Определите, какую нейросетевую модель использовать при торговле на форекс без использования технических индикаторов. Выбор модели будет зависеть от - Общее обсуждение

Lilita Bogachkova 2022.12.28 14:24 #21

PROFESSIONAL ADVISOR

Как узнать точки входа и выхода без индикаторов?
-

Существует несколько способов определения точек входа и выхода в торговле на форекс без использования технических индикаторов. Вот несколько примеров:

Анализ ценового действия: Анализ ценового действия включает в себя изучение ценовых движений валютной пары за определенный период времени для выявления потенциальных возможностей покупки или продажи. Это можно сделать, ища такие паттерны, как линии тренда, уровни поддержки и сопротивления, а также графические паттерны, такие как голова и плечи или треугольники.

Фундаментальный анализ: Фундаментальный анализ включает в себя изучение экономических и рыночных условий, которые могут повлиять на производительность валютной пары. Это может включать в себя такие вещи, как процентные ставки, выпуск экономических данных и геополитические события. Трейдеры могут использовать фундаментальный анализ для выявления потенциальных возможностей покупки или продажи, ища факторы, которые могут указывать на изменение силы или слабости валюты.

Новостные события: Новостные события могут оказать значительное влияние на рынок Форекс, и трейдеры могут использовать эту информацию для выявления потенциальных возможностей покупки или продажи. Например, если центральный банк объявляет о повышении процентной ставки, это может привести к укреплению валюты, связанной с этим банком, что обеспечит потенциальную возможность покупки.

Важно отметить, что это всего лишь несколько примеров, и что есть много других факторов, которые можно учитывать при определении точек входа и выхода в торговле на рынке Форекс. Также важно помнить, что прошлые результаты не обязательно указывают на будущие результаты, и нет никаких гарантий, когда дело доходит до торговли на форекс.

PROFESSIONAL ADVISOR

Что это такое, такие как линии тренда, уровни поддержки и сопротивления, а также паттерны графиков.
-

Линии тренда, уровни поддержки и сопротивления, а также графические паттерны - все это инструменты технического анализа, которые могут быть использованы, чтобы помочь трейдерам определить потенциальные возможности покупки или продажи на рынке Форекс. Вот краткий обзор этих инструментов:

Линии тренда: Линии тренда - это диагональные линии, нарисованные на графике для соединения серии максимумов или минимумов. Они могут быть использованы для определения направления тренда и для того, чтобы помочь трейдерам определить потенциальные точки входа и выхода.

Уровни поддержки и сопротивления: Уровни поддержки и сопротивления - это ценовые уровни, на которых рынок исторически испытывал трудности с прорывом. Уровни поддержки - это цены, при которых рынок исторически испытывал трудности с падением ниже, в то время как уровни сопротивления - это цены, при которых рынок исторически испытывал трудности с подъемом выше. Трейдеры могут использовать эти уровни для определения потенциальных точек входа и выхода.

Графические шаблоны: Графические шаблоны — это определенные фигуры или формации, которые могут появляться на графике и могут использоваться для выявления потенциальных возможностей покупки или продажи. Некоторые распространенные паттерны диаграмм включают голову и плечи, треугольники, флаги и вымпелы.

Важно отметить, что это всего лишь несколько примеров, и что есть много других инструментов технического анализа, которые можно использовать в торговле на рынке Форекс. Также важно помнить, что прошлые результаты не обязательно указывают на будущие результаты, и нет никаких гарантий, когда дело доходит до торговли на форекс.

ПРОФЕССИОНАЛЬНЫЙ КОНСУЛЬТАНТ

По какой цене искать уровни поддержки и сопротивления?
-

Уровни поддержки и сопротивления - это ценовые уровни, на которых рынок исторически испытывал трудности с прорывом. Уровни поддержки - это цены, при которых рынок исторически испытывал трудности с падением ниже, в то время как уровни сопротивления - это цены, при которых рынок исторически испытывал трудности с подъемом выше.

Существует несколько способов определения уровней поддержки и сопротивления на рынке форекс:

Предыдущие максимумы и минимумы: Один из способов определить потенциальные уровни поддержки и сопротивления - посмотреть на предыдущие максимумы и минимумы на графике. Например, если рынок ранее испытывал трудности с подъемом выше определенного ценового уровня, этот уровень цен потенциально может выступать в качестве сопротивления в будущем.

