물론 나도 시도했는데, 예를 들어 MO라는 주제로 이렇게 하는 사람들이 있는데, 입력에서 쓰레기에 대한 만트라를 반복하고 교사와 함께 배울 때 공식 출력에서 쓰레기가 있다는 것을 분명히 잊어 버립니다. 더 좋지는 않지만 특징 벡터를 선택하고 섞는 것은 과적합을 방지하지 못합니다.
수동으로 표시하려고 합니다. 문제는 신호를 균등하게 분할해야 하고 시스템을 가역적으로 전환해야 합니까? 또는 논리로 입력만 표시하시겠습니까?
그리고 네트워크는 비정상성을 어떻게 처리합니까? 예를 들어 동일한 패턴의 크기는 15개 또는 150개일 수 있습니다.
누구나 - 작성자는 자신의 전략에 대한 거래 신호가 포함된 템플릿을 만들고 이 스레드에 배치합니다.
저는 템플릿을 처리하고 Expert Advisors 또는 지표를 생성하여 컴파일된 형태로 바로 배치합니다.
다른 모든 사람들은 템플릿과 로봇을 자유롭게 다운로드하고 테스트하고 자신만의 전문가 평가를 제공할 수 있습니다.
왜 그렇게 어렵습니까? 모든 것을 훨씬 쉽게 할 수 있습니다.
많은 거래가 히스토리에 무작위로 생성됩니다. 그들 중 많은 사람들이 성공하지만 많은 사람들이 그렇지 않습니다. 이 경우 ML 방법을 사용하여 시스템을 훈련합니다. MO 자체가 패턴을 분류하고 찾습니다.
나는 ~ 10,000 거래의 순서로 그것을했습니다. ML이 있는 간단한 시스템이라도 잘 훈련되고 테스트에서 성공적인 거래의 약 80-85%를 보여줍니다. 간단한 MO의 경우 이미 매우 좋습니다. 이상하기 때문에 그녀는 단순히 많은 트랜잭션 을 기억할 수 없습니다. 이에 대한 유일한 설명은 ML이 실제로 일부 패턴을 찾아 일반화한다는 것입니다.
많은 거래가 히스토리에 무작위로 생성됩니다. 그들 중 많은 사람들이 성공하지만 많은 사람들이 그렇지 않습니다. 이 경우 ML 방법을 사용하여 시스템을 훈련합니다. MO 자체가 패턴을 분류하고 찾습니다.
나는 ~ 10,000 거래의 순서로 그것을했습니다. ML이 있는 간단한 시스템이라도 잘 훈련되고 테스트에서 성공적인 거래의 약 80-85%를 보여줍니다. 간단한 MO의 경우 이미 매우 좋습니다. 이상하기 때문에 그녀는 단순히 많은 트랜잭션 을 기억할 수 없습니다. 이에 대한 유일한 설명은 ML이 실제로 일부 패턴을 찾아 일반화한다는 것입니다.
예, 그러나 이러한 모든 기적은 훈련 시퀀스에서만 관찰됩니다.)
음, 예, 전체 과적합이 있는 훈련에서 m.b. 100%, 그러나 과제는 기억하는 것이 아니라 일반화하고 앞으로의 결과를 달성하는 것입니다.
따라서 실험에서 무작위 또는 모든 가능한 수익성 있는 거래가 아니라 일부 지표의 판독값에서 필터링된 거래(신호)에 대해 학습하는 것이 제안됩니다.
따라서 모든 신호는 이미 VR에 대한 형식화된 종속성을 포함하고 신경망은 이를 결정하고 샘플에 포함되지 않은 불량 신호를 제외하기 위한 패턴을 설정해야 합니다.
많은 트랜잭션이 히스토리에 무작위로 생성됩니다. 그들 중 많은 사람들이 성공하지만 많은 사람들이 그렇지 않습니다. 이 경우 ML 방법을 사용하여 시스템을 훈련합니다. MO 자체가 패턴을 분류하고 찾습니다.
나는 ~ 10,000 거래의 순서로 그것을했습니다. ML이 있는 간단한 시스템이라도 잘 훈련되고 테스트에서 성공적인 거래의 약 80-85%를 보여줍니다. 간단한 MO의 경우 이미 매우 좋습니다. 이상하기 때문에 그녀는 단순히 많은 트랜잭션 을 기억할 수 없습니다. 이에 대한 유일한 설명은 ML이 실제로 일부 패턴을 찾아 일반화한다는 것입니다.
데이터, 매개변수 및 모델 유형에 따라 다릅니다. 예를 들어 트리에서 정보의 조건부 밀도에는 제한이 있지만 내 네트워크에서 뉴런의 수와 같이 레벨 수가 동적으로 증가하지만 결정됩니다. 훈련 샘플에 의해서만 가지 치기,위원회 등을 할 수 있습니다.
그리고 재훈련은 반드시 모든 샘플을 암기하는 것이 아니라 일반화 없이 그냥 암기하는 것입니다. 평균.
