Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 942
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
Teşekkür ederim. Mutlaka daha sonra okuyacaktır. Şimdi biraz Shelepin okuduktan sonra uyuyor. Endişelenmek istemedim.
TAMAM.
Takens teoremini bulmasına izin verin
Her şeyi bu prensibe göre tek bir masaya topladım
Ayrıca arr_TimeH tahmincisine göre bir gruplandırma yaptım - belki bu formda bir şey yapabilir.
dosyaları ekliyorum.
Kullandığım programda aşağıdaki resim elde ediliyor - hitler sadece %30.81
Ancak örneğin -2 ve -1 gibi hataları birbirine ekleyip doğru bulunan çözümü ekleyip ardından yanlış olanlara karşı çıkıp 3 numaradaki hedefi yok sayarsak bu bir filtredir ve artık olmayacaktır. finansal sonucu etkiler, o zaman böyle bir resim elde ederiz:
bu durumda, pozisyona girmek için hata zaten %49,19 olacaktır, ki bu o kadar da kötü değil!
Kfold Alglib'leri denediniz mi? sonuçları iyileştirir mi? Eski mesajlarınızdan birinde seçimin karışmadığını gördüm. Hiç yapmalı mısın?
Neyin daha az yeniden eğitildiğine dair herhangi bir sonuç var mı - orman mı yoksa MLP mi? aynı veriler üzerinde. Ormanın regresyon problemleri için çarpık çalıştığına ve normları sınıflandırmak için çarpık hatalar (çok küçük olanlar) döndürdüğüne dair şüpheler var.
2. OpCl ile ilgilendiklerini gördüm, bunun üzerine Millet Meclisi'ni yeniden yazmak gibi bir düşünce var mıydı? Örneğin, genellikle bir tür kabus saçmalığı olarak GA'yı terk ettim, artık her şey 1 çekirdekte 1 iş parçacığında eğitiliyor. Cl'de hızlandırmak mümkün olurdu (çok hızlı olmasına rağmen). Veya Spark üzerinde eğitim alırsanız, zaten orada paralel hale getirilmiştir ve hiçbir anlam ifade etmez.
3. Git'te ne paylaştığınızı ve onu nasıl kullandığınızı az çok anladım. Çok ilginç bir çalışma, saygılar! :)
Ağları incelemeye başladığımda sonuç şuydu: https://github.com/Roffild/RoffildLibrary/blob/master/Experts/Roffild/Alglib_MultilayerPerceptron.mq5 . Farklı dizilerdeki (karıştırmalı ve karıştırmasız) farklı tahmin kümelerinden geçtim - bundan File_Num parametresi sorumludur. Ve elbette, iki sınıf için aynı sayıda giriş koymaya çalıştım.
Bu ağdaki sorun, doğru bir örnek seçmek için net bir kriterin olmamasıdır. Örneğin, meyveli resimleri tanırken, elmanın nerede ve portakalın nerede olduğunu kendiniz açıkça belirleyebilirsiniz. Fiyat çizelgelerinde %100 seçim kriteri yoktur, yani %100 yeniden eğitim kriteri de yoktur.
https://github.com/Roffild/RoffildLibrary/blob/master/Experts/Roffild/Alglib_RandomForest.mq5
Rastgele Orman, gürültüye daha az bağımlıdır ve farklı örnekleme koşulları altında aynı sonucu vermesi daha olasıdır. Örneğin, grafik üzerinde
mavi ve sarı veriler hemen hemen aynıdır. İkinci orman için numunenin bir kısmı kaldırıldığı için daha büyük bir fark beklemiştim.
Ve bence bazı insanlar ağ veya ormanı kullanarak emir açılış fiyatını elde etmeye çalışıyorlar ama emrin kapandığı anda kâr almanın gerçekleştiğini unutuyorlar. Bu sorunu çözmek için https://github.com/Roffild/RoffildLibrary/blob/master/Include/Roffild/OrderData.mqh çıktı ancak bu sınıf tam olarak "ebeveyn" olarak kullanılıyor.
