Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 338
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
не понимаю вашу идею (
это не моя идея, это принцип обучения НС с учителем
это не моя идея, это принцип обучения НС с учителем
Согласен, так можно обучать более сложные сети. Но в данном примере, происходит обучение по результатам торговли в тестере, без собственных указаний, где надо торговать. Т.е. это не обучение, а оптимизация на макс. прибыль. Т.е. это не совсем нейросеть, а скорее - советник с подбором веса для значений индикаторов.
Если вернуться к обучению именно для данного примера, то в коде 1 выход, если он > 0.5 то покупка, если <0,5 то продажа. Куда заданный учителем ответ 0/1 прикрутить? И что с ним делать?
Согласен, так можно обучать более сложные сети. Но в данном примере, происходит обучение по результатам торговли в тестере, без собственных указаний, где надо торговать. Т.е. это не обучение, а оптимизация на макс. прибыль. Т.е. это не совсем нейросеть, а скорее - советник с подбором веса для значений индикаторов.
Если вернуться к обучению именно для данного примера, то в коде 1 выход, если он > 0.5 то покупка, если <0,5 то продажа. Куда заданный учителем ответ 0/1 прикрутить? И что с ним делать?
туда и прикрутить в момент обучения, а после обучения на выходе будет прогноз
а, ну понял, тут же просто нейрон )который выдает результат по сигмоиде
тогда никак
туда и прикрутить в момент обучения, а после обучения на выходе будет прогноз
а, ну понял, тут же просто нейрон )который выдает результат по сигмоиде
тогда никак
Печально(
А другие нейросети тогда на одном ядре будут считать, что будет в разы дольше.
Да и в том примере для 10 входов получается 1,6 *1013 проходов. Только генетика и спасет время. Сколько это считать полностью на 1-м ядре - даже не представляю. А если входы до 100 размножить, то наверное вообще нереально посчитать будет.
У вас как долго обучалась сеть и для скольки входов/нейронов?
Печально(
А другие нейросети тогда на одном ядре будут считать, что будет в разы дольше.
Да и в том примере для 10 входов получается 1,6 *1013 проходов. Только генетика и спасет время. Сколько это считать на 1-м ядре даже не представляю. А если входы до 100 размножить, то наверное вообще нереально посчитать будет.
У вас как долго обучалась сеть и для скольки входов/нейронов?
там в основном от кол-ва истории (обучающих примеров) зависит, от пары минут до бесонечности ) на 1-м ядре считать сложную сетку не вариант, согласен
а прям нормальную такую сетку только на GPU
А как у Chaos Hunter? Дайте конкретную ссылку
вот ссылка
что интересно я не разу не видел бесплатных библиотек где была бы подобная реализация генетического программирования...все только сети сети сети....
вот ссылка
что интересно я не разу не видел бесплатных библиотек где была бы подобная реализация генетического программирования...все только сети сети сети....
не знаю что такое генетическое программирование, а вот генетические алгоритмы оптимизации есть повсеместно - от МТ5 до SciLab и ScyPy. В R наверное тоже есть, но это лучше к СанСанычу - по R он специалист.
то что генетические алгоритмы есть повсюду это ясен пень.....но это не одно и то же хотя и похожий принцип..
в генетических алгоритмах сама программа остается неизменной в то время как все ее параметры проходят эволюцию, срещивание мутации отбор и тд..
в генетическом программировании тоже эволюция - но выращиваются сами алгоритмы, сами программы из имеющхся данных и с использыванием любых математических символов + - / * cos sin и тд. в соответствии заданной функции..
тобишь если дан ряд значений close свечей за период n и данные стохастика ну и наклон регрессии к примеру, то этот метод начнет наугад множить делить плюсовать и пр. эти данные между собой в любых мыслемых комбинациях постепенно выращивая конкретную математическую формулу которая максимально соотвествует функции поиска...
в общем с сетками разобрались, теперь скидываемся:
http://www.nvidia.ru/object/ai-accelerated-analytics-ru.html
А почему для расчета нейрона используется сигмоид? Не лучше ли линейное распределение иметь (от нуля до кол-ва входов)? Ведь "функция имеет гладкую форму на отрезке [-5,5]"
Она хороша, если всего 5 входов, а если сотня? То пракически все занчения будут за пределами этого участка. В статье https://www.mql5.com/ru/articles/497 применяется добавочный коэффициент, чтобы учесть 10 входов. Так для каждой сети придется пересчитывать этот коэффициент.