내가 틀리지 않은 경우 스플라인을 사용하여 개별 패킷의 Mt5 화면 가격 데이터를 신경망에 공급하려고 하는 것입니다. 여기서 가격 데이터의 각 세그먼트 또는 패킷은 자체적으로 별도의 기능 을 나타내고 신경망은 과거 훈련된 데이터의 최소 평균 제곱 오차(MSE)를 기반으로 특정 가격대에 가장 적합한 기능을 자동으로 선택합니다. 내 이해가 맞습니까?
내 말은 당신이 게임에 픽셀을 공급하는 게임 이론의 유사한 접근 방식을 시도하고 있다는 것을 의미하며 귀하의 경우에는 스플라인 형태로 가격을 공급하려고 합니다. 그 맞습니까?
감사해요...
안녕하세요, 네, 정확히 이해하셨습니다. 그러나 스플라인은 확실하지 않습니다 . 예를 들어 "역 거리 가중치"와 같은 다른 방법이 있기 때문입니다. 그러나 보간에 관한 모든 것.
안녕하세요, 네, 정확히 이해하셨습니다. 그러나 스플라인은 확실하지 않습니다 . 예를 들어 "역 거리 가중치"와 같은 다른 방법이 있기 때문입니다. 그러나 보간에 관한 모든 것.
좋아요, 하지만 신경망에 스플라인을 사용하는 필수 피드 가격이라고 확신하십니까?
제 말은 왜 우리는 양초의 시가, 종가, 고가, 저가를 신경망에 직접 공급할 수 없습니까?
가격 세그먼트의 가격 구조를 정의한 다음 가격을 다시 보간하는 함수 가 왜 필요하다고 생각합니까?
MT5에서 실현 가능한지는 모르겠지만 게임 'ALPHA GO ZERO'에서 사용하는 방식을 말하는 것입니다. 그래서 MT5에서 우리는 신경망에 지난 50개의 캔들(예시)의 시가, 종가, 고가, 저가를 공급할 수 있습니다. 이 접근 방식을 이미 시도했습니까? 아니면 Mt5에 적합하지 않습니까?
함수나 스플라인을 사용하여 신경망에 공급하는 것이 왜 중요한지 좀 더 설명해 주시겠습니까?
제 말은 왜 우리는 양초의 시가, 종가, 고가, 저가를 신경망에 직접 공급할 수 없습니까?
가격 세그먼트의 가격 구조를 정의한 다음 가격을 다시 보간하는 함수 가 왜 필요하다고 생각합니까?
MT5에서 가능한지 아닌지는 모르겠지만 "ALPHA GO ZERO"의 컴퓨터 화면 피딩 방식을 언급하고 있습니다. 그래서 우리는 신경망에 지난 50개의 캔들(예시)의 시가, 종가, 고가, 저가를 공급할 수 있습니다. 이 접근 방식을 이미 시도했습니까? 아니면 Mt5에 적합하지 않습니까?
함수나 스플라인을 사용하여 신경망에 공급하는 것이 왜 중요한지 좀 더 설명해 주시겠습니까?
입력 정보를 변환하여 입력과 출력 간의 교차 엔트로피(또는 상호 정보)를 최소화하기만 하면 됩니다. 이는 분류기가 테스트 하위 집합에서 더 잘 작동하고 앞으로 더 잘 작동할 것임을 의미합니다(점의 더 나은 분리). 이러한 기술은 기계 학습에 널리 사용됩니다.
그러나 우리는 어떤 변환이 더 나은지 선험적으로 알지 못하므로 반복적으로 변환하고 모델 오류를 확인합니다.
Hundreds of thousands of traders all over the world use the trading platforms developed by MetaQuotes Software Corp. The key factor leading to success is the technological superiority based on the experience of many years and the best software solutions. Many people have already estimated new opportunities that have become available with the...
음, 이산 포인트는 물론 선택됩니다. 고르지 않은 그리드에서도 가능합니다. 임시 인턴. 행 변환에 편리합니다.
연속 함수가 이미 있는 경우 이산 점을 선택하는 이유는 무엇입니까? 수학적 으로 분석적으로 주어진 (연속) 함수를 근사하는 작업은 의미가 없습니다.
연속 함수가 이미 있는데 왜 이산 점을 선택합니까? 수학적(연속 함수)을 근사하는 작업은 의미가 없습니다.
링크에 따르면 거기에 이유가 기록되어 있습니다. 그리고 정확히 왜 나에게 편지를 썼습니까?
링크에 따르면 거기에 이유가 기록되어 있습니다. 그리고 정확히 왜 나에게 편지를 썼습니까?
글쎄, 모든 것이 당신과 함께 명확합니다 ... 방문))
보간에는 수학 함수가 아닌 일련의 데이터가 필요합니다.
엄밀히 말하면 데이터 계열은 수학 함수입니다. 학교 과정에서 이것은 좋은 교과서에 즉시 언급됩니다.
고전적인 수학 함수: 합리적인 점에서 값 1을 취하고 비합리적인 점에서 0을 취합니다.
주제넘게 사과드립니다.
친애하는 맥스,
내가 틀리지 않은 경우 스플라인을 사용하여 개별 패킷의 Mt5 화면 가격 데이터를 신경망에 공급하려고 하는 것입니다. 여기서 가격 데이터의 각 세그먼트 또는 패킷은 자체적으로 별도의 기능 을 나타내고 신경망은 과거 훈련된 데이터의 최소 평균 제곱 오차(MSE)를 기반으로 특정 가격대에 가장 적합한 기능을 자동으로 선택합니다. 내 이해가 맞습니까?
