Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 193
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
Evrişimsel nöronla biraz oynadım. Şimdiye kadar işe yaramadı, ama en azından nasıl pişireceğimi anladım ve onunla tahmin ettim. İşte yorumları içeren basit bir kod ve test için bir tablo.
İki evrişim katmanı ve bir düzenli gizli katman vardır. Sonunda eğitilmiş model, çıktıda (satın alma) her zaman "1" verir. Teorik olarak, 2 evrişim katmanına değil, düzinelerce ve ardından eğitim için haftalara ihtiyacınız var ve başarı olacağının hiçbir garantisi yok. Ama denemeye değer.
forex_mxnet.txt dosyasını yeniden ekledim , bir hata oluştu, softmax işlevi için son katmandaki çıktıların sayısı sınıfların sayısına eşit olmalıdır. Bu durumda regresyonlu seçenek tamamen ortadan kalkar.
1) "Kümeleme" ile ne demek istediğinizi tam olarak anlamıyorum. Genellikle, belirli bir tahmin edici kümelenmez, aksine, on tanesini alır ve uzayda bu noktaların gruplandığı alanları bulurlar. Örneğin, alttaki resimde iki öngörücüye sahip olmak, 2 kümeye kümelemek sadece mavi ve kırmızı kümeler verecektir.
2) Belki kalıplardan bahsediyorsunuz? Yeşil desen - fiyat düşer ve sonra yükselir. Sarı - aşağıdan yukarıya doğru büyür. Kırmızı: yukarı->aşağı. tahmin ettin mi?
Başlangıçta, hepsini tek bir modelde kümelersek (stokastik+rsi+masd.......) = kümeler 1,2,3,4,5 ..... o zaman gereksiz tahmin edicileri dikkate alacağız, onlara ihtiyaç olmadığını bile bilmeyeceğiz ...
Her tahmin ediciyi kümeleme ihtiyacı
K1 = (stokastik) = küme 1,2,3,4,5....
K2 = (rsi) = küme 1,2,3,4,5....
K3 = (ağırlık) = küme 1,2,3,4,5....
sonra model kombinasyonları arasında küme numaralarına göre kombinasyonları ararız
K1
K1 ve K2
K2 ve K3
K1 ve K3
K1 ve K2 ve K3...
2) Doğru, Bu bağlamda kümeler ve örüntüler bir ve aynıdır
Kümeler ve desenler farklıdır. Aynı vektör üzerindeki kümeler aralıklardır, yani. tüm geçerli gösterge değerlerinin listesi birkaç bölgeye ayrılmıştır. Ancak bu durumda, resminizdeki 2 ve 3 aralıkları aynıdır.
Ancak, ikinci ve üçüncü kümeleriniz hala zorunlu olarak farklı şeylerse, bunlar kesinlikle kümeler değil, kalıplardır.
Kümeler ve desenler farklıdır. Aynı vektör üzerindeki kümeler aralıklardır, yani. tüm geçerli gösterge değerlerinin listesi birkaç bölgeye ayrılmıştır. Ancak bu durumda, resminizdeki 2 ve 3 aralıkları aynıdır.
Ancak, ikinci ve üçüncü kümeleriniz hala zorunlu olarak farklı şeylerse, bunlar kesinlikle kümeler değil, kalıplardır.
Küme yaparsak göstergenin son değerini değil de slipteki son 10 değerini söyleriz. pencerede, hem göstergenin dijital özelliğini hem de geometrik olanı dikkate alan belirli bir sayıya sahip bir küme elde ederiz (her türlü eğim vardır, vb.)
Peki küme veya kalıp nedir? Bana göre her iki şekilde de doğrudur...
Sorunuzu cevapladım mı yoksa soruyu anlamadım mı? :)
Sorunuzu cevapladım mı yoksa soruyu anlamadım mı? :)
Bu aşamada, naif yaklaşımlarla karşılaştırıldığında doğrulama için mevcut tüm modellerden komitenin nasıl davrandığına bakıyorum: sadece satın alır, sadece satar, rastgele yönler.
Bai bu örnekte biraz öne çıkıyor.
Önümüzde özenle seçilmiş bir komiteyi doğrulamak için gecikmiş başka bir örnek var. Hücrenin daha iyi olması mümkündür. Ama asıl mesele, modeller komitesinin nasıl davrandığı...
Verdiğim şema ile korelasyon:
Bai bu örnekte biraz öne çıkıyor.
Bu zaman aralığındaki fiyat grafiği yükselirse, istatistiksel olarak bazen sadece bir alım ticareti açmak, tutmak ve kapatmak daha karlı olacaktır. Bu "karlı" olduğu için değil, sadece yanlışlıkla satış anlaşmaları açıp bir süre tutmanız durumundaki kayıpla karşılaştırıldığında kayıp daha az olacaktır. Bu nedenle, yalnızca satın alma ve yalnızca satış, rastgele işlemler etrafında çok güzel simetriktir. Öne çıkan modelin kendisi değil, sadece fiyat başarılı bir şekilde ona eşlik ediyor.
Not ) Her şey yayılmaya tabidir. Bu nedenle, rastgele sıfırın altında dağıtılır.
Gerçekten güzel görünüyor, sonunda ne olacağını merak ediyorum.
Komiteye gelince, bazı örnekler yayınladım, ancak sınıflandırma yaparken yuvarlama ile regresyon kullanan modeller var ve orada her şey o kadar basit değil. Oyları birleştirmek için iki farklı yol denedim:
1) her şeyi sınıflara yuvarlayın, daha fazla oy alınacak sınıfı alın.
Onlar. üç modelden 4 çubuk için bir tahmine sahip olmak
c(0.1, 0.5, 0.4, 0.4) c(0.6, 0.5, 0.7, 0.1) c(0.1, 0.2, 0.5, 0.7) Bunu daha da sınıflara yuvarlardım
c(0, 1, 0, 0) c(1,1,1,0) c(0,0,1,1) ve tahminleri olan son vektör c(0, 1, 1, 0) olacaktır. oy sayısı.
2) başka bir seçenek de ortalama sonucu hemen bulmak ve ancak o zaman onu sınıflara yuvarlamaktır.
sonuç c((0.1+0.6+0.1)/3, (0.5+0.5+0.2)/3, (0.4+0.7+0.5)/3, (0.4+0.1+0.7)/3) olacaktır.
veya (0.2666667, 0.4000000, 0.5333333, 0.4000000) veya
c(0, 0, 1, 0)
Bu aşamada, naif yaklaşımlarla karşılaştırıldığında doğrulama için mevcut tüm modellerden komitenin nasıl davrandığına bakıyorum: sadece satın alır, sadece satar, rastgele yönler.
Bai bu örnekte biraz öne çıkıyor.
Önümüzde özenle seçilmiş bir komiteyi doğrulamak için gecikmiş başka bir örnek var. Hücrenin daha iyi olması mümkündür. Ama asıl mesele, modeller komitesinin nasıl davrandığı...
Verdiğim şema ile korelasyon: