Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 286
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Y Pekala, şimdi anlaşıldı. Başka bir deyişle, önce diyelim ki öğretmeni olmayan bir ağı eğitiyoruz. Ardından, sınıflandırıcının ağırlıklarını yazıyoruz ve ardından sınıflandırıcı öğretmenle daha fazla eğitilmiş durumda. Çok ilginç ama net değil. Nöral iletim ince ayarının ağırlıklarını aldığımızı varsayalım, ağırlıklar optimizasyona devam ediyor????? Başka bir deyişle, denetimsiz ön eğitim gerçekleştirdikten sonra, sınıflandırıcı için onu global minimuma getiren başlangıç ağırlıklarını belirledik. Ne olmuş?
Geri yayılım sırasında türevlerin zayıflaması (sigmoid) \ patlayıcı büyümesi (hipertanjant) nedeniyle “derin” öğrenme mantıklıdır, 4-5 katmandan önemli ölçüde daha fazla olduğunda, bu sorun katmanlı ön eğitimin “koltuk değneği” tarafından atlanmıştır. temelde hiyerarşik doğrusal olmayan bir özellik seçimi gerçekleştiren otomatik kodlayıcılar veya RBM ( PCA olarak sadece doğrusal olmayan ve birçok kez), daha sonra yüksek seviyeli katmanlarla çalışmanın kolay olduğu, daha sonra normal backprop ile, tüm sistem zaten hedeflere göre (bir öğretmenle) hızlı bir şekilde ayarlanır.
İzleyin: https://www.youtube.com/watch?v=iowsPfk7uUY
Tabii ki, makaleleri olan ve ZZ'de köpek yiyen, R'de hangi paketi ezbere hatırlayan çok sayıda “uzman” var. her durumda kullanmalısın, o yüzden havada söyleyeceğim, zaten kimse inanmayacak, CNN gibi derin sinir ağları, nasıl çalıştıklarını anladığınızda, pazarı tahmin etmek için bir eli kullanamayacaksınız, çünkü bu kadar büyük bir özellik hiyerarşisi yalnızca resimler, videolar ve NLP için gereklidir, çünkü BİR BÜYÜK HİYERARŞİ, dünyamız öyle düzenlenmiştir, nesneler nesnelerden oluşur, vb. NLP ile aynı, çünkü dil hiyerarşiktir. Piyasada böyle bir şey yok, sizin için daha küçük gürültüde gerçekleşen belirli bir zaman diliminde işlem yapıyorsunuz. Yatırımcılar tek bir zaman diliminde karar verirler, scalpers ve HFT oyuncuları, özellikle hedger'lar, arbitrajcılar vb. tarafından verilen karara bağlı değildirler. Ve derin ağdaki hiyerarşi, bağlantıyı, küçüğün büyüğü belirlediğini, bir çığın kar tanelerinden oluştuğunu ima eder.
Harika görünüyor, ama pahalı.
1 Ücretsiz bir şey üzerinde pratik yapmak, gecikmeden gerçek zamanlı olarak nasıl çalıştığını görmek istiyorum ve devasa bir gecikmeye sahip bir demo var.
2 Böyle bir sinyalin ticarette ve MO'da nasıl kullanıldığını kısaca açıklayabilir misiniz? Bu bir sır değilse, önemli bir haber geldiğinde, ticaret yapmak için zamanınız var mı, yoksa daha bir saniye, yarım saniye içinde birileri piyasaya çıkıp kaymağı sıyırmaya mı başlıyor?
1 Sitelerden Hurda
2 Beklenenden daha iyi alırız, beklediğimizden daha kötü satarız.
Geri yayılım sırasında türevlerin zayıflaması (sigmoid) \ patlayıcı büyümesi (hipertanjant) nedeniyle “derin” öğrenme mantıklıdır, 4-5 katmandan önemli ölçüde daha fazla olduğunda, bu sorun katmanlı ön eğitimin “koltuk değneği” tarafından atlanmıştır. temelde hiyerarşik doğrusal olmayan bir özellik seçimi gerçekleştiren otomatik kodlayıcılar veya RBM ( PCA olarak sadece doğrusal olmayan ve birçok kez), daha sonra yüksek seviyeli katmanlarla çalışmanın kolay olduğu, daha sonra normal backprop ile, tüm sistem zaten hedeflere göre (bir öğretmenle) hızlı bir şekilde ayarlanır.
