setzen Sie nrow(x) = 600-700.

Ich verstehe nicht, wie Sie eine unsichere NA in x erhalten haben.

Viel Glück!

 

Hallo Wladimir,

Hier ist aus Brasilien!!!

Ich habe Ihre Anweisungen über das Neuronale Netzwerk mit R gelesen, aber ich habe eine dumme Frage (sorry, ich bin Neuling in diesem Bereich!)

In dem Tutorial, das Sie geschrieben haben ( https://www.mql5.com/de/articles/1103#ch_3), haben Sie im"Abschnitt 3.3.1 - Quelldaten" eine Funktion namens pr.OHLC beschrieben, die ich sehr gut verstanden habe.

Aber Sie zeigen einige Ergebnisse, bei denen mir nicht klar war, welche Parameter für die folgenden Ergebnisse erforderlich sind

> head(price)
        Open    High     Low   Close      Med     CO
[1,] 1.33848 1.33851 1.33824 1.33844 1.338375 -4e-05
[2,] 1.33843 1.33868 1.33842 1.33851 1.338550  8e-05
[3,] 1.33849 1.33862 1.33846 1.33859 1.338540  1e-04
[4,] 1.33858 1.33861 1.33856 1.33859 1.338585  1e-05
[5,] 1.33862 1.33868 1.33855 1.33855 1.338615 -7e-05 

Könnten Sie mir in dieser Hinsicht bitte helfen?

Am besten,

Fábio

Third Generation Neural Networks: Deep Networks
Third Generation Neural Networks: Deep Networks
  • 2015.02.05
  • Vladimir Perervenko
  • www.mql5.com
This article is dedicated to a new and perspective direction in machine learning - deep learning or, to be precise, deep neural networks. This is a brief review of second generation neural networks, the architecture of their connections and main types, methods and rules of learning and their main disadvantages followed by the history of the third generation neural network development, their main types, peculiarities and training methods. Conducted are practical experiments on building and training a deep neural network initiated by the weights of a stacked autoencoder with real data. All the stages from selecting input data to metric derivation are discussed in detail. The last part of the article contains a software implementation of a deep neural network in an Expert Advisor with a built-in indicator based on MQL4/R.
 
fabiocarvalho:

Hallo Wladimir,

Hier ist aus Brasilien!!!

Ich habe Ihre Anweisungen über das Neuronale Netzwerk mit R gelesen, aber ich habe eine dumme Frage (sorry, ich bin Neuling in diesem Bereich!)

In dem Tutorial, das Sie geschrieben haben ( https://www.mql5.com/de/articles/1103#ch_3), haben Sie im"Abschnitt 3.3.1 - Quelldaten" eine Funktion namens pr.OHLC beschrieben, die ich sehr gut verstanden habe.

Aber Sie zeigen einige Ergebnisse, bei denen mir nicht klar war, welche Parameter für die folgenden Ergebnisse erforderlich sind

Könnten Sie mir in dieser Hinsicht bitte helfen?

Am besten,

Fábio

Hallo Fabio,

Was ist nicht klar?

pr.OHLC <- function (o, h, l, c) 
{
  #Unite quote vectors into a matrix having previously expanded them
  #Indexing of time series of vectors in R starts with 1. 
  #Direction of indexing is from old to new ones.   
  price <- cbind(Open = rev(o), High = rev(h), Low = rev(l), Close = rev(c))
  Med <- (price[, 2] + price[, 3])/2 #We calculate average price (HIgh + Low)/2
  CO <- price[, 4] - price[, 1] # We calculate body candles (Close - Open)
  #add Med and CO to the matrix
  price <- cbind(price, Med, CO)#We are putting it all in a matrix
}
 

Hallo Vladimir,

Gibt es eine Möglichkeit, die Dateien für MT5 zu bekommen?

Mit freundlichen Grüßen

Fabio Lima

 
fabioflimaster:

Hallo Vladimir,

Gibt es eine Möglichkeit, die Dateien für MT5 zu bekommen?

Mit freundlichen Grüßen

Fabio Lima

Hallo Fabio,

es tut mir leid.

Ich schreibe nicht über MKL5.

Mit freundlichen Grüßen

Vladimir


 

Eine Frage. Ich bin mir über die Reihenfolge des Preisvektors nicht im Klaren.

Sie machen hier eine Umkehrung: Preis <- cbind(Open = rev(o), High = rev(h), Low = rev(l), Close = rev(c))

Wie lautet die ursprüngliche Reihenfolge von o,h,l,c?

 
jake89:

Eine Frage. Ich bin mir über die Reihenfolge des Preisvektors nicht im Klaren.

Sie machen hier eine Umkehrung: Preis <- cbind(Open = rev(o), High = rev(h), Low = rev(l), Close = rev(c))

Wie lautet die ursprüngliche Reihenfolge von o,h,l,c ?

Hallo,

Der MT4 nummeriert die Balken vom jüngsten zum ältesten. Die R im Gegenteil, von der alten zur neuen, neue Bar zuletzt.