그리고 실험을 위해 이것을 하지 않는 이유는 다음과 같습니다. 시장에서 슈퍼 듀퍼 전략을 다운로드하고 테스터에서 실행하고(우리는 테스터를 신뢰합니다) 결과를 국회, RF, SVM 또는 기타 다른 기관에 제출합니다. 기다릴 필요가 없습니다. 우리는 데모에서 그것을 시도하고 결과에 감탄합니다.
그리고 실험을 위해 이것을 하지 않는 이유는 다음과 같습니다. 시장에서 슈퍼 듀퍼 전략을 다운로드하고 테스터에서 실행(우리는 테스터를 믿습니다)하고 결과를 국회, RF, SVM 또는 기타 다른 기관에 제출합니다. 기다릴 필요가 없습니다. 우리는 데모에서 그것을 시도하고 결과에 감탄합니다.
따라서 불가능합니다. 보호 기능을 갖춘 중재자가 문지릅니다. 소스가 필요하고 소스가 문질러질 것입니다. 판매자의 권리를 보호해야합니다-악순환이 나타납니다 :))
하지만 다양한 직업을 가진 로봇의 법적 지위와 사물 환경이 여전히 문제이기 때문에 놀라실 것은 없습니다...
물론 나도 시도했는데, 예를 들어 MO라는 주제로 이렇게 하는 사람들이 있는데, 입력에서 쓰레기에 대한 만트라를 반복하고 교사와 함께 배울 때 공식 출력에서 쓰레기가 있다는 것을 분명히 잊어 버립니다. 더 좋지는 않지만 특징 벡터를 선택하고 섞는 것은 과적합을 방지하지 못합니다.
수동으로 표시하려고 합니다. 문제는 신호를 균등하게 분할해야 하고 시스템을 가역적으로 전환해야 합니까? 또는 논리로 입력만 표시하시겠습니까?
그리고 네트워크는 비정상성을 어떻게 처리합니까? 예를 들어 동일한 패턴의 크기는 15개 또는 150개일 수 있습니다.
수동으로 표시하려고 합니다. 문제는 신호를 균등하게 분할해야 하고 시스템을 가역적으로 전환해야 합니까? 또는 논리로 입력만 표시하시겠습니까?
그리고 네트워크는 비정상성을 어떻게 처리합니까? 예를 들어 동일한 패턴의 크기는 15개 또는 150개일 수 있습니다.
이제 실험의 조직 및 토론을 위해:
왜 그렇게 어렵습니까? 모든 것을 훨씬 쉽게 할 수 있습니다.
많은 거래가 히스토리에 무작위로 생성됩니다. 그들 중 많은 사람들이 성공하지만 많은 사람들이 그렇지 않습니다. 이 경우 ML 방법을 사용하여 시스템을 훈련합니다. MO 자체가 패턴을 분류하고 찾습니다.
나는 ~ 10,000 거래의 순서로 그것을했습니다. ML이 있는 간단한 시스템이라도 잘 훈련되고 테스트에서 성공적인 거래의 약 80-85%를 보여줍니다. 간단한 MO의 경우 이미 매우 좋습니다. 이상하기 때문에 그녀는 단순히 많은 트랜잭션 을 기억할 수 없습니다. 이에 대한 유일한 설명은 ML이 실제로 일부 패턴을 찾아 일반화한다는 것입니다.
예, 그러나 이러한 모든 기적은 훈련 시퀀스에서만 관찰됩니다.)
왜 그렇게 어렵습니까? 모든 것을 훨씬 쉽게 할 수 있습니다.
많은 거래가 히스토리에 무작위로 생성됩니다. 그들 중 많은 사람들이 성공하지만 많은 사람들이 그렇지 않습니다. 이 경우 ML 방법을 사용하여 시스템을 훈련합니다. MO 자체가 패턴을 분류하고 찾습니다.
나는 ~ 10,000 거래의 순서로 그것을했습니다. ML이 있는 간단한 시스템이라도 잘 훈련되고 테스트에서 성공적인 거래의 약 80-85%를 보여줍니다. 간단한 MO의 경우 이미 매우 좋습니다. 이상하기 때문에 그녀는 단순히 많은 트랜잭션 을 기억할 수 없습니다. 이에 대한 유일한 설명은 ML이 실제로 일부 패턴을 찾아 일반화한다는 것입니다.
예, 그러나 이러한 모든 기적은 훈련 시퀀스에서만 관찰됩니다.)
음, 예, 전체 과적합이 있는 훈련에서 m.b. 100%, 그러나 과제는 기억하는 것이 아니라 일반화하고 앞으로의 결과를 달성하는 것입니다.
따라서 실험에서 무작위 또는 모든 가능한 수익성 있는 거래가 아니라 일부 지표의 판독값에서 필터링된 거래(신호)에 대해 학습하는 것이 제안됩니다.
따라서 모든 신호는 이미 VR에 대한 형식화된 종속성을 포함하고 신경망은 이를 결정하고 샘플에 포함되지 않은 불량 신호를 제외하기 위한 패턴을 설정해야 합니다.