İzleyin: https://www.youtube.com/watch?v=iowsPfk7uUY
Tabii ki, makaleleri olan ve ZZ'de bir köpek yiyen, R'de hangi paketi ezbere hatırlayan çok sayıda “uzman” var. her durumda kullanmalısın, o yüzden havada söyleyeceğim, zaten kimse inanmayacak, CNN gibi derin sinir ağları, nasıl çalıştıklarını anladığınızda, pazarı tahmin etmek için bir eli kullanamayacaksınız, çünkü bu kadar büyük bir özellik hiyerarşisi yalnızca resimler, videolar ve NLP için gereklidir, çünkü BİR BÜYÜK HİYERARŞİ, dünyamız öyle düzenlenmiştir, nesneler nesnelerden oluşur, vb. NLP ile aynı, çünkü dil hiyerarşiktir. Piyasada benzeri yok, sizin için daha küçük gürültüde gerçekleşen belirli bir zaman diliminde işlem yapıyorsunuz. Yatırımcılar tek bir zaman diliminde karar verirler, scalpers ve HFT oyuncuları, özellikle hedger'lar, arbitrajcılar vb. tarafından verilen karara bağlı değildirler. Ve derin ağdaki hiyerarşi, bağlantıyı, küçüğün büyüğü belirlediğini, bir çığın kar tanelerinden oluştuğunu ima eder.
Geri yayılım sırasında türevlerin zayıflaması (sigmoid) \ patlayıcı büyümesi (hipertanjant) nedeniyle “derin” öğrenme mantıklıdır, 4-5 katmandan önemli ölçüde daha fazla olduğunda, bu sorun katmanlı ön eğitimin “koltuk değneği” tarafından atlanmıştır. esasen hiyerarşik bir doğrusal olmayan özellik seçimi gerçekleştiren otomatik kodlayıcılar veya RBM ( PCA olarak sadece doğrusal olmayan ve birçok kez), daha sonra yüksek seviyeli katmanlarla çalışmanın kolay olduğu, daha sonra normal backprop ile, tüm sistem zaten hedeflere göre (bir öğretmenle) hızlı bir şekilde ayarlanır.
İzleyin: https://www.youtube.com/watch?v=iowsPfk7uUY
Tabii ki, makaleleri olan ve ZZ'de köpek yiyen, R'de hangi paketi ezbere hatırlayan çok sayıda “uzman” var. her durumda kullanmalısın, o yüzden havada söyleyeceğim, zaten kimse inanmayacak, CNN gibi derin sinir ağları, nasıl çalıştıklarını anladığınızda, pazarı tahmin etmek için bir eli kullanamayacaksınız, çünkü bu kadar büyük bir özellik hiyerarşisi yalnızca resimler, videolar ve NLP için gereklidir, çünkü BİR BÜYÜK HİYERARŞİ, dünyamız öyle düzenlenmiştir, nesneler nesnelerden oluşur, vb. NLP ile aynı, çünkü dil hiyerarşiktir. Piyasada böyle bir şey yok, sizin için daha küçük gürültüde gerçekleşen belirli bir zaman diliminde işlem yapıyorsunuz. Yatırımcılar tek bir zaman diliminde karar verirler, scalpers ve HFT oyuncuları, özellikle hedger'lar, arbitrajcılar vb. tarafından verilen karara bağlı değildirler. Ve derin ağdaki hiyerarşi, bağlantıyı, küçüğün büyüğü belirlediğini, bir çığın kar tanelerinden oluştuğunu ima eder.
Bazı nedenlerden dolayı, konuşma sürekli olarak belirli modellerin yararları ve zararları üzerine bir tartışmaya kayar.
Deneyimlerimin, modellerin başarılı ticaretine katkısının son derece önemsiz olduğunu öne sürmesine izin vermeyin.
Belirleyici faktör, hedefin ve tahmin edicilerinin belirlenmesidir.
33 örneğini kullanarak, 33 gibi çok açık, açıklayıcı ve güzel bir hedef değişkenin bile böyle olmadığını ve daha yakından incelendiğinde aşılmaz engellerle dolu olduğunu göstermeye çalıştım.
Öngörülerden bahsedecek olursak, hayatım boyunca ekonomi ile uğraşan biri olarak şunu söyleyebilirim:
Sadece ekonomik tahmin ve forex tahmini için bu iki temel unsuru çözmeye odaklanırsanız, başarı sadece bu iki parametre ile sağlanacaktır. Ve hedef ve onun tahmin edicileri için en uygun modelin seçimi, performansı sadece biraz iyileştirebilir, modelin ömrü hakkında yeniden eğitim olmaksızın bazı makul değerlendirmeler verebilir.
