Discussion de l'article "Réseaux de neurones de troisième génération : Réseaux profonds" - page 12

 
kimkarus:

Vladimir Perervenko

Ajouter à l'article des informations supplémentaires sur le travail avec R Studio

  • Pour que tout fonctionne correctement, vous devez vous assurer qu'il n'y a pas d'autres références à "localhost" dans le fichier hosts.

Bonjour.

Je ne comprends pas ce qu'est le fichier hosts. Pouvez-vous me donner plus de détails ?

Je vous remercie de votre compréhension et vous prie d'agréer, Madame, Monsieur, mes salutations distinguées.

 
kimkarus:

Vladimir Perervenko

Ajouter à l'article des informations supplémentaires sur le travail avec R Studio

  • Pour que tout fonctionne correctement, vous devez vous assurer qu'il n'y a pas d'autres références à "localhost" dans le fichier hosts.
  • Veillez à installer tous les paquets et à les exécuter à l'aide de la commande (dans l'espace de travail R) :

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

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

J'utilise une autre forme d'enregistrement pour vérifier les paquets installés :

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]) }
}

Vous devez charger les bibliothèques dans la description des fonctions qui les utilisent. Bien que vous puissiez le faire de cette façon lors de l'initialisation de l'Expert Advisor.

Alors pourquoi avez-vous besoin d'exécuter l'Expert Advisor dans le testeur ?

Nous vous souhaitons bonne chance.

 

En déboguant des scripts R depuis longtemps, j'ai identifié un bug qui est difficile à attraper si les données entrantes ont NA. Le signal ne se déclenche tout simplement pas. Dans le fichier "e_SAE_init.r", il est recommandé d'ajouter un terme de nettoyage NA à la fonction Test(dt,x) avant new.data <- predict(prepr, tail(x, 50)) : x <- na.omit(x) ;

Cela semble être une "béquille", mais je n'ai pas encore trouvé mieux.

Sans cela, une erreur cachée se produira :

Erreur dans if (sqrt(denom) > .Machine$double.eps) x/sqrt(denom) else x * : valeur manquante lorsque TRUE/FALSE est nécessaire

 
kimkarus:

En déboguant des scripts R depuis longtemps, j'ai identifié un bug qui est difficile à attraper si les données entrantes ont NA. Le signal ne se déclenche tout simplement pas. Dans le fichier "e_SAE_init.r", il est recommandé d'ajouter un terme de nettoyage NA à la fonction Test(dt,x) avant new.data <- predict(prepr, tail(x, 50)) : x <- na.omit(x) ;

Cela semble être une "béquille", mais je n'ai pas encore trouvé mieux.

Sans cela, une erreur cachée se produira :

Erreur dans if (sqrt(denom) > .Machine$double.eps) x/sqrt(denom) else x * : valeur manquante là où TRUE/FALSE est nécessaire

kimkarus:

En déboguant des scripts R depuis longtemps, j'ai trouvé un bogue qui est difficile à attraper si les données entrantes ont NA. Le signal ne se déclenche tout simplement pas. Dans le fichier "e_SAE_init.r", il est recommandé d'ajouter un terme de nettoyage NA à la fonction Test(dt,x) avant new.data <- predict(prepr, tail(x, 50)) : x <- na.omit(x) ;

Cela semble être une "béquille", mais je n'ai pas encore trouvé mieux.

Sans cela, une erreur cachée se produira :

Erreur dans if (sqrt(denom) > .Machine$double.eps) x/sqrt(denom) else x * : valeur manquante lorsque TRUE/FALSE est nécessaire

Cette affirmation est incorrecte.

Dans la fonction Test(dt, x), x est la donnée d'entrée calculée par la fonction In(). Examinons-le dans le script "i_SAE_fun.r".

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)
}

Il s'agit d'un certain nombre d'indicateurs. Calculons-les sur l'historique price[] avec une longueur de 2000 barres.

> x <- In()Loading required package : TTR Voyons les données que nous avons obtenues
> 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        
Toutes les variables ont NA. Mais elles sont situées au début !!! Comme c'est normal pour tous les indicateurs. Par conséquent, lorsque nous écrivons dans le script

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

Nous coupons les données non définies. Condition : nrow(x) > 500 + max(NA). C'est à dire au moins dans notre cas 533. Pour être sûr, mettez nrow(x) = 600-700.

Je ne vois pas comment vous avez obtenu un NA incertain dans x.

Bonne chance

 

Bonjour Vladimir,

Voici du Brésil !!!

J'ai lu vos instructions sur les réseaux neuronaux utilisant R, mais j'ai une question stupide (désolé, je suis un débutant dans ce domaine !).

Dans le tutoriel que vous avez écrit ( https://www.mql5.com/fr/articles/1103#ch_3), dans la"Section 3.3.1 - Source Data" vous décrivez une fonction, appelée pr.OHLC que j'ai très bien comprise.

Mais vous montrez quelques résultats dont je ne comprends pas bien quels sont les paramètres nécessaires aux résultats ci-dessous.

> 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 

Pourriez-vous, s'il vous plaît, m'aider à ce sujet ?

Je vous prie d'agréer, Madame, Monsieur, l'expression de mes salutations distinguées,

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:

Bonjour Vladimir,

Voici du Brésil !!!

J'ai lu vos instructions sur les réseaux neuronaux utilisant R, mais j'ai une question stupide (désolé, je suis un débutant dans ce domaine !).

Dans le tutoriel que vous avez écrit ( https://www.mql5.com/fr/articles/1103#ch_3), dans la"Section 3.3.1 - Source Data" vous décrivez une fonction, appelée pr.OHLC que j'ai très bien comprise.

Mais vous montrez quelques résultats dont je ne comprends pas bien quels sont les paramètres nécessaires aux résultats ci-dessous.

Pourriez-vous, s'il vous plaît, m'aider à ce sujet ?

Je vous prie d'agréer, Madame, Monsieur, l'expression de mes salutations distinguées,

Fábio

Bonjour Fabio,

Qu'est-ce qui n'est pas clair ?

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
}
 

Bonjour Vladimir,

Est-il possible d'avoir les fichiers pour MT5 ?

Merci de votre compréhension.

Fabio lima

 
fabioflimaster:

Bonjour Vladimir,

Est-il possible d'avoir les fichiers pour MT5 ?

Merci de votre compréhension.

Fabio lima

Bonjour Fabio,

Je suis désolé.

Je n'écris pas sur la MKL5.

Je vous prie d'agréer, Monsieur, l'expression de mes salutations distinguées.

Vladimir


 

Une question . Je ne comprends pas bien l'ordre du vecteur prix.

Vous faites un renversement ici : price <- cbind(Open = rev(o), High = rev(h), Low = rev(l), Close = rev(c))

Quel est l'ordre original de o,h,l,c ?

 
jake89:

Une question . Je ne comprends pas bien l'ordre du vecteur prix.

Vous faites un renversement ici : price <- cbind(Open = rev(o), High = rev(h), Low = rev(l), Close = rev(c))

Quel est l'ordre original de o,h,l,c ?

Bonjour,

La numérotation MT4 va du plus récent au plus ancien. Le R au contraire, de l'ancien au nouveau, nouvelle barre en dernier.