Обсуждение статьи "Машинное обучение и Data Science — Нейросети (Часть 01): Разбираем нейронные сети с прямой связью"
Привет,
Очень хорошая статья. Отличная работа!
Я читал о нейронной сети, но до сих пор так и не понял, какие преимущества или отличия могут быть у нейронной сети по сравнению с самой системой оптимизации МТ5.
Например: Если у меня есть стратегия, использующая MACD и ATR, я могу "обучить" ее, чтобы найти лучшие параметры в системе оптимизации MT5. А также я могу включить систему весов в индикаторы или другие данные.
И то и другое будет искать лучшие параметры или "веса" в прошлом, чтобы применять их в будущем.
Возможно, я ошибаюсь и не понял всей идеи.
Не могли бы вы объяснить ее? Или привести примеры?
- www.mql5.com
Разница между оптимизацией в тестере стратегий и оптимизацией параметров нейронной сети заключается в цели, в тестере стратегий мы склонны фокусироваться на параметрах, которые обеспечивают наиболее прибыльные результаты или, по крайней мере, результаты торговли, которые мы хотим, это не обязательно означает, что нейронная сеть имеет хорошую модель, которая привела к таким результатам
Некоторые люди предпочитают использовать веса и смещение в качестве входных параметров систем на основе нейронных сетей(грубо говоря, Feed forward), но я думаю, что оптимизация с помощью тестера стратегий - это, по сути, поиск случайных значений лучших результатов(поиск оптимальных звучит как зависимость от удачи), в то время как если бы мы оптимизировали с помощью стохастического градиентного спуска, мы бы двигались к модели с наименьшими ошибками в прогнозах на каждом шаге
Разница между оптимизацией в тестере стратегий и оптимизацией параметров нейронной сети заключается в цели: в тестере стратегий мы, как правило, фокусируемся на параметрах, которые обеспечивают наиболее прибыльные результаты или, по крайней мере, желаемые результаты торговли, но это не обязательно означает, что нейронная сеть имеет хорошую модель, которая привела к таким результатам
Некоторые люди предпочитают использовать веса и смещение в качестве входных параметров систем на основе нейронных сетей(грубо говоря, Feed forward), но я думаю, что оптимизация с помощью тестера стратегий - это, по сути, поиск случайных значений лучших результатов(поиск оптимальных звучит как зависимость от удачи), в то время как если бы мы оптимизировали с помощью стохастического градиентного спуска, мы бы двигались к модели с наименьшими ошибками в прогнозах на каждом шаге
Спасибо за ответ.
Я понял вашу мысль.
Почему вы начали с первой части?
старая статья:
НАУКА О ДАННЫХ И МАШИННОЕ ОБУЧЕНИЕ (ЧАСТЬ 01): ЛИНЕЙНАЯ РЕГРЕССИЯ
- www.mql5.com
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Вы принимаете политику сайта и условия использования
Опубликована статья Машинное обучение и Data Science — Нейросети (Часть 01): Разбираем нейронные сети с прямой связью:
Многие любят, но немногие понимают все операции, лежащие в основе нейронных сетей. В этой статье я постараюсь простым языком объяснить все, что происходит за закрытыми дверями многоуровневого перцептрона с прямой связью Feed Forward.
Функция гиперболического тангенса.
Данная функция задается формулой:
Ее график выглядит следующим образом:
Эта функция активации похожа на сигмовидную, но лучше.
Ее выходные значения лежат в диапазоне от -1 до 1.
Автор: Omega J Msigwa