유리 아사울렌코 : "최적화" 기준이 중요합니다. 최대 이익을 위한 최적화는 그다지 좋지 않습니다. 좋은 기준. 동시에, 특히 포럼에서 실제로 자주 볼 수 있는 미래에 이것이 어떻게든 작동할 것이라고 믿을 이유가 없습니다.
반드시 최대 이익이 아니라 R^2로 가능합니다. 최근 기사에서 제안한 대로 또는 다른 방식으로 사용자 정의 기준이 있습니다. 요점은 이것이 아니라 opt를 통해 안정적인 종속성을 찾는 것입니다. 여러 도매가 걸립니다. 전체 모듈이 통과하는 하이퍼파라미터, def에 따라 기능 세트 또는 다른 것을 말해보자. 규칙 .. 더 명확하면) 최고의 실행이 선택되고 분석된 이유가 최고이고 무엇이 그렇게 흥미롭게 발견되었는지 확인한 다음에만 시스템이 채굴된 것으로 조립되고 그 후에는 더 이상 최적화되지 않습니다.
정상적인 뉴런 훈련 중에 훈련을 일시 중지하고 새 데이터에 대한 과적합을 확인하여 훈련을 제시간에 중지할 수 있는 경우 NEAT에서는 작동하지 않으며 유전학은 도달할 때까지 피트니스 기능을 가장 잘 충족시키는 가중치를 찾습니다. 그 한계는 결과적으로 새로운 데이터에 대한 모델의 강한 과적합과 무익함을 얻습니다.
여보세요!!! 알려진 질문입니다. 재최적화 없이 AI가 최대한 오래 작동하게 하는 방법???? 개인적으로 두 가지 답변을 봅니다.
1. 입력의 품질 개선, 즉 이탈의 이유가 될 입력을 찾는 것입니다. 그러한 입구는 원칙적으로 자연에 존재하지 않을 수 있기 때문에 작업은 한 시간 동안 매우 어렵고 불가능합니다.
2. 적절한 수준의 모델 품질로 교육 기간을 늘립니다. 이것이 내가 생각하고 분석 할 접근 방식입니다 .....
두 네트워크의 위원회를 사용하여 "예", "아니오" 및 "모름"의 세 가지 상태를 얻습니다. 두 네트워크가 서로 다른 방향을 바라볼 때 이것이 효과이며 사용하려고 합니다.
먼저 1000개의 레코드에 대해 네트워크를 훈련합니다. 일반적으로 그들 중 약 60%가 "모름" 상태를 받은 다음 "모름" 상태에서만 독점적으로 훈련하는 두 번째 수준 모델을 만들고 두 번째 수준에서는 600개의 레코드 중 약 300개가 정의되지 않은 레코드입니다. 맞습니다. 형제 여러분, 우리는 부스팅을 사용합니다. TObish는 네트워크의 다중 재훈련을 수행합니다. 3단계에 도달할 수 있었습니다. 이를 통해 약 3개월 간의 TF M15 현장에서 모델을 훈련할 수 있었습니다. 모델을 준비하는 과정이 이틀 이상 걸렸다는 것은 인정합니다. 글쎄요, 시그널 모델 6개 + 롤백 모델 8개를 구축해야 한다는 점을 생각하면 놀라운 일이 아닙니다만, 이 모든 시간은 오로지 성능 향상을 위해서만 소비됩니다. 재최적화 및 사람의 참여 없이 최소 한 달 동안 TS.
이 사진은 차량의 훈련 기간을 보여줍니다. 테스트는 예금을 입력할 가능성 없이 하나의 로트에서 수행되었습니다. 즉, ROLLBACK 모델 없이!
"수익성"에주의하십시오. 이 제한 내에서 2에서 5까지의 범위를 초과해서는 안 됩니다. 이 지표의 높은 수준은 IMHO를 재교육하는 신호이기 때문입니다. 국회가 이 부분을 알게 되었을 때.
다음 사진에서는 롤백 모델을 연결했습니다. 즉, 신호가 나타나면 롤백이 있는지 분석하고 "예"이면 연기하고 "아니오"이면 시장에 진입합니다. 여기에서는 약 4개의 모델 간 투자가 사용되며 결과는 "수익성" 매개변수 측면에서 볼 때 훨씬 더 좋습니다. 사실 이 방법은 균형 곡선이 더 부드럽게 증가하는 형태를 갖기 위한 것입니다.
