Ticarette sinir ağlarının kullanılması. - sayfa 12
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
... Ne yani, hiç kimse Forex'teki sinir ağları sorununu çözemedi mi?
Neden kimse?
Kim karar verir, o susar :)
1.
2.
Ve geri kalanı protein nöronlarıyla çalışmak zorunda :(
Neden kimse?
Kim karar verir, o susar :)
1.
2.
Ve geri kalanı protein nöronlarıyla çalışmak zorunda :(
Yani burada tartıştığınız şey faydasız, aslında ortaya çıkıyor... Ben şahsen Forex'te nöron kullanmadım, onlarla başka konularda uğraştım. Tabii ki, onları ticarette, tabiri caizse tatmak isterim, ancak henüz zaman yok. Bu nedenle, Forex ile ilgili olarak henüz bir şey söyleyemem. Ağ eğitimi çok karmaşık bir şeydir. Ağı aşırı eğitimli, eğitimsiz hale getirebilirsiniz, yani, genellikle, elbette, nitel bir genelleme bulmak zordur, bir sürü deney yapmanız gerekir, gizli katmandaki nöronların sayısını artırın, boyutu artırın. kendini örnekle, ağın sığ bir yerel minimuma nasıl uçtuğunu izle ve onu oradan çıkarmaya çalış. Ve tüm bunlardan sonra, hiçbir şey yolunda gitmeyebilir. Genel olarak, aslında onlarla çok fazla zorluk var.
Yani burada tartıştığınız şey işe yaramaz, aslında ortaya çıkıyor ...
Yukarıdaki mesajımda, 1 ve 2 numara altında, cevaba bakılırsa gitmediğiniz bağlantılar var.
Orada sinir ağı danışmanlarıyla ticaret yapıyorum.
NS, finansal piyasalarda kâr elde etmek için en kolay araç değildir, ancak yetenekli ellerde iyi çalışır.
Yukarıdaki mesajımda, 1 ve 2 numara altında, cevaba bakılırsa gitmediğiniz bağlantılar var.
Orada sinir ağı danışmanlarıyla ticaret yapıyorum.
NS, finansal piyasalarda kâr elde etmek için en kolay araç değildir, ancak yetenekli ellerde iyi çalışır.
Oradaydım, sık sık euroflude'da takılırım. Kendi tahmin sistemlerim var, sinir ağlarına dayanmıyorlar. Aslında, sinir ağları basitçe ilginç bir konudur. Ağdan ne isteyeceğimi kabaca biliyorum, sadece dediğim gibi, tüm bu programlama için henüz zaman yok. Özellikle sistemimden memnun olduğum için. Tüm bu sinir ağının ayarlarındaki karmaşıklık. Dediğim gibi, öğrenmesi çok uzun sürüyor. Gradyan optimizasyon yönteminden başka şeyler uygulardım.
Gradyan optimizasyon yönteminden başka şeyler uygulardım.
Bir sır değilse, nedir?
Bu, sinir ağları için pratik olarak temel bir şeydir. Bu sorunu gündeme getirmeye çalıştım, ancak ortaya çıktı ki, çok az insan bununla ilgileniyor. Sinir ağının mimarisi ve karmaşıklığı ile daha çok ilgileniyorum, ancak bu konu uzun süredir çözülmüş ve ortaya çıktığı gibi, bunun peşinden koşmak mantıklı değil. Gizli katmandaki nöronlarda bir artışla, örnek boyutunu artırmanız gerekir - ve örnek boyutlarındaki bir artış, ağın yetersiz eğitim almasına yol açar, çünkü ağın anlayamadığı daha büyük bir tarihsel örnek üzerinde çok fazla kural vardır. ve öğren. Sonuç olarak, onu çıkarmanın gerçekçi olmadığı belirli bir yerel minimuma uçar - bu ya aşırı eğitim ya da yetersiz eğitimdir. Daha çok aşırı eğitim gibi. Sonuç olarak, nöron sayısındaki artış, gelecekte sinir ağının çalışmasını olumsuz etkiler.
Bu, sinir ağları için pratik olarak temel bir şeydir. Bu sorunu gündeme getirmeye çalıştım, ancak ortaya çıktı ki, çok az insan bununla ilgileniyor. Sinir ağının mimarisi ve karmaşıklığı ile daha çok ilgileniyorum, ancak bu konu uzun süredir çözülmüş ve ortaya çıktığı gibi, bunun peşinden koşmak mantıklı değil. Gizli katmandaki nöronlarda bir artışla, örnek boyutunu artırmanız gerekir - ve örnek boyutlarındaki bir artış, ağın yetersiz eğitim almasına yol açar, çünkü ağın anlayamadığı daha büyük bir tarihsel örnek üzerinde çok fazla kural vardır. ve öğren. Sonuç olarak, onu çıkarmanın gerçekçi olmadığı belirli bir yerel minimuma uçar - bu ya aşırı eğitim ya da yetersiz eğitimdir. Daha çok aşırı eğitim gibi. Sonuç olarak, nöron sayısındaki artış, gelecekte sinir ağının çalışmasını olumsuz etkiler.