Bir kez daha, sizi hedef değişkene ve bu belirli hedef değişken için öngörücülerin gerekçesine odaklanmaya çağırıyorum.
not.
Döviz çiftlerinin ilişkisini araştırıyorum. Benim için harika sonuçlar aldı. Özellikle:
Döviz çiftlerinin ilişkisini araştırıyorum. Benim için harika sonuçlar aldı. Özellikle:
Bazı nedenlerden dolayı, konuşma sürekli olarak belirli modellerin yararları ve zararları üzerine bir tartışmaya kayar.
Deneyimlerimin, modellerin başarılı ticaretine katkısının son derece önemsiz olduğunu öne sürmesine izin vermeyin.
Belirleyici faktör, hedefin ve tahmin edicilerinin belirlenmesidir.
33 örneğini kullanarak, 33 gibi çok açık, açıklayıcı ve güzel bir hedef değişkenin bile böyle olmadığını ve daha yakından incelendiğinde aşılmaz engellerle dolu olduğunu göstermeye çalıştım.
Öngörülerden bahsedecek olursak, hayatım boyunca ekonomi ile uğraşan biri olarak şunu söyleyebilirim:
Sadece ekonomik tahmin ve forex tahmini için bu iki temel unsuru çözmeye odaklanırsanız, başarı sadece bu iki parametre ile sağlanacaktır. Ve hedef ve onun tahmin edicileri için en uygun modelin seçimi, performansı sadece biraz iyileştirebilir, modelin ömrü hakkında yeniden eğitim olmaksızın bazı makul değerlendirmeler verebilir.
Bir kez daha, sizi hedef değişkene ve bu belirli hedef değişken için öngörücülerin gerekçesine odaklanmaya çağırıyorum.
not.
Döviz çiftlerinin ilişkisini araştırıyorum. Benim için harika sonuçlar aldı. Özellikle:
Michael Marchukajtes :
Burada size katılıyorum, ancak bir değişiklik yapmak istiyorum. Öncelikle ilk noktada açıklama. Hedefle ilgili olmak değil, nedeni olmak. Yani, tahminci değişti, hedef değişti ve tersi değil. Ve sonra ikinci nokta basitçe kaybolur. Avans gerekmez. Girişin çıkış nedeni olması için yeterli. Yine, herkes nerede çalıştığını unutuyor. Borsada en önemli şey fiyattır. Fiyat değişikliğinin ve herhangi bir TS'nin nedeni olan girişleri bulun, sizi temin ederim, kesinlikle herhangi bir TS olması gerektiği gibi çalışacaktır. .
================================================= ==============================
Bu kesinlikle doğru fikir. Sadece ben yeniden ifade ederim: Hedef, tahmin edici(ler) tarafından oluşturulmalıdır.
ve yine de, eğer doğru anladıysam, böyle bir hedefin R araçları kullanılarak nasıl uygulanacağı sorusuna bir cevabınız yok.
Cevap o kadar basit değil. Örneğin, burada bir nöronla bir yol var, ancak nöronun nasıl çalıştığını, hangi formülleri içerdiğini vb. anlamanız gerekiyor.
Diyelim ki dört girdisi, gizli katmanda üç algılayıcısı ve bir çıktısı olan basit bir nöron var. Matematik dilinde böyle bir nöron şu şekilde çalışacaktır:
double sigmoid( double x)
{
return 1.0 / ( 1.0 + exp (-x));
}
double NeuralNetwork( double * input , double * bias, double * weight){
double perc_output[ 3 ]; //временный массив для хранения промежуточных результатов каждого перцептрона
double perc_output[ 0 ] = sigmoid(bias[ 0 ] + input [ 0 ] * weight[ 0 ] + input [ 1 ] * weight[ 1 ] + input [ 2 ] * weight[ 2 ] + input [ 3 ] * weight[ 3 ]);
double perc_output[ 1 ] = sigmoid(bias[ 1 ] + input [ 0 ] * weight[ 4 ] + input [ 1 ] * weight[ 5 ] + input [ 2 ] * weight[ 6 ] + input [ 3 ] * weight[ 7 ]);
double perc_output[ 2 ] = sigmoid(bias[ 2 ] + input [ 0 ] * weight[ 8 ] + input [ 1 ] * weight[ 9 ] + input [ 2 ] * weight[ 10 ] + input [ 3 ] * weight[ 11 ]);
double result = sigmoid(bias[ 3 ] + perc_output[ 0 ] * weight[ 12 ] + perc_output[ 1 ] * weight[ 13 ] + perc_output[ 2 ] * weight[ 14 ]);
return result;
}
Artık eğitim örnekleri içeren bir tablo alabilir ve her örnek için sonucu bulabilirsiniz.
