"New Neural", MetaTrader 5 platformu için bir sinir ağı motorunun Açık Kaynak projesidir. - sayfa 23
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
Üzerine atın, azar azar tırmıklayalım.
Hala Seyrek Ağlarla güçlü bir şekilde ilgileniyor.
Ve bulanık mantıkla ilişkili modeller - yaşasın!! Modellerden birinin adını hatırladım, işte açıklamaya bir bağlantı . Model tsukamoto.
____
Bunlar, başarılı bir şekilde uygulanırsa, muhtemelen küçük bir bombaya dönüşecektir.
TheXpert :
...
Bunun için ürünün NSDT, niasilim gibi nöropaket seviyesinde olması gerekir.
...
Yazık.)) Şu anda herhangi bir seviyedeki kullanıcılar için en uygun olan bu programdır. Trader anketlerine göre, Stocks & Commodities dergisinde 9 yıl boyunca en iyi analitik programların sıralamasında birinci oldu. Ama OpenSource için çok havalı. ))
Renat 2011.10.18 00:45 #
Herhangi bir tüccarın minimum çabayla kullanabilmesi için çeşitli türlerde normal bir sinir ağı motoru geliştirme fikri var.
Kod, MQL5 kaynaklarında sunulacak ve terminalin bir parçası olarak dağıtılacaktır.
Bence bu bir kod ise, herhangi bir tüccar artık onu kullanamayacak. Herhangi bir programcı tüccarı, evet. Herhangi bir tüccar için, sinir ağını MQL5 sihirbazı aracılığıyla ticaret sistemine dahil etme seçeneği uygun olacaktır, ancak o zaman ana sistemin önemli ölçüde değiştirilmesi gerektiğini varsayıyorum.
Konuyu okuyorum ve şimdi en azından şimdiden her şeyin ne kadar zor olduğunu hayal etmeye başladım.))
Yine de forumun ayrı bir bölümü için yalvarmayı öneriyorum, hepsi bir konu içinde bir jest. Karışık düşünceler deposu olarak, sorun değil, ama tartışma başladığında...
Katılmak isteyen herkese açık olsun. Sistemin belirli yönleriyle ilgili konuları başlatın ve şube adminleri tartışıldığı gibi nihai kararları ilk mesajda vereceklerdir. Gerekirse, ayrı şubelerde bir halk oylaması düzenleyeceklerdi, vb.
Bu arada, şubenin tüm sayfalarında sabitlenmiş bir gönderinin (yönetici tarafından belirtilen) bir işlevi olsaydı, fena değil, böylece tartışmanın her zaman bir tür sonucu gözlerimizin önünde olurdu.
İlgilenenler için, biyolojik bilgi dönüştürme yöntemlerine dayalı sinir ağlarını ve seyreklik ilkesini kullanmanın neden çok umut verici olduğunu düşündüğümü birkaç kısa ders yazısında açıklamaya çalışacağım.
Ders 1. Sinir ağlarında seyrekliğin biyolojik temelleri.
Bir çocuğun gelişen beyni, çok sayıda sinaps (nöronlar arasındaki bağlantılar) yapma aşamasından geçer, ardından ergenlik döneminde bağlantıların neredeyse yarısının kaldırılması aşaması gelir. Birçok bilim adamı, sinapsların bu şekilde ortadan kaldırılmasının, yavaşlayan metabolizma ve hormonal değişiklikler nedeniyle beyin tarafından tüketilen enerjiyi azaltmak için gerekli olduğunu düşünüyor. Çok sayıda sinaps nedeniyle, çocuğun beyni birçok bilgiyi hatırlayabilir, bu da yabancı dillerin neden ergenlikten önce kök salmasının daha kolay olduğunu açıklar. Ergenlik döneminde bağlantıların yarısının ortadan kaldırılması, beynin bilgiyi daha iyi genelleştirmesine yardımcı olur. Gelişmekte olan ergen beyninde bağlantıların yarısının kaldırıldığı mekanizma hala bilinmemektedir. Birçoğu, metabolik değişikliklerin sinapsları korumak için gereken biyojen (besin) miktarını azalttığına inanıyor. Bu maddelerin sınırlı bir miktarı, nöronun giriş bağlantıları arasında varlıkları için rekabete neden olur. Bu yarışma, nöronun girdi ağırlıklarının mutlak değerlerinin toplamının veya karelerinin toplamının sabit tutulduğu yarışmalı (Rekabetçi Öğrenme) ağırlıkları öğrenme yöntemleri ile modellenmiştir. Bu yöntemler kendi kendine öğrenen ağlarda kullanılır. Denetimli ağlarda (örneğin, ileri beslemeli ağlar), nöron girdi ağırlıkları arasındaki rekabet genellikle dikkate alınmaz. Bu tür ağlarda, ağırlıkları eğitildikten sonra nöronlar arasındaki bağlantılar kaldırılır. Ortalama öğrenme hatası üzerinde çok az etkisi olan en küçük ağırlıklar veya ağırlıklar kaldırılır.