Deneyimli bir uygulayıcı olarak sınırlara ulaştınız mı? Sizce eğitim örneğinin optimal boyutları, ağ girdilerinin yapısı ve sayısı nedir?
Bir sır değilse, nedir?
Sinir ağlarını alırsak, nükleer yaklaşıma sahip sinir ağları daha iyidir, çabucak öğrenirler.
Bu, sinir ağları için pratik olarak temel bir şeydir. Bu sorunu gündeme getirmeye çalıştım, ancak ortaya çıktı ki, çok az insan bununla ilgileniyor. Sinir ağının mimarisi ve karmaşıklığı ile daha çok ilgileniyorum, ancak bu konu uzun süredir çözülmüş ve ortaya çıktığı gibi, bunun peşinden koşmak mantıklı değil. Gizli katmandaki nöronlarda bir artışla, örnek boyutunu artırmanız gerekir - ve örnek boyutlarındaki bir artış, ağın yetersiz eğitim almasına yol açar, çünkü ağın anlayamadığı daha büyük bir tarihsel örnek üzerinde çok fazla kural vardır. ve öğren. Sonuç olarak, onu çıkarmanın gerçekçi olmadığı belirli bir yerel minimuma uçar - bu ya aşırı eğitim ya da yetersiz eğitimdir. Daha çok aşırı eğitim gibi. Sonuç olarak, nöron sayısındaki artış, gelecekte sinir ağının çalışmasını olumsuz etkiler.
Ağ neredeyse her zaman yerel bir minimum bulur, genellikle sorunu çözmek için yeterince derin ve minimum düzeyde gereklidir. Gizli katmana gelince, her şey aslında çözülmekte olan problemin karmaşıklığını temsil eden girdi parametrelerinin boyutuna bağlıdır. Onlar. gizli katmanda yeterli nöron olmayabilir veya belirli bir girdi boyutu için yeterli örnek olmayabilir. Tek kelimeyle, 1. nörondan gizli katmandaki nöron sayısını kademeli olarak artırarak testler yapmanız ve gerekli genelleme hatasına ulaşılana kadar devam etmeniz gerekir.
Bazı tek parametreli bağımlılığımız olsun, örneğin, bu F bağımlılığının genel biçimini bilmediğimiz ve bir fiyat serisi oluşturan, daha kesin olarak, beklenen fiyatın bağımlılığı olan y(x)=F(x) y(x)=F(x) bazı göstergelerimizin okunmasında artış. Bu durumda, örneğin bağımlılığın doğrusal olduğunu ve fiyat artışlarının y[i] ve x[i] göstergesinin önceki birkaç değerini bilerek, optimal bulma problemini kolayca çözebiliriz. (en küçük sapma anlamında) birinci dereceden y(x)=а*x+b polinomuyla doğrusal yaklaşım bilinmeyen F yasası. Daha sonra a ve b katsayıları en küçük kareler yöntemiyle aranır ve şuna eşittir:
Daha ileri gidebilir ve bilinmeyen bağımlılığı (yasayı) ikinci derece y(x)=а2*x^2+a1*x+a0 veya hatta n -th polinomuyla yaklaşık olarak hesaplayabilirsiniz! Ancak tüm bunlar bir değişkenin fonksiyonu veya bizim durumumuzda bir gösterge içindir... Eğer iki göstergenin kullanılması gerekiyorsa, o zaman girdi verilerine bir düzlemle yaklaşmak için analitik bir çözüm elde etmek zaten daha zordur ( iki değişkenli bir fonksiyon) ve polinomun derecesinde bir artış olması durumunda, F(x1,x2)' ye en yakın n'inci dereceden yüzey için artık analitik bir ifade bulamıyoruz. Öte yandan, bu problem, iki giriş x1,x2 , bir gizli katman ve yeterli sayıda nöron içeren bir sinir ağı ile kolayca çözülür. Ayrıca, girdi sayısını 10-20'ye çıkarıyoruz ve elimizde 10-20 boyutlu bir özellik uzayında keyfi sıralı bir hiperyüzeyimiz var - bir rüya!
Aslında, etrafımızdaki dünyayı algılayışımız aynı prensibe dayanmaktadır - bilinçsizce kafamızda gerçekliği - deneyimlerimizi en iyi şekilde yansıtan bir tür hiper yüzeyler inşa ediyoruz. Böyle hayali bir levha yüzeyindeki her nokta, belirli bir yaşam durumunda bizim tarafımızdan verilen sorumlu bir karardır, her zaman doğru değildir, ancak neredeyse her zaman optimaldir ...
Böyle! Bir şey beni yakaladı. Kısacası, fiyat analizi için Neuronka'dan daha iyi bir şey bulmak, içeriden bilgi dışında imkansız değilse de zor.