gpwr 은 (a)>> 모든 교과서에서 교사와의 네트워크 훈련은 데이터를 훈련 샘플과 테스트 샘플로 분할하여 발생한다고 기록되어 있습니다. 네트워크는 훈련 샘플의 오류를 최소화하여 훈련되는 반면 테스트 샘플에서 오류가 관찰됩니다(표본 외 테스트 또는 검증). 테스트 세트의 오류 감소가 중지되면 훈련이 중지됩니다(하단에 점선으로 표시됨). 또한 훈련 샘플의 오류는 이 그림과 같이 계속 감소할 수 있습니다.
이 모든 연구 뒤에는 많은 사람들이 가장 중요한 이익인 이익을 잊고 있습니다. 그래서 교과서에 나오지 않는 "그러나"가 하나 있습니다. OOS에서 최소 오차에 도달한다고 해서 수익이 보장되는 것은 아닙니다. 왜요? 최소 오차와 이익은 여전히 다른 것이기 때문입니다. 그들은 어떤 식 으로든 관련이 없을 수 있습니다. 왜요? 네트워크는 OOS 및 실제 시장을 정확하게 반복할 필요가 없기 때문에 특정 시점, 즉 특정 트리거 임계값을 초과하는 정확한 매수 또는 매도 신호를 제공하는 것으로 충분합니다. 이 시간(신호) 사이에 네트워크는 원하는 대로 작동할 수 있습니다. 가장 중요한 것은 이 임계값을 초과하지 않는 것입니다. 따라서 OOS에서 큰 실수를 하면 이익이 클 수 있습니다.
StatBars писал(а)>> 대부분의 경우 실제로 안정적인 결과를 얻지 못했기 때문에 이런 식으로 추론합니다. 오류와 이익은 원칙적으로 상호 연관되어 있으며, 원칙적으로 각 작업에 대해 허용 가능한 TS 지표를 얻기 위해 달성해야 하는 오류를 결정할 수 있습니다 ...
당신은 내 추론의 본질을 잘못 이해했습니다. 나는 훈련되지 않은 네트워크와 거래 결과 사이의 관계에 대해 이야기하지 않았습니다. 테스트 샘플의 오류가 더 이상 감소하지 않을 때까지 네트워크를 훈련해야 한다는 내용이 어디에나 기록되어 있습니다. 나는 Yatim에 동의하며 이 주제에 대해 논쟁하고 싶지 않습니다. 내 추론의 핵심은 네트워크의 병렬 구조가 최적화의 복잡성으로 이어지는 방법과 거듭제곱 계열을 기반으로 하는 비선형 모델이 신경망과 동일한 목표를 달성할 수 있지만 훨씬 더 간단한 수학적 장치와 빠른 학습 과정을 통해 명확한 결과를 얻을 수 있습니다. .
아, 여기에서 이미 얼마나 많은 말을 했습니까 ;-). 5센트를 추가하겠습니다.
당신은 또한 나를 오해했다. 나는 "저교육" 네트워크를 의미하지 않았습니다. 나는 당신이 그리드에서 기적을 기대할 필요가 없다는 것을 의미했습니다. 만병통치약도 아니고, 승률을 준다 해도 아주 작은 것이고, 승률을 높이려면 위원회가 필요합니다. 위원회에 대한 네트워크 구성 및 입출력 데이터 구조는 길고 하드하게 검색할 수 있습니다. IMHO, 실제로 가치가 있는 것의 10%도 시도하지 않고 그리드를 너무 빨리 할인했습니다(프로젝트에서 직접 작업을 시작한 시점으로 판단). 수학 교육 덕분에 그리드를 대체하려고 시도하는 것보다 더 많은 옵션이 있습니다 ;-). 시도하십시오. 그러나 그리드를 비판함으로써 잘못된 것에 주의를 집중시키는 것 같습니다. 특히, 특정 네트워크 인스턴스에서 어떤 입력 요소에 대해 어떤 시냅스가 학습하는지에 따라 어떤 차이가 있습니까? 알아야 합니까? 설마. 뉴런에 대한 신호 분배 그리드의 이러한 내부 불확실성은 "구매 설계"로 간주됩니다. 그러나 12개의 그리드를 훈련하고 가늘게 하면 관계 패턴(당신이 언급한 동일한 비선형 시리즈)이 자체적으로 발전했으며 동일하거나 비슷하다는 것을 알 수 있습니다. 아날로그를 수동으로 구성하면 수학자로서 입력 데이터 스트림에서 네트워크가 드러낸 종속성을 식별하고 이러한 종속성을 식별한 후에야 어떤 방법을 사용해야 하고 얼마나 힘든지 더 잘 알 수 있습니다. 종속성을 통해 자신의 전력 계열을 만들 수 있습니다.
