Experts: Exemplos do livro "Redes neurais e negociação algorítmica no MQL5" - página 3
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
De qual script eu gero esse study_data_not_norm.csv? Tentei o script create_initial data, mas não funcionou. Obtive um intervalo fora dos limites ao executar o script gpt_test_not_norm.mq5.
Prezados administradores,
Muito obrigado pela oportunidade de aprender em uma área tão especial!
Gostaria de voltar às postagens anteriores com relação ao erro 5008.
Também não consegui carregar o testador de estratégia para o modelo treinado gpt_not_norm.net com o erro 5008 do site , o arquivo do modelo não está carregado.
Ao mesmo tempo, ao executar em um gráfico, o robô se comporta corretamente, o arquivo de modelo capta os valores adequados após uma passagem direta, eu os exibi no gráfico e tudo está bem.
O arquivo de modelo, como deveria ser, está localizado no diretório de acordo com o sinalizador True para Common \Terminal\Common\Files .
Além disso, quando executei a mesma coisa em outro computador, no meu laptop, o testador de estratégia foi iniciado sem erros.
Poderia ser alguma configuração do sistema que impedisse o funcionamento do Strategy Tester?
1. O Strategy Tester não funciona em um computador com
Processador Intel Core i5-9400F 2.90GHz, 16295 MB
Windows 10 home.
2. o Strategy Tester funciona em um laptop com
processador Intel Core i7-2760QM 2 .40GHz, 12238 MB
Windows 10 Pro.
Por favor, me ajude a resolver esse problema.
Eu realmente preciso ligar o computador, pois ele tem uma placa de vídeo e é mais rápido, com certeza.
Ao executar o script gpt_test_not_norm.mq5, obtive uma saída fora do intervalo.
Na 40ª linha do programa:
if(!loss_history.Resize(0,Epochs))
Altere para:
if(!loss_history.Resize(Epochs))
Hi. Escrevi muito e acabou virando um livro. Comecei a lê-lo e pensei em escrever algo para o mercado.
É um bom trabalho. Porque não há nada mais tão universal que explique como abordar o aprendizado de máquina com as ferramentas mql5.
No entanto.
A amostra é dividida em 3 partes - 60% de treinamento, 20% de validação e 20% de teste. Das 40 barras de cada cadeia de barras, 35 barras são repetidas. Moral - você treina e valida usando os mesmos dados. Eu fiz um desenho. Esse não é apenas o problema deste livro, eu o encontro repetidamente.
No início, pensei que o indicador Ziguezague era o ideal para destacar movimentos não repetitivos. Como de cima para baixo, de baixo para cima, de baixo para cima. Esses seriam padrões únicos, como é chamado no livro. Mas não, o autor constrói padrões barra por barra, o que, obviamente, é um erro grave. E você não precisa de um Ziguezague para isso. Você pode simplesmente olhar 10 barras à frente e calcular para onde o mercado foi.
Esse é o primeiro ponto - prático. E o segundo ponto é técnico - também errado. O autor oferece treinamento com validação apenas no Tensorflow? Isso é legal, o Tensorflow é uma biblioteca de aprendizado de máquina criada pelo Google. Mas o objetivo desse trabalho era mostrar como fazer isso com as ferramentas mql5, certo?
Não há exemplos de aprendizado com validação no mql5. Ainda não encontrei exemplos com validação. Se você quiser, escreverei mais tarde. É claro que você deve tentar fazer isso sozinho. É claro que você deve. Há muito trabalho para preparar o histórico e selecionar os parâmetros de treinamento. O Tensorflow parece ter tudo, mas há muito o que fazer. E aqui acontece que a parte técnica não está concluída.
É o 95% que perde valor sem o 5%?
Vou parar no fato de que é um bom trabalho. Porque não há nada mais parecido com ele.
O método de otimização do Adam não ajusta o learning_rate com base na taxa de aprendizado? Ele também usa um "teto" em vez de um valor constante.
Se estiver fazendo uma rede recorrente, por que adicionar camadas ocultas de link completo? O tema full-link destrói o tema lstm. É claro que, no final da rede, você precisa de 1 neurônio de link completo para ativar.
O dropout é uma propriedade de camada em qualquer rede neural. Por exemplo, na lstm, a propriedade dropout é obrigatória, caso contrário, ela se acostumará com dados de várias épocas. Sei que no pytorch a propriedade dropout só pode ser usada em uma transição entre duas camadas idênticas, portanto, você precisa de duas camadas recorrentes. E no tensorflow, qualquer camada pode ter dropout. Vantagem óbvia do tensorflow sobre o pytorch.
Processamento em lote na retropropagação. Por que o autor tem um lote é qualquer número! Acontece que em cada época ele escolhe uma quantidade aleatória de dados para treinar. Um lote é uma quantidade! Por exemplo, uma amostra de 1.000 itens, ou seja, 10 pacotes de 100 valores cada. Cada época é um pacote diferente, mas sempre há 100 valores. Faço o treinamento em um pacote por pacote e ajusto os pesos no final de cada pacote. Isso pode garantir que eu não fique preso em um mínimo local. E uso todos os dados de amostra, não apenas alguns.
A otimização da negociação ainda não funciona. Aparece um erro estranho na janela de diálogo. O computador foi desligado uma vez. Ou seja, se você treinar a rede e depois tentar otimizar a negociação com ela.
Na minha opinião, é errado usar um estimulador gráfico para forex. Não importa como você olhe para ele, não há muitos dados. O mais correto, na minha opinião, seria usar agentes metatrader no otimizador para executar diferentes fluxos de treinamento para diferentes redes. Por exemplo, no tensorflow, estou treinando 7 fluxos. Um deles se esgota, outro é adicionado. E assim por diante, na ordem de 100 variantes. Em seguida, eu os executo no histórico.
A questão aqui é que uma rede neural pode ser boa. Mas nem toda rede neural pode passar pelo seu histórico de treinamento. É por isso que você precisa de muitas variantes de redes.
O ChatGPT sugere que a melhor maneira de classificar entre os dois é usar um sigmoide. E foi exatamente isso que não consegui encontrar. E as funções de ativação são diferentes. Mas a função de perda é a mesma - MSE?
A tangente ainda é uma regressão, não uma classificação. -1 para 1 não é uma probabilidade, é um cálculo de valor.
Em resumo, serve. Não há mais nada a fazer. Portanto, o trabalho é certamente bom. Eu o usarei.
LG 2 10:07:44.216 Core 1 desconectado
KP 0 10:07:44.216 Core 1 conexão fechada
Você conseguiu encontrar uma solução? Se eu encontrar uma, vou publicá-la .
Não há nenhum arquivo"our_model.net " IMO