double nn_bias[ 4 ]; //массив сдвигов, на текущем этапе тут будут рандомные значения
double nn_weight[ 15 ]; //массив весов, на текущем этапе тут будут рандомные значения
//для всех обучающих примеров находим по очереди результат нейронки. При этом массивы nn_bias и nn_weight не должны меняться
double results[trainSampleCount];
// trainSampleCount = число обучающих примеров
for ( int i= 0 ; i<trainSampleCount; i++){
nn_input = trainSamples[i]; //синтаксис реально не такой, нужно из обучающей таблицы взять i-тую строку и запихнуть в этот массив nn_input
results[i] = NeuralNetwork(nn_input, nn_bias, nn_weight);
}
Ardından, örneğin, sonuçlar dizisindeki tahminlere dayalı bir kar grafiği oluşturuyoruz, değerlendiriyoruz.
Yukarıdaki kod, optimize ediciye yerleştirilebilir. Optimize edici, nn_bias ve nn_weight dizilerinde uygun ağırlıkları ve sapmaları bulmalıdır:
1) nn_bias ve nn_weight değerlerini algoritmalarınıza göre değiştirin
2) tüm eğitim örnekleri için sonuçları bulun
3) bir ticaret tablosu oluşturun
4) ticaret programını değerlendirin, bu tahmini sonraki optimizasyon adımları için bir uygunluk değeri olarak kullanın
5) Kar planı kabul edilebilir hale gelene kadar optimizasyon algoritmanıza göre 1-4 arasındaki adımları tekrarlayın
Genel olarak, her şey, ancak bir nüans var - denediğim optimize ediciler ağırlıklarla baş edemiyorlar, ortalama hatayı en aza indirmek için tüm sonuçlar 0,5'e eşit olduğunda belirli bir yerel minimum buluyorlar ve buna takılıp kalacaklar. Burada bir çeşit hile uygulamanız gerekiyor, daha fazla ilerlemedim.
Nöronun yapısı ne kadar karmaşıksa, o kadar fazla ağırlık olacaktır ve optimizasyon algoritmasının bunları seçmesi o kadar zor olacaktır, büyük nöronlarda bunlar basitçe körelir ve neredeyse ilk sonucu iyileştirmezler.
Burada biraz hile uygulamanız gerekiyor.
İşin püf noktası genel olarak bilinir, ancak uygulanması için yazılımı görmedim. türevler.
Neuronka, bir denge tablosu oluşturma, tablo değerlendirmesi - bunların hepsi formüllerdir. Bu, nihai tahmine göre nn_bias ve nn_weight'in türevlerini bulabileceğiniz anlamına gelir.
ML ile ilgili bazı eğitim videolarında, öğretim görevlisi geleceğin yeni programlama dillerinden bahsetti, örneğin, bir yerde biri herhangi bir karmaşık formül içindeki herhangi bir değişken için türevlerin otomatik hesaplanmasıyla bir dil yapmaya çalışıyor (hafif bir kayma ile yeniden hesaplama değil) değer olarak, ancak analitik olarak). Yardımcı olacak şey bu.
Onlar. genellikle bir eğitim örneği alınır ve her ağırlık için sonucu ne kadar iyileştirdiği analitik olarak belirlenir ve buna göre ağırlık biraz artırılır veya azaltılır. Aynısını yapmak, ancak bir örnek için değil, aynı anda hepsi için ve sırayla öğrenme sonuçları için değil, grafiğin nihai değerlendirmesi için türevi aramak gerekir.
Ve küçük bir eksi - bu formdaki tüm bunlar ticarete yardımcı olmaz. Sadece ideal grafik için ağırlıkları ayarlıyoruz, %100 fazla uydurma ve yeni veriler üzerinde boşaltma elde ediyoruz. Gerçek kâr için, nöronun yapısıyla çok uğraşmanız gerekecek, sonuç olarak, evrişimli bir ağ gibi bir şey muhtemelen karlı olacak.