위원회에 관해서는 N개의 네트워크라는 단순한 원칙에 따라 선출된 것이 아니라, 100개의 네트워크 중 10개의 베스트 네트워크만이 수신되었다는 점을 말씀드리고 싶습니다. 사람들의 모임으로 본보기를 계속하면 서로 경청하는 방법을 어느 정도 알고 있는 사람들의 의견만 들릴 것입니다. 또한, 당신은 분명히 우리에게 2개의 결과가 아니라 더 많은 결과가 있다는 것을 잊었습니다. 그것들은 정말로 다음과 같습니다: 성공, 지지 않음, 잃음, 실패. 따라서 확률을 계산해야 합니다(나는 의도적으로 단순화): 손실 없음 (1) * 손실 없음 (2) \u003d 0.4 * 0.4 \u003d 0.02. 저것들. 가장 좋은 구성은 최대의 이익 확률이 아니라 최소의 손실 확률을 갖는 구성입니다. 유추하여 우리는 하락 지표를 봅니다. 드로다운이 이미 50%인 경우 매우 수익성이 높은 설정을 취하는 것은 의미가 없습니다. 그것은 실질적으로 배수를 보장합니다.
사실, 당신은 모든 것을 올바르게 썼습니다. 우리는 단지 정의에 동의하지 않았습니다.
이 모든 연구 뒤에는 많은 사람들이 가장 중요한 이익인 이익을 잊고 있습니다. 그래서 교과서에 나오지 않는 "그러나"가 하나 있습니다. OOS에서 최소 오차에 도달한다고 해서 수익이 보장되는 것은 아닙니다. 왜요? 최소 오차와 이익은 여전히 다른 것이기 때문입니다. 그들은 어떤 식 으로든 관련이 없을 수 있습니다. 왜요? 네트워크는 OOS 및 실제 시장을 정확하게 반복할 필요가 없기 때문에 특정 시점, 즉 특정 트리거 임계값을 초과하는 정확한 매수 또는 매도 신호를 제공하는 것으로 충분합니다. 이 시간(신호) 사이에 네트워크는 원하는 대로 작동할 수 있습니다. 가장 중요한 것은 이 임계값을 초과하지 않는 것입니다. 따라서 OOS에서 큰 실수를 하면 이익이 클 수 있습니다.
먼저 그리드를 설정하기 위한 out-of-sample이 있습니다. 그러면 그렇지 않을 것입니다. 진정한 미래는 눈앞에 있으며 예측해야 합니다. 훈련을 중단하는 기준은 무엇입니까 - 특정 오류 또는 훈련 실행 횟수? 또는 다른 것?
먼저 그리드를 설정하기 위한 out-of-sample이 있습니다. 그러면 그렇지 않을 것입니다. 진정한 미래는 눈앞에 있으며 예측해야 합니다. 훈련을 중단하는 기준은 무엇입니까 - 특정 오류 또는 훈련 실행 횟수? 또는 다른 것?
예를 들어, 대조 샘플의 최소 오류를 업데이트하지 않은 100 Epoch.