일반적으로 거래 건수가 감소하고 이익이 약간 감소하며 수익성이 증가하며 이것이 실제로 우리가 보는 것입니다.
그러나 우리는 훈련 영역의 지표가 거의 의미가 없다는 것을 알고 있으며 실제로 그렇습니다. 그러나 나는 그것에 대해 생각하고 "훈련의 질을 어떻게 평가합니까?"라는 매우 중요한 질문에 대답했습니다. 귀하의 모델이 시장을 얼마나 잘 일반화하고 일반적으로 그것을 할 수 있는지 알아내는 방법 ??? 답은 표면에 있었고 매우 간단했습니다. 다른 테스트 간격이 필요합니다!!!!!!! 하지만 어느 쪽인가요? ..... 속편에서 이것에 대해 더 자세히 알아보세요 ....
예, 왜 좋지 않습니까? MO는 AI가 발명될 때까지 본질적으로 최적화입니다.
유전학은 MO에도 적용됩니다.
또한 진화하는 NEAT 신경망인 다소 유망한 하이브리드 방향이 있습니다.
"최적화" 기준이 중요합니다. 최대 이익을 위한 최적화는 그다지 좋지 않습니다. 좋은 기준. 동시에, 특히 포럼에서 실제로 자주 볼 수 있는 미래에 이것이 어떻게든 작동할 것이라고 믿을 이유가 없습니다.
반드시 최대 이익이 아니라 R^2로 가능합니다. 최근 기사에서 제안한 대로 또는 다른 방식으로 사용자 정의 기준이 있습니다. 요점은 이것이 아니라 opt를 통해 안정적인 종속성을 찾는 것입니다. 여러 도매가 걸립니다. 전체 모듈이 통과하는 하이퍼파라미터, def에 따라 기능 세트 또는 다른 것을 말해보자. 규칙 .. 더 명확하면) 최고의 실행이 선택되고 분석된 이유가 최고이고 무엇이 그렇게 흥미롭게 발견되었는지 확인한 다음에만 시스템이 채굴된 것으로 조립되고 그 후에는 더 이상 최적화되지 않습니다.
또한 진화하는 NEAT 신경망인 다소 유망한 하이브리드 방향이 있습니다.
다시 한 번 새로운 소식을 전해 드리겠습니다. Google에 도움을 요청하겠습니다. :)
또한 진화하는 NEAT 신경망인 다소 유망한 하이브리드 방향이 있습니다.
당신은 내가 생각한 것을 말했지만 지난 몇 달 동안 생각을 형성할 수 없었습니다.
정돈된
주제 자체는 흥미롭지만 외환 테스트를 통과하지 못했습니다. 주제에 그것에 대한 몇 가지 기사가 있었고 R - https://github.com/ahunteruk/RNeat 패키지도 있습니다.
몇 마디로 NEAT - 우리는 기존의 훈련 대신 유전 알고리즘을 사용하여 뉴런의 가중치를 선택합니다.
예를 들어 작동 중인 알고리즘에서 뉴런은 Mario 게임을 하는 방법을 학습하고 있습니다. https://www.youtube.com/watch?v=qv6UVOQ0F44
정상적인 뉴런 훈련 중에 훈련을 일시 중지하고 새 데이터에 대한 과적합을 확인하여 훈련을 제시간에 중지할 수 있는 경우 NEAT에서는 작동하지 않으며 유전학은 도달할 때까지 피트니스 기능을 가장 잘 충족시키는 가중치를 찾습니다. 그 한계는 결과적으로 새로운 데이터에 대한 모델의 강한 과적합과 무익함을 얻습니다.
실제 진드기 테스트, 이것은 실시간입니다. 그리고 테스터를 사용하지 않는 것은 매우 나쁩니다.
이것을 듣는 것이 이상합니다. 메타 트레이더 테스터에는 "실제 틱"이 없으며 생성됩니다. 수학적 의미에서는 (O + H + L + C) / 다음 촛불의 4에서 열기 / 닫기와 같습니다. 그 전에 신호가 나타났습니다.
이 교환(bittrex)의 마이너스는 그들의 API에 ohlc 값을 가져오는 기능이 없다는 것입니다.
글쎄요, 없습니다. 어떤 이유에서인지 그들은 여전히 api 2.0이 문서화되지 않았습니다. 인터넷의 어딘가에 ((
촛불 요청 예시: bittrex.com/Api/v2.0/pub/market/GetTicks?marketName=BTC-ETH&tickInterval=day&_=1499127220008
음, 그들의 양초는 나쁘고 자체 주문 로그에서 만들지 않지만 어떻게 든 다른 소스에서 집계합니다. 높은 손실은 차트보다 훨씬 강할 수 있습니다. 어쨌든 틱을 작성해야합니다.글쎄요, 없습니다.