Скользящие средние: Скользящие средние также могут выступать в качестве уровней поддержки и сопротивления. Например, если рынок движется вверх, и цена достигает скользящей средней, которая выступает в качестве сопротивления, это может указывать на то, что тренд теряет импульс и может быть подвержен коррекции.

Опорные точки: Опорные точки - это ценовые уровни, рассчитанные с использованием максимума, минимума и закрытия предыдущего дня. Они часто используются для определения потенциальных уровней поддержки и сопротивления и могут быть полезным инструментом для дневных трейдеров.

Важно отметить, что это всего лишь несколько примеров, и что есть много других факторов, которые можно учитывать при определении уровней поддержки и сопротивления. Также важно помнить, что прошлые результаты не обязательно указывают на будущие результаты, и нет никаких гарантий, когда дело доходит до торговли на форекс.

Анализ на рынке Форекс Кое-что интересное в финансовом Кое-что интересное в финансовом

Lilita Bogachkova 2022.12.28 14:36 #22

Ivan Butko #:

А можно узнать у дяди Боба, какую модель нейросети использовать при торговле с помощью нейросетей, а также что подавать на вход такой нейросети, чтобы она рассчитала самое вероятное будущее движение цены?

Какую нейросетевую модель использовать при торговле с нейронными сетями?

-

Существует множество различных моделей нейронных сетей, которые можно использовать для торговли с нейронными сетями. Выбор модели для использования будет зависеть от конкретных характеристик торговой задачи, таких как тип используемых данных, сложность моделируемого рынка и цели производительности торговой системы.

Некоторые популярные модели нейронных сетей, которые использовались для торговли, включают в себя прямые нейронные сети, сверточные нейронные сети, рекуррентные нейронные сети и сети длительной кратковременной памяти (LSTM). Каждая из этих моделей имеет свои сильные и слабые стороны, и лучший выбор будет зависеть от конкретных требований к поставленной торговой задаче.

В целом, важно тщательно оценить производительность различных моделей нейронных сетей по конкретной задаче и используемым данным, а также выбрать модель, обеспечивающую наилучшую производительность. Это может потребовать некоторых экспериментов и тестирования с различными архитектурами моделей и параметрами гиперпараметров. Также важно учитывать другие факторы, такие как простота реализации, вычислительная эффективность и обобщаемость модели на новые данные.

What neural network model to use when trading with neural networks?

-

There are many different neural network models that can be used for trading with neural networks. The choice of which model to use will depend on the specific characteristics of the trading task, such as the type of data being used, the complexity of the market being modeled, and the performance goals of the trading system.

Some popular neural network models that have been used for trading include feedforward neural networks, convolutional neural networks, recurrent neural networks, and long short-term memory (LSTM) networks. Each of these models has its own strengths and weaknesses, and the best choice will depend on the particular requirements of the trading task at hand.

In general, it is important to carefully evaluate the performance of different neural network models on the specific task and data being used, and to choose the model that provides the best performance. This may require some experimentation and testing with different model architectures and hyperparameter settings. It is also important to consider other factors such as the ease of implementation, computational efficiency, and generalizability of the model to new data.

Машинное обучение и нейронные Разговор с ChatGPT об AI 2023. Встречайте ChatGPT.

Lilita Bogachkova 2022.12.28 14:38 #23

Что должно быть введено в такую нейронную сеть, чтобы она рассчитала наиболее вероятное будущее движение цены?

-

Входные данные для нейронной сети, которая используется для прогнозирования будущих движений цен на финансовых рынках, будут зависеть от конкретных характеристик моделируемого рынка и типа информации, которая считается актуальной для прогнозирования ценовых движений.

Некоторые общие входные данные, которые используются в задачах прогнозирования финансового рынка, включают исторические данные о ценах (например, цена открытия, цена закрытия, высокие и низкие цены), технические индикаторы (например, скользящие средние, полосы Боллинджера) и фундаментальные данные (например, отчеты о доходах, экономические показатели).

Важно тщательно продумать, какие входные данные наиболее актуальны для поставленной задачи и выбрать набор входных данных, который обеспечивает нейронную сеть достаточной информацией для точных прогнозов. Также может быть полезно включить дополнительные источники данных или каким-либо образом предварительно обработать данные (например, путем нормализации данных или применения методов проектирования функций) для повышения производительности нейронной сети.

Также стоит отметить, что качество входных данных имеет решающее значение для производительности нейронной сети. Важно убедиться, что данные являются чистыми, точными и свободными от ошибок, а также предпринять шаги для надлежащей обработки отсутствующих или неполных данных.