OpenCL yalnızca ağ eğitimi için gereklidir. Son hesaplamalar için, ağ veya orman zaten eğitilmişse, OpenCL işe yaramaz, çünkü video kartına veri aktarmak için gereken süre çok uzundur. Evet ve bir ağdan veya ormandan veri elde etmek için kullanılan algoritmalar aslında çok basittir ve CPU bu konuda mükemmel bir iş çıkarır.
Spark genellikle hesaplamaları yalnızca bir bilgisayarın çekirdekleri arasında paralel hale getirmekle kalmaz, aynı zamanda tüm bilgisayar ağını da kullanabilir. Sunucular arası bilgi işlem için standarttır. Örneğin, rastgele bir ormanı hızlı bir şekilde bitirmek için genellikle Amazon'da 0.25 dolar / saat için 32 çekirdek satın alırım.
Bu ağdaki sorun, doğru bir örnek seçmek için net bir kriterin olmamasıdır. Örneğin, meyveli resimleri tanırken, elmanın nerede ve portakalın nerede olduğunu kendiniz açıkça belirleyebilirsiniz. Fiyat çizelgelerinde %100 seçim kriteri yoktur, yani %100 yeniden eğitim kriteri de yoktur.
https://github.com/Roffild/RoffildLibrary/blob/master/Experts/Roffild/Alglib_RandomForest.mq5
Rastgele Orman, gürültüye daha az bağımlıdır ve farklı örnekleme koşulları altında aynı sonucu vermesi daha olasıdır. Örneğin, grafik üzerinde
çünkü Millet Meclisinde mimariyi seçmek gerekiyor ve ormanlar hep aynı şekilde çalışıyor evet :)
ve mimariyi seçmek için, özelliklerin çok boyutlu uzayını görüntülemek ve hangi katmanın neyden sorumlu olması gerektiğini veya sadece yazarak yapmak gerekir. Ancak, teoride, düzgün seçilmiş bir NS, daha iyi bir sonuç vermelidir ve bakış açısından. fazla giydirmek
Henüz tüm kütüphanelere bakmadım, teşekkürler, daha fazla çalışacağım
Rusça başka bir yararlı kitap .
Rusça başka bir yararlı kitap .
Keras sana nasıl göründü? Daha iyi Darch mı yoksa aynı özellikler mi? Belki aynı veri, dönem sayısı vb. ile daha hızlı öğrenebilirsin?
Karşılaştırma yok. Keras - yapı, eğitim ve kişiselleştirme için sınırsız olanaklar , birçok örnek ve ayrıntılı belgeler. Ayrı olarak, TensorFlow hakkında - çok hızlı gelişiyor (zaten 1.8). Bunun artıları ve eksileri olduğu açıktır. O kadar hızlı öğrenmiyor, ek jimnastik yapmanız gerekiyor. Hiperparametreleri optimize etmek zordur. Aksi takdirde, bu gelecekteki ana yöndür.
İyi şanlar
R ile hiç arkadaş olmadım, bu yüzden ne bulduğunu merak edeceğim!
Haftalık zaman çerçevesinin bir ayrıştırması yapıldı, 1400 bar (terminaldeki neredeyse tüm mevcut geçmiş)
Tarihler burada görüntülenmiyor, bu yüzden çok uygun değil. Plot veya bir gösterge kullanarak yeniden yazmanız gerekecek. tamamen görsel iken, grafikte işaretlemek için
küçük modlarda daha belirgin döngüler vardır. Ve en büyüğü + - 14 yıl (28 yaşından itibaren 2 yarı dönem), 4'e 7 yaşındakilere bölünmüş (dediğim gibi). Ayrıca, son 7 yıllık döngü (yaklaşık olarak) bu yılın başında sona erdi, bu da şebekeyi daha erken tarihlerde eğitmenin pek mantıklı olmadığını gösteriyor.
Ortada çok belirgin döngüsel değil
Ve beyni uçurmamak için, tüm modları NS'ye sürmeniz yeterlidir, ayrıca birbirleriyle ilişkili değildirler.
o zaman farklı dönemleri tanıyacak veya belki de değil, soru felsefi, nasıl yapacaksınız :)