감사합니다.
이것을 듣는 것이 이상합니다. 메타 트레이더 테스터에는 "실제 틱"이 없으며 생성됩니다. 수학적 의미에서는 (O + H + L + C) / 다음 촛불의 4에서 열기 / 닫기와 같습니다. 그 전에 신호가 나타났습니다.
메타 트레이더의 지상파 네트워크에 실제 틱이 없다는 사실을 듣는 것은 이상합니다.
여보세요!!! 알려진 질문입니다. 재최적화 없이 AI가 최대한 오래 작동하게 하는 방법???? 개인적으로 두 가지 답변을 봅니다.
1. 입력의 품질 개선, 즉 이탈의 이유가 될 입력을 찾는 것입니다. 그러한 입구는 원칙적으로 자연에 존재하지 않을 수 있기 때문에 작업은 한 시간 동안 매우 어렵고 불가능합니다.
2. 적절한 수준의 모델 품질로 교육 기간을 늘립니다. 이것이 내가 생각하고 분석 할 접근 방식입니다 .....
두 네트워크의 위원회를 사용하여 "예", "아니오" 및 "모름"의 세 가지 상태를 얻습니다. 두 네트워크가 서로 다른 방향을 바라볼 때 이것이 효과이며 사용하려고 합니다.
먼저 1000개의 레코드에 대해 네트워크를 훈련합니다. 일반적으로 그들 중 약 60%가 "모름" 상태를 받은 다음 "모름" 상태에서만 독점적으로 훈련하는 두 번째 수준 모델을 만들고 두 번째 수준에서는 600개의 레코드 중 약 300개가 정의되지 않은 레코드입니다. 맞습니다. 형제 여러분, 우리는 부스팅을 사용합니다. TObish는 네트워크의 다중 재훈련을 수행합니다. 3단계에 도달할 수 있었습니다. 이를 통해 약 3개월 간의 TF M15 현장에서 모델을 훈련할 수 있었습니다. 모델을 준비하는 과정이 이틀 이상 걸렸다는 것은 인정합니다. 글쎄요, 시그널 모델 6개 + 롤백 모델 8개를 구축해야 한다는 점을 생각하면 놀라운 일이 아닙니다만, 이 모든 시간은 오로지 성능 향상을 위해서만 소비됩니다. 재최적화 및 사람의 참여 없이 최소 한 달 동안 TS.
이 사진은 차량의 훈련 기간을 보여줍니다. 테스트는 예금을 입력할 가능성 없이 하나의 로트에서 수행되었습니다. 즉, ROLLBACK 모델 없이!
"수익성"에주의하십시오. 이 제한 내에서 2에서 5까지의 범위를 초과해서는 안 됩니다. 이 지표의 높은 수준은 IMHO를 재교육하는 신호이기 때문입니다. 국회가 이 부분을 알게 되었을 때.
다음 사진에서는 롤백 모델을 연결했습니다. 즉, 신호가 나타나면 롤백이 있는지 분석하고 "예"이면 연기하고 "아니오"이면 시장에 진입합니다. 여기에서는 약 4개의 모델 간 투자가 사용되며 결과는 "수익성" 매개변수 측면에서 볼 때 훨씬 더 좋습니다. 사실 이 방법은 균형 곡선이 더 부드럽게 증가하는 형태를 갖기 위한 것입니다.
일반적으로 거래 건수가 감소하고 이익이 약간 감소하며 수익성이 증가하며 이것이 실제로 우리가 보는 것입니다.
그러나 우리는 훈련 영역의 지표가 거의 의미가 없다는 것을 알고 있으며 실제로 그렇습니다. 그러나 나는 그것에 대해 생각하고 "훈련의 질을 어떻게 평가합니까?"라는 매우 중요한 질문에 대답했습니다. 귀하의 모델이 시장을 얼마나 잘 일반화하고 일반적으로 그것을 할 수 있는지 알아내는 방법 ??? 답은 표면에 있었고 매우 간단했습니다. 다른 테스트 간격이 필요합니다!!!!!!! 하지만 어느 쪽인가요? ..... 속편에서 이것에 대해 더 자세히 알아보세요 ....