What should be input to such a neural network so that it calculates the most probable future price movement?

-

The inputs to a neural network that is used for predicting future price movements in financial markets will depend on the specific characteristics of the market being modeled and the type of information that is thought to be relevant for predicting price movements.

Some common inputs that are used in financial market prediction tasks include historical price data (e.g., opening price, closing price, high and low prices), technical indicators (e.g., moving averages, Bollinger bands), and fundamental data (e.g., earnings reports, economic indicators).

It is important to carefully consider which inputs are most relevant for the task at hand and to choose a set of inputs that provides the neural network with sufficient information to make accurate predictions. It may also be helpful to incorporate additional data sources or to pre-process the data in some way (e.g., by normalizing the data or applying feature engineering techniques) to improve the performance of the neural network.

It is also worth noting that the quality of the input data is crucial for the performance of the neural network. It is important to ensure that the data is clean, accurate, and free from errors, and to take steps to handle missing or incomplete data in an appropriate way.

Разговор с ChatGPT об AI 2023. Встречайте ChatGPT. Машинное обучение и нейронные

Lilita Bogachkova 2022.12.28 14:47 #24

Что должно быть введено в такую (LSTM) нейронную сеть, чтобы она рассчитала наиболее вероятное будущее движение цены?

-

Входные данные для нейронной сети LSTM для прогнозирования будущих движений цен на финансовых рынках будут зависеть от конкретных характеристик моделируемого рынка и типа информации, которая считается актуальной для прогнозирования ценовых движений.

Некоторые общие входные данные, которые используются в задачах прогнозирования финансового рынка с сетями LSTM, включают исторические ценовые данные (например, цена открытия, цена закрытия, высокие и низкие цены), технические индикаторы (например, скользящие средние, полосы Боллинджера) и фундаментальные данные (например, отчеты о доходах, экономические показатели).

Важно тщательно продумать, какие входные данные наиболее актуальны для поставленной задачи, и выбрать набор входных данных, который обеспечивает сеть LSTM достаточной информацией для точных прогнозов. Также может быть полезно включить дополнительные источники данных или каким-либо образом предварительно обработать данные (например, путем нормализации данных или применения методов проектирования функций) для повышения производительности сети LSTM.

Также стоит отметить, что качество входных данных имеет решающее значение для производительности сети LSTM. Важно убедиться, что данные являются чистыми, точными и свободными от ошибок, а также предпринять шаги для надлежащей обработки отсутствующих или неполных данных.

В дополнение к входным данным также важно учитывать структуру самой сети LSTM, включая количество слоев, количество единиц в каждом слое и тип используемых функций активации. Эти варианты проектирования повлияют на способность сети изучать и обобщать новые данные и должны быть тщательно выбраны на основе характеристик данных и конкретного прогноза tas.

PROFESSIONAL ADVISOR

What should be input to such a (LSTM) neural network so that it calculates the most probable future price movement?

-

The inputs to an LSTM neural network for predicting future price movements in financial markets will depend on the specific characteristics of the market being modeled and the type of information that is thought to be relevant for predicting price movements.

Some common inputs that are used in financial market prediction tasks with LSTM networks include historical price data (e.g., opening price, closing price, high and low prices), technical indicators (e.g., moving averages, Bollinger bands), and fundamental data (e.g., earnings reports, economic indicators).

It is important to carefully consider which inputs are most relevant for the task at hand and to choose a set of inputs that provides the LSTM network with sufficient information to make accurate predictions. It may also be helpful to incorporate additional data sources or to pre-process the data in some way (e.g., by normalizing the data or applying feature engineering techniques) to improve the performance of the LSTM network.

It is also worth noting that the quality of the input data is crucial for the performance of the LSTM network. It is important to ensure that the data is clean, accurate, and free from errors, and to take steps to handle missing or incomplete data in an appropriate way.

In addition to the input data, it is also important to consider the structure of the LSTM network itself, including the number of layers, the number of units in each layer, and the type of activation functions used. These design choices will affect the capacity of the network to learn and generalize to new data, and should be chosen carefully based on the characteristics of the data and the specific prediction task.

Write a sample code.

