O "New Neural" é um projecto de motor de rede neural Open Source para a plataforma MetaTrader 5. - página 14
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
1) Há um bug no esquema de saída [-1;0;1], em teoria todas as três opções de saída devem ser igualmente prováveis, na verdade é muito difícil manter o hipertangente em zero ou sigmóide em 0,5 e ele ainda tentará pular.
isto pode ser porque eu dei apenas como exemplo.
2) Em "Statistics for Trader" Bulashev tem um esquema para avaliação da eficiência da posição (ordem), podemos aplicar este esquema e treinar a rede na entrega de sinais de negociação enquanto redes de arrasto, breakeven são todos elementos do TS não relacionados com a rede.
3) Os filtros são elementos de pré-processamento (preparação de exemplos), é necessário separar as moscas das costeletas. Se você enfiar o pré-processamento no algoritmo de malha, então você não terá universalização.
Não, os filtros, neste caso, fazem parte da lógica comercial, não o pré-processamento de dados.
Não estou sugerindo enfiar grades no algoritmo, mas permitir o ensino da grade como parte da lógica TS geral. Qual você acha que é a saída do NS? Apenas a previsão final de compra/venda?
Isto é, o ATR RSI e os limpadores de pára-brisas vão definir o contexto? Também em múltiplas entradas de TC? Isso é um ajuste idiota sem chance.
Você precisa de algo que realmente faça dinheiro, ou um exemplo em que a NS é apenas um dos elementos da TS e depois o que ensinar com ele?
P.S. A propósito, resultados bastante bons em muitos pares mostram sistemas baseados em 2 vagões com alguma filtragem não-padrão (NS não é necessário lá :))
1) poderia ser como eu apenas dei um exemplo.
2) não, os filtros, neste caso, fazem parte da lógica comercial e não do pré-processamento de dados.
Não estou sugerindo enfiar grades no algoritmo, mas permitir que a rede seja treinada como parte da lógica geral do TS. Qual você acha que é a saída do NS? Apenas a previsão final de compra/venda?
1) Este não é um rochedo na sua direção, eu só estava destacando a importância deste ponto.
2) A saída de NS pode ser um sinal de qualquer interpretação, no contexto da negociação pode ser tanto a classificação das condições de mercado (mau bom bom, tendência plana, etc.) como sinais de negociação específicos, já que ninguém proíbe a classificação do sinal de um determinado indicador. Por exemplo: "mashka ssha" dá um mau sinal. Tendo treinado a rede para tal sinal, ele pode ser mais utilizado no comitê. Foi sugerido acima para criar uma interface conveniente para combinar redes em comitês. A eficiência das transações é apenas um caso especial de pós-processamento.
Eu quero ensinar NS a trocar o seu TS, adicionando alguns graus de liberdade no topo.
Você precisa de algo que realmente faça dinheiro.
Bem, é que este filtro é trivial e torná-lo não é problema nenhum. O algoritmo é simples. Executamos o TS, coletamos as entradas e os parâmetros necessários (МА, RSI, АТР) nos pontos de entrada ou em algumas vicinidades.
Então damos todos os parâmetros coletados para entrada e saída, ou um resultado de negócio em pips ou apenas 1 se for mais ou -1 se for menos. E nós alimentamos tudo isso numa Perspectron trivial de 3 camadas não linear e treinamo-lo.
Voilá.
2) A saída dos NS pode ser um sinal de qualquer interpretação, no contexto da negociação pode ser uma classificação das condições de mercado (más boas, tendência flat, etc.) e sinais de negociação específicos, já que ninguém proíbe a classificação do sinal de um determinado indicador. Por exemplo: "mashka ssha" dá um mau sinal. Tendo treinado a rede para tal sinal, ele pode ser mais utilizado no comitê. Foi sugerido acima para criar uma interface conveniente para combinar redes em comitês. A eficiência das transações é apenas um caso particular de pós-processamento.
o comité é apenas parte da solução. Como podemos implementar de forma conveniente e eficiente o treinamento desses NSs, que são apenas parte da lógica de um determinado sistema? Eles não podem ser treinados separadamente porque não há nenhuma amostra de treinamento.
Bem, é que este filtro é trivial e torná-lo não é problema nenhum. O algoritmo é simples. Executamos o TS, coletamos as entradas e parâmetros necessários (MA, RCI, ATR) nos pontos de entrada ou em algumas vicinidades.
Em seguida, damos parâmetros coletados como um input e damos um output - ou o resultado da transação em pips, ou simplesmente 1 se for bom, ou -1 se for ruim. E nós alimentamos tudo em uma Perspectron trivial de 3 camadas não linear e a treinamos.
Voilá.
Sim, podemos fazer assim, mas é só através de um lugar))))
Por exemplo, um TS com opções. Realizar um exercício semelhante para cada série de grossistas? Ok, você pode de alguma forma torcer e automatizar este processo.
Ou vice-versa, o filtro de entrada é normal (lógica booleana), e a NS compra/venda.
Mas, em princípio, tudo pode ser trabalhado e, de alguma forma, implementado. A questão é conveniência, clareza e portabilidade para que outros a utilizem.
Trabalhar com os NS é apenas escolher a sua topologia? O método de treinamento também desempenha um papel importante. Topologia e aprendizagem estão intimamente ligados.
Todos os usuários têm seu próprio imho, então você não pode tomar a metade da decisão sobre si mesmo.
Precisamos de criarum designer de rede que não esteja restringido por predefinições. E tão universal quanto possível.
No esquema de construção de rede que propus, o método de aprendizagem é independente da topologia!
Como a própria grelha sabe de onde vem algo e o que vai para onde, então a propagação do erro é automática e o programador não tem que se preocupar com isso.
sergeev
2011.10.19 17:06:50Uma matriz bidimensional será suficiente para uma variedade de topologias e compreensão visual?
Eu respondi no outro dia, mas estive pensando sobre tudo isso à minha vontade:
Para construir uma rede, essa tabela de conexões será suficiente
Este é um exemplo de três camadas de entradas MLP de camada zero, primeira camada dois neurônios, segunda camada um neurônio.
As três primeiras colunas são criadas por enumeração consecutiva de todos os neurônios e todas as entradas de neurônios, os segundos conjuntos de passagens combinadas (com uma exceção, se "camada de comunicação" for maior ou igual a "camada" então a saída é maior que 0, aqueles de volta só podem receber sinal do operador de atraso).
Usando tal tabela de ligação podemos definir a topologia mesmo por aleatoriedade, o que ainda é um indicador de versatilidade.
Na verdade, eu estava pensando em armazenar o número da camada no próprio neurônio, e a numeração deveria ser sequencial para a matriz unidimensional, mas por enquanto é melhor discutir a fórmula geral e os detalhes mais tarde.
No meu esquema de rede proposto, o método de aprendizagem não depende da topologia!
Como a própria grelha sabe de onde algo vem e para onde vai, a propagação de erros é automática e o programador não tem de se preocupar com isso.
Eu não acredito :)