Discussion de l'article "Réseaux neuronaux : De la théorie à la pratique" - page 10
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Dans vos codes, vous avez mentionné Trade\Trade.mqh et Trade\PositionInfo.mqh, pouvez-vous fournir le lien de téléchargement de ces deux fichiers ? merci beaucoup !
Merci beaucoup.
TradeTrade.mqh et TradePositionInfo.mqh sont les fichiers de la bibliothèque standard située dans le dossier Metatrader.
Vous n'avez pas besoin de les télécharger séparément.
Je ne comprends pas l'essence de vos affirmations, et la formule de normalisation est un classique
Un autre projet rallié utile.
https://www.mql5.com/en/forum/338341/page4#comment_17770620
J'ai compilé le code de l'article, j'ai rempli les paramètres. Lorsque j'exécute l'optimisation, j'obtiens la même valeur de profit à chaque passage.
La façon d'optimiser le réseau est "SMART", même lorsqu'il n'utilise pas l'algorithme normal de "BACKPROPAGATION".
La rétro-propagation ajuste les poids automatiquement afin de réduire l'"ERREUR" de sortie (ou la perte) à une valeur de vérité.
Qu'est-ce qui est intelligent dans cette application du réseau Feed Forward ?
- Au lieu de résoudre le problème d'optimisation de la "rétropropagation", le problème d'optimisation résolu est susceptible d'être appelé "Feature Fitting" (ajustement des caractéristiques)
ou "Feature Extraction Problem". La solution obtenue est alors... "Étant donné les règles de négociation, quelles sont les caractéristiques les plus performantes ou qui maximisent le rendement de la négociation ?
Dans ce sens, le problème est plutôt "la bonne façon de représenter la situation de trading au lieu d'ajuster une fonction (l'utilisation habituelle de l'apprentissage profond)".
Quelles sont les caractéristiques de l'apprentissage profond ?
- Ce qui est intéressant dans le Deep Learning, c'est que chaque couche du réseau fonctionne comme une transformation linéaire ajustable, ce qui permet de changer l'espace dans lequel les données sont projetées,
et cela crée une nouvelle représentation (nouvelles caractéristiques).
n'ouvre qu'une seule transaction dans le backtest
Une question importante :
Le RSI N valeurs passées est fixé à 14(N=14).
Le nombre d'entrées est de 10 (valeurs passées).
Y a-t-il un problème ? Il semblerait que les résultats de ML soient instables ?
Veuillez répondre à ....
Merci de votre compréhension.