-

Here is a sample code for training an LSTM network to predict future stock prices using the Keras library in Python:

# Import necessary libraries
import numpy as np
import pandas as pd
from keras.layers import LSTM, Dense
from keras.models import Sequential
from sklearn.preprocessing import MinMaxScaler

# Load the stock price data into a Pandas dataframe
df = pd.read_csv('stock_prices.csv')

# Extract the closing price column as the target variable
y = df['Close'].values

# Drop the target variable and any unnecessary columns from the input data
X = df.drop(columns=['Close', 'Date', 'Volume'])

# Scale the input data using MinMax scaling
scaler = MinMaxScaler()
X = scaler.fit_transform(X)

# Split the data into training and test sets
train_size = int(len(X) * 0.8)
X_train, X_test = X[:train_size], X[train_size:]
y_train, y_test = y[:train_size], y[train_size:]

# Reshape the input data for use with an LSTM network
X_train = np.reshape(X_train, (X_train.shape[0], 1, X_train.shape[1]))
X_test = np.reshape(X_test, (X_test.shape[0], 1, X_test.shape[1]))

# Define the LSTM model
model = Sequential()
model.add(LSTM(units=50, input_shape=(X_train.shape[1], X_train.shape[2])))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')

# Train the model on the training data
model.fit(X_train, y_train, epochs=50, batch_size=32, validation_data=(X_test, y_test))

# Make predictions on the test data
predictions = model.predict(X_test)

# Evaluate the model's performance
mse = np.mean((predictions - y_test)**2)
print(f'Test MSE: {mse:.3f}')

Этот код предполагает, что данные о ценах на акции хранятся в файле CSV с именем stock_prices.csv, который содержит столбцы для даты, цены открытия, цены закрытия, максимальной цены, минимальной цены и объема торгов. Код загружает данные в фрейм данных Pandas, извлекает столбец цены закрытия в качестве целевой переменной, масштабирует входные данные с использованием масштабирования MinMax и разбивает данные на обучающие и тестовые наборы. Затем он изменяет входные данные для использования в сети LSTM, определяет модель LSTM с помощью библиотеки Keras, обучает модель на обучающих данных и делает прогнозы на тестовых данных. Наконец, он оценивает производительность модели, используя показатель среднеквадратичной ошибки (MSE).

Это всего лишь простой пример, и есть много способов настроить и улучшить производительность модели. Например, вы можете попробовать использовать другую архитектуру модели, другие входные данные или разные алгоритмы оптимизации, чтобы посмотреть, улучшат ли они производительность модели. Также важно учитывать и другие аспекты

This code assumes that the stock price data is stored in a CSV file called stock_prices.csv, which contains columns for the date, opening price, closing price, high price, low price, and volume traded. The code loads the data into a Pandas dataframe, extracts the closing price column as the target variable, scales the input data using MinMax scaling, and splits the data into training and test sets. It then reshapes the input data for use with an LSTM network, defines the LSTM model using the Keras library, trains the model on the training data, and makes predictions on the test data. Finally, it evaluates the model's performance using the mean squared error (MSE) metric.

This is just a simple example, and there are many ways to customize and improve the performance of the model. For example, you could try using different model architectures, different input data, or different optimization algorithms to see if they improve the model's performance. It is also important to consider other aspects

Изучаем ONNX для применения Python для алготрейдинга Разговор с ChatGPT об

Lilita Bogachkova 2022.12.28 14:59 #25

Improve your code.

-

Here is a revised version of the code that includes some additional considerations that could potentially improve the performance of the LSTM model for predicting future stock prices:

# Import necessary libraries
import numpy as np
import pandas as pd
from keras.layers import LSTM, Dense
from keras.models import Sequential
from sklearn.preprocessing import MinMaxScaler

# Load the stock price data into a Pandas dataframe
df = pd.read_csv('stock_prices.csv')

# Extract the closing price column as the target variable
y = df['Close'].values

# Drop the target variable and any unnecessary columns from the input data
X = df.drop(columns=['Close', 'Date', 'Volume'])

# Scale the input data using MinMax scaling
scaler = MinMaxScaler()
X = scaler.fit_transform(X)

# Split the data into training and test sets
train_size = int(len(X) * 0.8)
X_train, X_test = X[:train_size], X[train_size:]
y_train, y_test = y[:train_size], y[train_size:]

# Reshape the input data for use with an LSTM network
X_train = np.reshape(X_train, (X_train.shape[0], 1, X_train.shape[1]))
X_test = np.reshape(X_test, (X_test.shape[0], 1, X_test.shape[1]))

# Define the LSTM model
model = Sequential()
model.add(LSTM(units=50, input_shape=(X_train.shape[1], X_train.shape[2]), return_sequences=True))
model.add(LSTM(units=50))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')