Bağlantılar:
https://en.wikipedia.org/wiki/Synaptic_pruning
Huttenlocher, P.R. (1979).
İnsan frontal korteksindeki sinaptik yoğunluk - gelişimsel değişiklikler ve yaşın etkileri.
Beyin Arş., 163, 195-205.
Braitenberg, V., Schuz, A. (1998).
Korteks: İstatistikler ve nöronal bağlantı geometrisi.
Berlin: Springer.
LeCun, Y., Denker, JS, Solla, SA, Howard, RE, Jackel, LD (1990).
Optimal beyin hasarı.
Touretzky, DS (Eds), Advances in Neural Information Processing Systems 2, NIPS*89, Morgan Kaufmann, Denver, CO, 598--605.
Hassibi, B., Stork, DG, Wolff, GJ (1993).
Optimal beyin cerrahı ve genel ağ budaması.
Proc. IEEE Int. Konf. sinirsel. Ağlar, 1, 293-299.
Miller, KD. ve MacKay, DJC (1994).
Hebbian öğreniminde kısıtlamaların rolü.
Sinirsel Hesaplama, 6, 100-126.
Miller, K.D. (1996).
Sinaptik ekonomi: Sinaptik plastisitede rekabet ve işbirliği.
Nöron, 17, 371-374.
Daha fazla IMHO. Gereksinimlerinizi karşılayan dışarıdan bir uzman danışman bulmanız pek olası değildir. En iyi ihtimalle, kendi seviyenizdeki uzmanlarla müzakerelerde çıkmaza girersiniz, ancak onların seviyesini müzakere aşamasında talep ettiğiniz seviyeye fazla abartarak satmaya çalışırsınız.Bir bütçe varsa, ne olursa olsun, daha fazlası. Metakotaların sübjektif değerlendirmesine dayalı olarak, projenin sonunda eşit veya eşit olmayan şekilde aranızda bölmek için etkilidir.
Harici bir uzmanın pahasına, destekleyeceğim. Birincisi, bana öyle geliyor ki, bir uzmana değil, en az iki uzmana (ideal olarak daha fazlasına) ihtiyaç duyulacak ve ikincisi, forumun en az birkaç yerel üyesinin daha fazla kalifikasyona sahip olacağı bir gerçek değil.
Daha da kolay hale getirilebilir.
Bu durumda, evrensel modellere soyutlama girişimi ile özelden genele gideriz.
1. Gerçekleştirebileceğimiz ağları (kağıt üzerinde + matematiksel modelin sözlü algoritmasını) çiziyoruz (topolojiler ve onlar için öğrenme yöntemleri).
2. Soyut motor sınıfları oluşturmak için çizilen modellerde ortak yerleştirme noktaları buluyoruz.
tol64 :
Bence bu bir kod ise, herhangi bir tüccar artık onu kullanamayacak. Herhangi bir programcı tüccarı, evet. Herhangi bir tüccar için, sinir ağını MQL5 sihirbazı aracılığıyla ticaret sistemine dahil etme seçeneği uygun olacaktır, ancak o zaman ana sistemin önemli ölçüde değiştirilmesi gerektiğini varsayıyorum.
Konuyu okuyorum ve şimdi en azından şimdiden her şeyin ne kadar zor olduğunu hayal etmeye başladım.))
1. Bana öyle geliyor ki, bu, bir tüccar-programcının (veya sadece bir MQL programcısının) yardımıyla gerekli karmaşıklık ve işlevselliğe sahip bir sinir ağı oluşturabileceği, başlangıç için yeterince güçlü ve çok yönlü bir kitaplık olmalıdır. Bu aşamada, az sayıda nesneden oluşan kütüphanenin çekirdeğini oluşturmak gerekli gibi görünüyor (burada maksimum soyutlama ve evrensellik önemlidir).
2. İkinci aşamada, kütüphanenin işlevselliğini daha ayrıntılı ve derinlemesine yazmanız gerekir (ağ türlerini, eğitim yöntemlerini, topoloji seçeneklerini vb. belirleyin).
3. Üçüncü adımda, tam olarak neyin girileceğine ve nasıl öğrenileceğine karar vermeniz gerekiyor gibi görünüyor.
