Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 362
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
Önceki yüz sayfanın özeti :)
Neuronka ve hemen hemen tüm diğer popüler modeller yapay zekadan çok uzaktır. İstenen eğitim doğruluğunu elde eden bu tür tahmin değerleri kombinasyonlarını kolayca bulabilirler ve gelecekte, tahmin yaparken, yeni bir tahmin elde etmek için geçmiş sonuçları bir şekilde enterpolasyona tabi tutarlar (veya tahmin ederler).
Dolayısıyla, örneğin ma, rsi ve stokastik gibi tahmin edicileri alırsak ve nöronu öğrenme hedefi olarak zikzak ters çevirmeleri kullanarak eğitirsek, nörona "bu üç tahmin edici geri dönüşleri tahmin edebilir. Değerlerini bulun ve hatırlayın. bir tersine dönüşün olacağı öngörücüler." Ve nöronun kendisi bu tahmin edicilerin gerçekten uygun olup olmadığını anlamayacak. Bu verileri kabul edilebilir bir doğrulukla hatırlayacak ve ticaret yaparken, aynı ma, rsi, stokastik kombinasyonlarının tersine çevrilmeden önce korunacağını umacağız. Ama korunmayacaklar ve bir drenaj olacak.
Yararsız tahmin ediciler üzerinde eğitilmiş bir model, en azından gbm, en azından bir nöron, en azından bir gerileme olacaktır. Hatta rastgele seriler üretebilir ve bunları öngörücü olarak kullanabilirsiniz, nöron bunlar arasında tekrar eden kombinasyonlar bulacak ve bunları hatırlayacaktır.
Tahmin edicileri ve öğrenme hedeflerini bulmak, diğer araçları kullanan bir insan veri madencisinin görevidir. Ve modeli (nöronları) eğitmek zaten sondan bir önceki küçük adımdır.
Tahminciler, hem geçmişte hem de gelecekte eğitim verileri üzerindeki hedefle ilişkileri sürdürmelidir. Bu nedenle, örneğin SanSanych, bulunan bağımlılıkların yeni verilerde kaybolmadığından emin olmak için modeli farklı dosyalar üzerinde test etmekten bahsediyor.
Onlar. Kendimiz için tahmin edicileri ve bir hedefi dikkatlice inceler ve seçeriz, modeli eğitir ve test ederiz. Ardından, model için tamamen yeni veriler üzerinde test ediyoruz. Her iki durumda da tahminin doğruluğu eşleşmediyse, tahminciler veya hedef uygun değildir. Başkalarını aramalıyız.
Bence nöron, durağan olmayan zaman serilerini tahmin etmek için fiyatla çalışmak için tamamen uygun değil. Fiyatın davranışı sürekli değişiyor, bulunan kalıplar saatlerce çalışmayı bırakıyor, her şey kaotik. Ve sonra birisi bir nöron alır, ona birkaç ay için fiyat verir ve bu süre boyunca tekrar eden bağımlılıkları bulmayı talep eder. Ama sonuçta, tekrar eden bağımlılıklar yoktur ve nöronun bulduğu ve hatırladığı şey sadece %100 rastgele tesadüfler olacaktır.
Bir nöron alırsanız, ona yalnızca bir şekilde işlenmiş (ve saf ohlcs değil), örneğin göstergeler gibi fiyatlar verebilirsiniz.
Neden bu kadar dar düşünelim, buradaki herkes sanki havuçtan daha tatlı bir şey görmemiş gibi böyle yazıyor)) Fırın tahmincilerine, aynı tahmin edicileri bulmak için bir nöron eğitin, bir nörona bir nöronu eğitmeyi öğretin, deney yapın :) , sadece göstergeleri alıp girdi olarak beslemek ve çıkışa zikzak göndermek çok aptalca, neden herkes tartışıyor bilmiyorum :) Ve tabii ki bu yapay zeka değil, bunun için sadece bir sınıflandırma. bir nörona hiç ihtiyaç yoktur! Bayes sınıflandırıcısını kullanabilirsiniz
Neden bu kadar dar düşünün, burada herkes böyle yazıyor, sanki havuçtan daha tatlı bir şey görmemişler)) Fırındaki tahminciler, bu çok tahmin edicileri bulmak için bir nöronu eğitin, bir nörona bir nöronu eğitmeyi öğretin, deney yapın :)
Bana öyle geliyor ki, nöron işe yaramaz tahminciler için katsayısı 0'a ayarlamalı - ve çıktıyı etkilemeyecekler! Yalnızca hesaplama hızındaki fark, tüm tahminciler ile en önemlilerinin yarısı arasında olacaktır.