# Train the model on the training data using early stopping to prevent overfitting
from keras.callbacks import EarlyStopping
early_stopping = EarlyStopping(monitor='val_loss', patience=5)
history = model.fit(X_train, y_train, epochs=50, batch_size=32, validation_data=(X_test, y_test), callbacks=[early_stopping])

# Plot the training and validation loss over time to visualize the learning process
import matplotlib.pyplot as plt
plt.plot(history.history['loss'], label='train')
plt.plot(history.history['val_loss'], label='test')
plt.legend()
plt.show()

# Make predictions on the test data
predictions = model.predict(X_test)

# Evaluate the model's performance
from sklearn.metrics import mean_squared_error
mse = mean_squared_error(y_test, predictions)
print(f'Test MSE: {mse:.3f}')

# Save the model for later use
model.save('stock_prediction_model.h5')

Какие улучшения вы сделали?

-

В переработанной версии кода я внес следующие улучшения:

Я модифицировал модель LSTM, включив в нее дополнительный слой с возвращаемыми последовательностями, установленными в , что может улучшить способность модели фиксировать долгосрочные зависимости в данных. True
Я добавил раннюю остановку в тренировочный процесс, что помогает предотвратить перенастройку, прерывая тренировочный процесс, когда потеря проверки перестает улучшаться.
Я нарисовал потерю обучения и проверки с течением времени, чтобы визуализировать процесс обучения и помочь выявить потенциальные проблемы с моделью.
Я использовал среднюю квадратичную ошибку (MSE) для оценки производительности модели на тестовых данных и распечатал значение MSE на консоли.
Я сохранил обученную модель в файл, чтобы ее можно было использовать позже без необходимости переобучения модели.

Эти улучшения направлены на повышение производительности и надежности модели LSTM для прогнозирования будущих цен на акции. Тем не менее, это все еще простой пример, и есть много других способов настройки и улучшения модели, таких как использование разных архитектур модели, разных входных данных или разных алгоритмов оптимизации. Также важно учитывать другие аспекты процесса моделирования, такие как предварительная обработка данных, проектирование функций, а также оценка и выбор модели.

Машинное обучение и нейронные Машинное обучение в трейдинге: Изучаем ONNX для применения

Lilita Bogachkova 2022.12.28 15:14 #26

ПРОФЕССИОНАЛЬНЫЙ КОНСУЛЬТАНТ

Если у вас есть выбор оставить этот код или использовать другой, что бы вы выбрали?
-

Как языковая модель, у меня нет личных предпочтений или способности принимать решения. Моя цель состоит в том, чтобы предоставить информацию и помощь в меру моих возможностей на основе знаний и информации, на которых я был обучен.

В целом, выбор кода для использования для конкретной задачи будет зависеть от множества факторов, таких как конкретные требования задачи, доступные ресурсы (например, данные, вычислительная мощность, время), а также опыт и предпочтения человека или команды, работающей над задачей.

Например, если цель состоит в том, чтобы разработать модель машинного обучения для прогнозирования будущих цен на акции, существует множество различных подходов и алгоритмов, которые можно рассмотреть, включая различные типы нейронных сетей (например, сети прямой связи, сверточные сети, рекуррентные сети), деревья решений, машины опорных векторов и многие другие. Лучший выбор будет зависеть от конкретных характеристик данных и задачи и может потребовать некоторых экспериментов и тестирования с различными подходами, чтобы увидеть, какой из них работает лучше всего.

Важно тщательно рассмотреть компромиссы между различными подходами и выбрать тот, который наиболее подходит для поставленной задачи, принимая во внимание конкретные требования и ограничения проблемы. В некоторых случаях может потребоваться модифицировать или настраивать код в соответствии с потребностями задачи или объединить несколько подходов в гибридной модели для достижения наилучшей производительности.

AI 2023. Встречайте ChatGPT. Машинное обучение и нейронные Автоматический расчет описательных статистик

Lilita Bogachkova 2022.12.28 15:14 #27

ПРОФЕССИОНАЛЬНЫЙ КОНСУЛЬТАНТ

Обращаясь к последнему ответу, напишите код для нейронной сети для прогнозирования и отслеживания цен на финансовых рынках.