그리고 물론 미래에 대한 질문은 분명히 열려 있습니다. OOS조차도 여전히 미래이기 때문에 우리는 이익을 통제할 수 있는 곳을 알고 있고 미래에 거래합니다. 최소 오차를 얻으려면 최대 이익을 얻으십시오. 그리고 오류는 무엇입니까? FSU입니다.
대부분의 경우 실제로 안정적인 결과를 얻지 못했기 때문에 이런 식으로 추론합니다. 오류와 이익은 원칙적으로 상호 연관되어 있으며, 원칙적으로 각 작업에 대해 허용 가능한 TS 지표를 얻기 위해 달성해야 하는 오류를 결정할 수 있습니다 ...
"정말 안정적인 결과"는 당신에게 무엇을 의미합니까?
그것들은 관련이 있을 수도 있고 아닐 수도 있습니다. 이것이 큰 문제입니다. 그러나 OOS의 최소 오차는 실생활에서 최대의 이익을 의미하지 않으며, 이로 이어지지도 않음은 분명합니다. 실생활에서 최대 이익뿐만 아니라 그것에 대한 최소 오류를 의미하지는 않습니다.
당신은 내 추론의 본질을 잘못 이해했습니다. 나는 훈련되지 않은 네트워크와 거래 결과 사이의 관계에 대해 이야기하지 않았습니다. 테스트 샘플의 오류가 더 이상 감소하지 않을 때까지 네트워크를 훈련해야 한다는 내용이 어디에나 기록되어 있습니다. 나는 Yatim에 동의하며 이 주제에 대해 논쟁하고 싶지 않습니다. 내 추론의 핵심은 네트워크의 병렬 구조가 최적화의 복잡성으로 이어지는 방법과 거듭제곱 계열을 기반으로 하는 비선형 모델이 신경망과 동일한 목표를 달성할 수 있지만 훨씬 더 간단한 수학적 장치와 빠른 학습 과정을 통해 명확한 결과를 얻을 수 있습니다. .
아, 여기에서 이미 얼마나 많은 말을 했습니까 ;-). 5센트를 추가하겠습니다.
당신은 또한 나를 오해했다. 나는 "저교육" 네트워크를 의미하지 않았습니다. 나는 당신이 그리드에서 기적을 기대할 필요가 없다는 것을 의미했습니다. 만병통치약도 아니고, 승률을 준다 해도 아주 작은 것이고, 승률을 높이려면 위원회가 필요합니다. 위원회에 대한 네트워크 구성 및 입출력 데이터 구조는 길고 하드하게 검색할 수 있습니다. IMHO, 실제로 가치가 있는 것의 10%도 시도하지 않고 그리드를 너무 빨리 할인했습니다(프로젝트에서 직접 작업을 시작한 시점으로 판단). 수학 교육 덕분에 그리드를 대체하려고 시도하는 것보다 더 많은 옵션이 있습니다 ;-). 시도하십시오. 그러나 그리드를 비판함으로써 잘못된 것에 주의를 집중시키는 것 같습니다. 특히, 특정 네트워크 인스턴스에서 어떤 입력 요소에 대해 어떤 시냅스가 학습하는지에 따라 어떤 차이가 있습니까? 알아야 합니까? 설마. 뉴런에 대한 신호 분배 그리드의 이러한 내부 불확실성은 "구매 설계"로 간주됩니다. 그러나 12개의 그리드를 훈련하고 가늘게 하면 관계 패턴(당신이 언급한 동일한 비선형 시리즈)이 자체적으로 발전했으며 동일하거나 비슷하다는 것을 알 수 있습니다. 아날로그를 수동으로 구성하면 수학자로서 입력 데이터 스트림에서 네트워크가 드러낸 종속성을 식별하고 이러한 종속성을 식별한 후에야 어떤 방법을 사용해야 하고 얼마나 힘든지 더 잘 알 수 있습니다. 종속성을 통해 자신의 전력 계열을 만들 수 있습니다.