4. Son olarak, bence en ilginç olanı. MQ ile birlikte, tüm özelliklerini sırayla belirterek bir sinir ağı şablonu oluşturabileceğiniz bir "Sinir Ağı Sihirbazı" gibi bir şey geliştirmek güzel olurdu.
Meslekten olmayanların gözünde, böyle bir şey olmalı. Sihirbazı başlatır ve içinde belirtiriz: Böyle bir tür ağ, pek çok katman, böyle nöronlar, böyle bir hindi parametrelerini işler (veya sadece belirli bir bilgi akışını analiz eder), kesin bir bilgi elde ederiz. çıkışta sinyal.
Bu fikre göre, sihirbazın çalışmasının sonucu (en azından bence oldukça iyi) bağımsız bir modül olarak kullanılabilecek veya mevcut bir SİHİRBAZ'da bir uzman şablonu geliştirirken kullanılabilecek bir şablon olmalıdır.
5. Sihirbaz şablonu oluştururken bir sinir ağı kullanmaktan bahsediyorsak, bir sinir ağı (belki birden fazla) eklemenin mümkün olacağı bir form sağlamanız gerekecektir.
Bu durumda, sinir ağı şablonlarının belirli bir yerde (sinyaller vb. gibi) olması ve belirli gereksinimleri karşılaması gerekecektir.
not
Böyle bir kampanya ile tüm sinir ağının, ayrı bir katmanın (veya bir katmanın parçasının) ve tek bir nöronun "önemini" belirlemek güzel olurdu.
Yine de forumun ayrı bir bölümü için yalvarmayı öneriyorum, hepsi bir konu içinde bir jest. Karışık düşünceler deposu olarak, sorun değil, ama tartışma başladığında...
tüm bu yığın ağlar çözülebilir bir sorundur - en önemli şey ticaret yönelimidir))) Ve bu, çalışan Uzman Danışmanlarla entegrasyon anlamına gelir. Onlar. böylece çoğu tipik TS için girdi verilerinin ön işlenmesi veya bir eğitim örneğinin hazırlanması gibi bir dizi yardımcı işlemin yapılması gerekli değildir, bunun yerine sistematik hale getirilmesi ve otomatikleştirilmesi gerekir. Onlar. Birisi bir dalga biçimini girdi olarak göndermeye karar verirse, önce dalga biçimi için bir dizi değer oluşturması, ardından bir dizi tahmini değer oluşturması (örneğin, bazı çubuklar için bir fiyat artışı), normalleştirmesi gerekmez tüm bunlar vb. daha sonra ağı eğitin ve bunun otomatik olarak gerçekleşmesi için danışman içinde girdinin ne olduğunu ve neyin tahmin edildiğini belirledi ve verilerin ön işlenmesi ve işlenmesi otomatik olarak uygulandı.
Tamamen teknik olarak, şöyle görünebilir: giriş nöronları için double döndüren bir sanal EnterData işlevi vardır. Girdi veya herhangi bir şeye bazı göstergeler göndermek istedim - her şeyi bu fonksiyonda yazdım.
Çıkış nöronu için aynısı, tahmin edileni hesaplayan ExitData işlevidir.
Örneğin 5 bar için fiyat değişimini tahmin etmek istiyorum: Fonksiyonu yeniden tanımladım.
double ExitData(){
dönüş(Aç[-5]-Aç[0]) ;
}
veya oynaklığı tahmin etmek istiyorum
double ExitData(){
dönüş(Yüksek[iYüksek(...,5,-5)]-Düşük[iDüşük(....,5,-5)]) ;
}
vb.
Ayrıca, eğitim süresini ve örnek dışı örnekleri ağ nesnesinin bir özelliği olarak ayarlamak için. Ve eğitimden sonra, numuneler dışında eşitlik eğrisinin özelliklerini elde etmek mümkün oldu (örneğin kar faktörü)
onlar.
Net.Başlangıç Zamanı=2005
Net.BitişZamanı=2008
Net.StartOutOfSamples=2009
Net.FinishOutOfSamples=2011
Net.Teach;
Net.OutOfSamples;
if (Net.PFOutOfSamples>3) Print("İyi");
Veya ağ kendi başına işlem yapmıyorsa, ancak örneğin oynaklığı tahmin ediyorsa, kullanıcı, ağın kalitesini numune dışı değerlendirme işlevini yeniden tanımlar.
Ardından, test cihazının standart araçlarını ve optimizasyonu kullanarak, en iyi topoloji veya ağ tipi seçimi ve çok daha fazlasını aramayı gerçekleştirebilirsiniz.