내 말은 당신이 게임에 픽셀을 공급하는 게임 이론의 유사한 접근 방식을 시도하고 있다는 것을 의미하며 귀하의 경우에는 스플라인 형태로 가격을 공급하려고 합니다. 그 맞습니까?
감사해요...
안녕하세요, 네, 정확히 이해하셨습니다. 그러나 스플라인은 확실하지 않습니다 . 예를 들어 "역 거리 가중치"와 같은 다른 방법이 있기 때문입니다. 그러나 보간에 관한 모든 것.
엄밀히 말하면 데이터 계열은 수학 함수입니다. 학교 과정에서 이것은 좋은 교과서에 즉시 언급됩니다.
고전적인 수학 함수: 합리적인 점에서 값 1을 취하고 비합리적인 점에서 0을 취합니다.
주제넘게 사과드립니다.
확인. 그렇다면 "분석적으로 주어진"이라고 말하는 것이 더 정확한 방법은 무엇입니까? 또는 그렇게 - "분석적 표현으로 지정됨." 그래서?
안녕하세요, 네, 정확히 이해하셨습니다. 그러나 스플라인은 확실하지 않습니다 . 예를 들어 "역 거리 가중치"와 같은 다른 방법이 있기 때문입니다. 그러나 보간에 관한 모든 것.
좋아요, 하지만 신경망에 스플라인을 사용하는 필수 피드 가격이라고 확신하십니까?
제 말은 왜 우리는 양초의 시가, 종가, 고가, 저가를 신경망에 직접 공급할 수 없습니까?
가격 세그먼트의 가격 구조를 정의한 다음 가격을 다시 보간하는 함수 가 왜 필요하다고 생각합니까?
MT5에서 실현 가능한지는 모르겠지만 게임 'ALPHA GO ZERO'에서 사용하는 방식을 말하는 것입니다. 그래서 MT5에서 우리는 신경망에 지난 50개의 캔들(예시)의 시가, 종가, 고가, 저가를 공급할 수 있습니다. 이 접근 방식을 이미 시도했습니까? 아니면 Mt5에 적합하지 않습니까?
함수나 스플라인을 사용하여 신경망에 공급하는 것이 왜 중요한지 좀 더 설명해 주시겠습니까?
알겠습니다. 하지만 스플라인을 사용하여 신경망에 가격을 공급해야 한다고 확신하십니까?
제 말은 왜 우리는 양초의 시가, 종가, 고가, 저가를 신경망에 직접 공급할 수 없습니까?
가격 세그먼트의 가격 구조를 정의한 다음 가격을 다시 보간하는 함수 가 왜 필요하다고 생각합니까?
MT5에서 가능한지 아닌지는 모르겠지만 "ALPHA GO ZERO"의 컴퓨터 화면 피딩 방식을 언급하고 있습니다. 그래서 우리는 신경망에 지난 50개의 캔들(예시)의 시가, 종가, 고가, 저가를 공급할 수 있습니다. 이 접근 방식을 이미 시도했습니까? 아니면 Mt5에 적합하지 않습니까?
함수나 스플라인을 사용하여 신경망에 공급하는 것이 왜 중요한지 좀 더 설명해 주시겠습니까?
입력 정보를 변환하여 입력과 출력 간의 교차 엔트로피(또는 상호 정보)를 최소화하기만 하면 됩니다. 이는 분류기가 테스트 하위 집합에서 더 잘 작동하고 앞으로 더 잘 작동할 것임을 의미합니다(점의 더 나은 분리). 이러한 기술은 기계 학습에 널리 사용됩니다.
그러나 우리는 어떤 변환이 더 나은지 선험적으로 알지 못하므로 반복적으로 변환하고 모델 오류를 확인합니다.입력 정보를 변환하여 입력과 출력 간의 교차 엔트로피(또는 상호 정보)를 최소화하기만 하면 됩니다. 이는 분류기가 하위 집합 및 미래의 테스트에서 더 잘 작동할 것임을 의미합니다. 이러한 기술은 기계 학습에 사용됩니다.
글쎄, 나는 과거 훈련된 데이터의 최소 오류를 기반으로 신경망에 의해 결정된 다른 가격 세그먼트에 대해 다른 지표 세트를 사용하여 달성하려는 목표를 이해했습니다.
분명히 기계 학습에서는 알고리즘이 목표에서 벗어나는 대신 시간이 지남에 따라 수렴하기 위해 교차 엔트로피와 최소화를 사용하는 것이 매우 중요 합니다.
전략의 자동 선택을 사용하는 기사가 이미 있고 당신이 그것을 알고 있는지 확실하지 않습니다. 그러나 기계 학습을 사용하지 않습니다. 참고하시면 도움이 되실겁니다.
https://www.mql5.com/en/articles/143
글쎄, 나는 과거 훈련된 데이터의 최소 오류를 기반으로 신경망에 의해 결정된 다른 가격 세그먼트에 대해 다른 지표 세트를 사용하여 달성하려는 목표를 이해했습니다.
분명히 기계 학습에서는 알고리즘이 목표에서 벗어나는 대신 시간이 지남에 따라 수렴하기 위해 교차 엔트로피와 최소화를 사용하는 것이 매우 중요 합니다.
전략의 자동 선택을 사용하는 기사가 이미 있고 당신이 그것을 알고 있는지 확실하지 않습니다. 그러나 기계 학습을 사용하지 않습니다. 참고하시면 도움이 되실겁니다.
https://www.mql5.com/en/articles/143
우리는 현재 지표나 다른 것에 관심이 없습니다. end는 어떤 전략에도 기본을 사용할 수 있고 분석적으로 계산할 수 없는 최상의 결과를 얻을 수 있습니다.