위원회에 관해서는 N개의 네트워크라는 단순한 원칙에 따라 선출된 것이 아니라, 100개의 네트워크 중 10개의 베스트 네트워크만이 수신되었다는 점을 말씀드리고 싶습니다. 사람들의 모임으로 본보기를 계속하면 서로 경청하는 방법을 어느 정도 알고 있는 사람들의 의견만 들릴 것입니다. 또한, 당신은 분명히 우리에게 2개의 결과가 아니라 더 많은 결과가 있다는 것을 잊었습니다. 그것들은 정말로 다음과 같습니다: 성공, 지지 않음, 잃음, 실패. 따라서 확률을 계산해야 합니다(나는 의도적으로 단순화): 손실 없음 (1) * 손실 없음 (2) \u003d 0.4 * 0.4 \u003d 0.02. 저것들. 가장 좋은 구성은 최대의 이익 확률이 아니라 최소의 손실 확률을 갖는 구성입니다. 유추하여 우리는 하락 지표를 봅니다. 드로다운이 이미 50%인 경우 매우 수익성이 높은 설정을 취하는 것은 의미가 없습니다. 그것은 실질적으로 배수를 보장합니다.
반복합니다.
joo писал(а) >>
교사를 사용하면 이미 알려진 함수(예: 사인파)에 대해서만 그리드를 훈련할 수 있습니다. 여기서 우리는 양심의 가책 없이 다음과 같은 그물을 먹일 수 있습니다.
교사로서 가르칠 수 있는 점. 시장에서는 이 트릭이 작동하지 않습니다.
왜냐하면, 우리는 항상 sinusoid 의 다음 지점이 무엇인지 미리 알고 있기 때문입니다. 우리는 사인파의 미래를 알고 있습니다!
이로부터 역사적(사인파) 데이터에 대해 배우는 것, 즉 교사와 함께 가르치는 것은 매우 합법적입니다.
시장의 미래는 우리에게 알려주는 것이 아니므로 선생님과 함께 배우는 것은 무의미한 과정이 됩니다.
"정말 안정적인 결과"는 당신에게 무엇을 의미합니까?
예를 들어, 2개월의 기록에 대해 Expert Advisor를 최적화하고 3개의 매개변수만 사용하면 긍정적인 결과의 80%가 모든 스토리에 대해 수익성이 있습니다.
네트워크도 마찬가지...
그것들은 관련이 있을 수도 있고 아닐 수도 있습니다. 이것이 큰 문제입니다. 그러나 OOS의 최소 오차는 실생활에서 최대의 이익을 의미하지 않으며, 이로 이어지지도 않음은 분명합니다. 실생활에서 최대 이익뿐만 아니라 그것에 대한 최소 오류를 의미하지는 않습니다.
일반적으로 네트워크가 지속적으로 무언가를 인식하거나 예측하고 이 예측이 이익에 충분하면 오류가 아니라 결과의 안정성에 대해 이야기하고 있는 것입니다. 그러면 전방과 실제 모두에 이익이 있을 것입니다.
오류가 충분히 작으면 오류가 발생합니다. 만족스럽게은 무슨 뜻인가요? 각 작업에 대해 이 조건은 별도로 설정되며 경험적 방법만 알고 있습니다.
반복합니다.
왜냐하면, 우리는 항상 sinusoid 의 다음 지점이 무엇인지 미리 알고 있기 때문입니다. 우리는 사인파의 미래를 알고 있습니다!
이로부터 역사적(사인파) 데이터에 대해 배우는 것, 즉 교사와 함께 가르치는 것은 매우 합법적입니다.
시장의 미래는 우리에게 알려주는 것이 아니므로 선생님과 함께 배우는 것은 무의미한 과정이 됩니다.
정현파를 알고 있으므로 네트워크를 사용하여 예측할 수 있다면 더 복잡한 공식을 생성하면 분석 기록을 알 수 있으므로 예측할 수도 있습니다. 시장은 같은 공식이지만 훨씬 더 복잡하고 우리에게 알려지지 않았습니다 ...