왜 그렇게 어렵습니까? 모든 것을 훨씬 쉽게 할 수 있습니다.
많은 트랜잭션이 히스토리에 무작위로 생성됩니다. 그들 중 많은 사람들이 성공하지만 많은 사람들이 그렇지 않습니다. 이 경우 ML 방법을 사용하여 시스템을 훈련합니다. MO 자체가 패턴을 분류하고 찾습니다.
나는 ~ 10,000 거래의 순서로 그것을했습니다. ML이 있는 간단한 시스템이라도 잘 훈련되고 테스트에서 성공적인 거래의 약 80-85%를 보여줍니다. 간단한 MO의 경우 이미 매우 좋습니다. 이상하기 때문에 그녀는 단순히 많은 트랜잭션 을 기억할 수 없습니다. 이에 대한 유일한 설명은 ML이 실제로 일부 패턴을 찾아 일반화한다는 것입니다.
예, 그러나 이러한 모든 기적은 훈련 시퀀스에서만 관찰됩니다.)
MO에 대한 지식은 불행히도 여전히 0인 경향이 있습니다.
따라서 내부 신경망은 아직 합의에 도달할 수 없습니다. 왜 필요한가요?MO에 대한 지식은 불행히도 여전히 0인 경향이 있습니다.
따라서 내부 신경망은 아직 합의에 도달할 수 없습니다. 왜 필요한가요?너무 걱정할 필요가 없습니다, Maxim.)) 계란 만이 당신보다 시원하다는 것을 이미 모두 알고 있습니다.
글쎄, 예, 전체 과적합이 있는 훈련에서, 아마도. 100%, 그러나 과제는 기억하는 것이 아니라 일반화하고 앞으로의 결과를 달성하는 것입니다.
따라서 실험에서 무작위 또는 모든 가능한 수익성 있는 거래가 아니라 일부 지표의 판독값에서 필터링된 거래(신호)에 대해 학습하는 것이 제안됩니다.
따라서 모든 신호는 이미 VR에 대한 형식화된 종속성을 포함하고 신경망은 이를 결정하고 샘플에 포함되지 않은 불량 신호를 제외하기 위한 패턴을 설정해야 합니다.
훈련 샘플의 차원이 NN의 차원보다 훨씬 크면 재훈련은 실제로 비현실적입니다.
작은 샘플에서는 시간을 희생하여 과적합이 이루어집니다. 200개의 실제 거래가 주어졌다고 가정해 보겠습니다.
훈련 샘플의 차원이 NN의 차원보다 훨씬 크면 재훈련은 실제로 비현실적입니다.
작은 샘플에서는 시간을 희생하여 과적합이 이루어집니다. 200개의 실제 거래가 주어졌다고 가정해 보겠습니다.
데이터, 매개변수 및 모델 유형에 따라 다릅니다. 예를 들어 트리에서 정보의 조건부 밀도에는 제한이 있지만 내 네트워크에서 뉴런의 수와 같이 레벨 수가 동적으로 증가하지만 결정됩니다. 훈련 샘플에 의해서만 가지 치기,위원회 등을 할 수 있습니다.
그리고 재훈련은 반드시 모든 샘플을 암기하는 것이 아니라 일반화 없이 그냥 암기하는 것입니다. 평균.
데이터, 매개변수 및 모델 유형에 따라 다릅니다. 예를 들어 트리에서 정보의 조건부 밀도에는 제한이 있지만 내 네트워크에서 뉴런의 수와 같이 레벨 수가 동적으로 증가하지만 결정됩니다. 훈련 샘플에 의해서만 가지 치기,위원회 등을 할 수 있습니다.
그리고 재훈련은 반드시 모든 샘플을 암기하는 것이 아니라 일반화 없이 그냥 암기하는 것입니다. 평균.
그리고 실험을 위해 이것을 하지 않는 이유는 다음과 같습니다. 시장에서 슈퍼 듀퍼 전략을 다운로드하고 테스터에서 실행하고(우리는 테스터를 신뢰합니다) 결과를 국회, RF, SVM 또는 기타 다른 기관에 제출합니다. 기다릴 필요가 없습니다. 우리는 데모에서 그것을 시도하고 결과에 감탄합니다.
그리고 실험을 위해 이것을 하지 않는 이유는 다음과 같습니다. 시장에서 슈퍼 듀퍼 전략을 다운로드하고 테스터에서 실행(우리는 테스터를 믿습니다)하고 결과를 국회, RF, SVM 또는 기타 다른 기관에 제출합니다. 기다릴 필요가 없습니다. 우리는 데모에서 그것을 시도하고 결과에 감탄합니다.
따라서 불가능합니다. 보호 기능을 갖춘 중재자가 문지릅니다. 소스가 필요하고 소스가 문질러질 것입니다. 판매자의 권리를 보호해야합니다-악순환이 나타납니다 :))
하지만 다양한 직업을 가진 로봇의 법적 지위와 사물 환경이 여전히 문제이기 때문에 놀라실 것은 없습니다...