Kaynak yoğun görevler için nöronlar bu şekilde yaratılmıştır, tek sorun MT5'te şu anda her şeyin zayıf olmasıdır. Çok karmaşık orijinal ve belirgin olmayan modeller oluşturabilirsiniz, ancak o zaman NN kullanma potansiyeli ortaya çıkacaktır, ancak kesinlikle burada tartışılan tekniklerde değil, yeni başlayanlar için temel bilgiler gibi :) Yeterli kapasite yok - var normal bir bilgisayarda 5-30 dakikada öğrenilenlerin hepsi bu, bence bu bir nöron değil ve hiç de ilkel değil :)
Kaynak yoğun görevler için nöronlar bu şekilde yaratılmıştır, tek sorun MT5'te şu anda her şeyin zayıf olmasıdır. Çok karmaşık orijinal ve aşikar olmayan modeller oluşturabilirsiniz, ancak o zaman NN kullanma potansiyeli ortaya çıkacaktır, ancak burada tartışılan tekniklerde kesinlikle değil, bunlar yeni başlayanlar için temel bilgiler gibidir :)
Neden? Saf MQL nöronlarını optimizasyona (gösterge parametrelerini seçmek için) koymayı ve bunları ağda veya bulutta başlatmayı planlıyorum. 20.000 aracı sayılabilir - hiçbir R hız açısından karşılaştırılamaz. R, Azure bulutuna görev dağıtımına da sahip gibi görünse de
Neden? Saf MQL nöronlarını optimizasyona (gösterge parametrelerini seçmek için) koymayı ve bunları ağda veya bulutta başlatmayı planlıyorum. 20.000 temsilci sayabilir - hiçbir R hız açısından karşılaştırılamaz
Eh, bu da normal, demek istediğim MT5'te birkaç nöron var, sadece bir tane :)
Eh, bu da normal, demek istediğim MT5'te birkaç nöron var, sadece bir tane :)
Eh, en önemli şey hala yüksek kaliteli girdi verileridir, varsa, o zaman 1 nöron sorunu çözecektir.
hayır, olmayacak. Numunenin artması ile nöronunuz stresten büzülür ve patlar :) Böyle bir numuneye yaklaşamayacak ve çıkışta sürekli 0,5 çıkış verecektir.
hayır, olmayacak. Numunenin artması ile nöronunuz stresten küçülür ve patlar :) Böyle bir numuneye yaklaşamayacak ve çıkışta sürekli 0,5 çıkış verecektir.
Tüm girdilerin çarpanı = 1 ise 0,5 olacaktır. Ve ağ öğrenir ve önemsiz girdiler için çarpanı 0'a ve en önemlisi 1'e ayarlarsa, her şey yolunda gidecektir. Tabii ki, çıktı 1 olmayacak, ancak örneğin çıktı> 0.8 ise tepki verecektir.
Ancak ne yazık ki, doğru çıkışlarla ilişkilendirilecek böyle bir gösterge yok. Bu nedenle, kesinlikle dezavantajlar olacaktır. Sadece olasılığı kendi tarafına bükmen gerekiyorTüm girdilerin çarpanı = 1 ise 0,5 olacaktır. Ve ağ öğrenir ve önemsiz girdiler için çarpanı 0'a ve en önemlisi 1'e ayarlarsa, her şey yolunda gidecektir. Çıktıda elbette 1 olmayacak ama örneğin çıktı > 0.8 ise tepki verecek.
Ancak ne yazık ki, doğru çıkışlarla ilişkilendirilecek böyle bir gösterge yok. Bu nedenle, kesinlikle dezavantajlar olacaktır. Sadece olasılığı kendi tarafına bükmelisinsadece korelasyonlu değiller, genellikle numunedeki bir artışla kendileriyle çelişirler, evet, sonuç olarak çıktı ya utançtır - her zaman 0 veya 1 veya 0,5 .. özellikle 1 nöron için. Yani, >0.5 satar ve <0.5 satın alırsa. Eğer RSI aşırı satılırsa ve piyasa bir sonraki n-barda büyürse, o zaman RSI aşırı satın alınırsa ve piyasa düşerse 0 veririz. sert. Ama bunun tam tersi olacağı birçok zaman olacak ve o körleşecek, sinyalleri karıştıracak ve transa girecek. Sonuç olarak, çıktı her zaman bir yönde çok küçük sapmalarla birlikte yaklaşık 0,5 olacaktır... ve bu, tüm osilatörler için geçerli olacaktır, çünkü bunlar hiçbir şeyin öngörücüsü değil, fiyatın türevleridir :)
Dolayısıyla, örneğin ma, rsi ve stokastik gibi tahmin edicileri alırsak ve bir öğrenme hedefi olarak zikzak ters çevirmeleri kullanarak bir nöronu eğitirsek, nörona "bu üç tahmin edici, geri dönüşleri tahmin edebilir. Değerlerini bulun ve hatırlayın. bir tersine dönüşün olacağı öngörücüler." Ve nöronun kendisi bu tahmin edicilerin gerçekten uygun olup olmadığını anlamayacak. Bu verileri kabul edilebilir bir doğrulukla hatırlayacak ve ticaret yaparken, aynı ma, rsi, stokastik kombinasyonlarının tersine çevrilmeden önce korunacağını umacağız. Ama korunmayacaklar ve bir drenaj olacak.
IMHO, sınıflandırma ve regresyonu, N - d' de, belirli bir çekirdeğin yakınında, örneğin kNN'de olduğu gibi, farklı ortalama noktaları türleri olarak düşünmek daha doğrudur. bunun "ideal" bir tahmin edici olduğu söylenir, sadece yavaştır, pratik değildir. Sınıflandırma yapılırken sadece cevapların ortalaması alınır; gerileme yapılırken özelliklerin ve cevapların ortalaması alınır. Açıkçası, böyle bir ortalama alma sırasında çelişkili noktalar karıştırılırsa, sonuç ifade edilmeyecek, gürültü olacaktır.