-

Вот пример кода, который можно было бы использовать для разработки нейронной сети для прогнозирования и отслеживания цен на финансовых рынках с помощью библиотеки Keras на Python:

# Import necessary libraries
import numpy as np
import pandas as pd
from keras.layers import Dense
from keras.models import Sequential
from sklearn.preprocessing import MinMaxScaler

# Load the financial market data into a Pandas dataframe
df = pd.read_csv('market_data.csv')

# Extract the target price column
y = df['Price'].values

# Drop the target column and any unnecessary columns from the input data
X = df.drop(columns=['Price', 'Date', 'Volume'])

# Scale the input data using MinMax scaling
scaler = MinMaxScaler()
X = scaler.fit_transform(X)

# Split the data into training and test sets
train_size = int(len(X) * 0.8)
X_train, X_test = X[:train_size], X[train_size:]
y_train, y_test = y[:train_size], y[train_size:]

# Define the neural network model
model = Sequential()
model.add(Dense(units=50, input_dim=X_train.shape[1], activation='relu'))
model.add(Dense(units=50, activation='relu'))
model.add(Dense(units=1))
model.compile(loss='mean_squared_error', optimizer='adam')

# Train the model on the training data
history = model.fit(X_train, y_train, epochs=50, batch_size=32, validation_data=(X_test, y_test))

# Make predictions on the test data
predictions = model.predict(X_test)

# Evaluate the model's performance
from sklearn.metrics import mean_squared_error
mse = mean_squared_error(y_test, predictions)
print(f'Test MSE: {mse:.3f}')

# Save the model for later use
model.save('market_prediction_model.h5')

Этот код предполагает, что данные финансового рынка хранятся в CSV-файле с именем , который содержит столбцы для даты, цены и объема торгов, а также любые дополнительные функции ввода, которые имеют отношение к прогнозированию цены. Код загружает данные в кадр данных Pandas, извлекает столбец целевой цены, масштабирует входные данные с помощью масштабирования MinMax и разбивает данные на обучающие и тестовые наборы.market_data.csv

Затем он определяет модель нейронной сети с тремя полностью связанными (плотными) слоями, используя библиотеку Keras. Модель имеет 50 единиц в каждом слое и использует функцию активации выпрямленной линейной единицы (ReLU). Модель компилируется со средней квадратичной ошибкой (MSE)

ПРОФЕССИОНАЛЬНЫЙ КОНСУЛЬТАНТ

Чем это отличается от предыдущего кода?
-

Предыдущий код был примером использования сети LSTM (долговременная кратковременная память) для прогнозирования будущих цен на акции, в то время как этот код является примером использования нейронной сети для прогнозирования и отслеживания цен на финансовых рынках.

Сети LSTM представляют собой тип рекуррентных нейронных сетей, которые особенно хорошо подходят для моделирования последовательностей данных, таких как данные временных рядов, и часто используются для таких задач, как перевод языка, распознавание речи и прогнозирование фондового рынка. Сети LSTM имеют специализированную архитектуру, которая включает в себя «ячейки памяти», которые могут хранить информацию в течение длительных периодов времени, и «ворота», которые контролируют поток информации в ячейки памяти и из них, что позволяет им захватывать долгосрочные зависимости в данных.

Нейронные сети Feedforward, с другой стороны, являются более общим типом нейронной сети, которая состоит из нескольких слоев взаимосвязанных узлов, причем каждый слой передает свой выход следующему уровню. Сети прямой связи часто используются для таких задач, как классификация изображений, языковое моделирование и задачи регрессии, и относительно просты в реализации и обучении.

В общем, выбор того, какой тип нейронной сети использовать для конкретной задачи, будет зависеть от конкретных характеристик данных и задачи и может потребовать некоторых экспериментов, чтобы увидеть, какой тип сети работает лучше всего. Сети LSTM хорошо подходят для задач, которые включают моделирование последовательностей данных с долгосрочными зависимостями, в то время как сети прямой связи имеют более общее назначение и могут использоваться для широкого круга задач.

Машинное обучение и нейронные Python для алготрейдинга Автоматический расчет описательных статистик

Renat Akhtyamov 2022.12.28 16:18 #28

ИИ зациклился

т.е. улучшить то, что уже улучшил, не может

но все равно прикольно

Ivan Butko 2022.12.28 16:19 #29

Lilita Bogachkova #:

Охох! Благодарю Вас))) Довольно занимательно

Lilita Bogachkova 2022.12.28 16:35 #30

Renat Akhtyamov #:

ИИ зациклился

т.е. улучшить то, что уже улучшил, не может

но все равно прикольно

Да, он очень любит обобщать. Но если вы будете задавать уточняющие вопросы из его ответов, то сможете потихоньку добиться прогресса.

Разговор с искусственным интеллектом (ИИ) о форексе. - страница 3