Bu kaosun bir düzeni var mı? Hadi bulmaya çalışalım! Belirli bir örnek üzerinde makine öğrenimi. - sayfa 28
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
Bir sütun ekledim: "1" alış, "-1" satış. Sanırım doğru yaptım, ama kontrol etmedim ... :) Tembellik.
Spreadsiz ve komisyonsuz grafikte puan cinsinden sonuç budur:
Sonuçlar: PR=157488 +işlemler=778 -işlemler=18 (kar, pozitif ve negatif işlem sayısı)
Yayılma 0.00050:
Sonuçlar: PR=117688 +trades=629 -trades=167
Yayılma 0,00100'de:
PR=77888 +trades=427 -trades=369
200'de yayıldı:
PR=-1712 +işlemler=241 -işlemler=555
Süper osilatörünüz için tebrikler!
Target_P'yi hesaba katarak böyle sonuçlar aldım (yönde çakışmayan sinyaller hariç tutulur) - başlangıçtaki dalgalanmalar ve ardından bu kadar hızlı bir büyüme kafamı karıştırdı.
Kodunuzda bir hata yoksa, kendinizi milyoner olarak düşünebilirsiniz!
Bana sırrın ne olduğunu söyleyebilir misiniz? Bunun esasen bir şekilde bir osilatörün sınırlarına sürdüğünüz bir polinom olduğunu anlıyorum.
Süper osilatörünüz için tebrikler!
Target_P'yi (yön olarak çakışmayan sinyaller hariç tutulur) hesaba katarak böyle sonuçlar elde ettim - yine de başlangıçta dalgalanması ve sonra bu kadar hızlı büyümesi kafa karıştırıcı.
Kodunuzda herhangi bir hata yoksa, kendinizi milyoner olarak görebilirsiniz!
Bana sırrın ne olduğunu söyleyebilir misiniz? Bunun aslında bir şekilde bir osilatörün sınırlarına sürdüğünüz bir polinom olduğunu anlıyorum.
Neredeyse hiç sır yok. Size yukarıda her şeyi anlattım. Polinom yok.
Size birkaç ipucu vereceğim:
1) Hedef. Kendi başına belirlenmelidir, yani verileri öyle bir şekilde filtrelemelisiniz ki potansiyel kâr hem güçlü hem de düz hareketlerde maksimize edilmelidir. Eskiden serileri ayrıştırmak için Dobeshi dalgacığını kullanırdım ve hatta bunun en doğru varyant olduğunu söyleyebilirim (ancak şimdi daha az kaynak gerektiren bir tane buldum). Filtrelemede en önemli şey, bunu "anında" yapmamak ve örnek izinin kenarlarındaki verilerin en az %10-20'sini hariç tutmaktır. Kenar etkilerini dışlamak için kenar verilerini kaldırmak gerekir.
2) Osilatör. Gerçekten en basit olanı olabilir. Örneğin, tamamen unutulmuş RVI ... :) Sadece doğru periyot seçilmelidir.
3) Ancak en önemli şey "doğru" sinir ağları ve bunların uygulama algoritmasıdır ... :) Sinir ağlarının sonuçlarının doğru yorumlanması da buna dahildir.
Koddaki hata sadece sinyalin görünme zamanında olabilir (zaten sekiz kez kontrol ettim ve herhangi bir hata bulamadım), ancak sinyal görünümü sağa kaydırılsa bile (yani sinyalin 1-2 adım yapay bir gecikmesini yapmak için), bir kar da vardır - elbette başlangıçtan daha az, ancak ilk gönderideki başlangıç koşulları büyüktür.
Neredeyse hiç sır yok. Yukarıda her şeyi anlattım. Polinom yok.
Bir dizi ipucu yazacağım:
1) Hedef. Kendi başına belirlenmelidir, yani verileri filtrelemelisiniz, böylece potansiyel kar hem güçlü hem de düz hareketlerde maksimize edilmelidir. Eskiden serileri ayrıştırmak için Dobeshi dalgacığını kullanırdım ve hatta bunun en doğru varyant olduğunu söyleyebilirim (gerçi şimdi daha az kaynak gerektiren bir tane buldum). Filtrelemede en önemli şey, bunu "anında" yapmamak ve örnek izinin kenarlarındaki verilerin en az %10-20'sini hariç tutmaktır. Kenar etkilerini dışlamak için kenar verilerini kaldırmak gerekir.
2) Osilatör. Gerçekten en basit olanı olabilir. Örneğin, tamamen unutulmuş RVI ... :) Sadece doğru periyot seçilmelidir.
3) Ancak en önemli şey "doğru" sinir ağları ve bunların uygulama algoritmasıdır ... :) Sinir ağlarının sonuçlarının doğru yorumlanması da dahil.
Koddaki hata sadece sinyalin görünme zamanında olabilir (zaten sekiz kez kontrol ettim ve herhangi bir hata bulamadım), ancak sinyal görünümü sağa kaydırılsa bile (yani sinyalin 1-2 adım yapay bir gecikmesini yapmak için), bir kar da vardır - elbette başlangıçtakinden daha az, ancak ilk gönderideki başlangıç koşulları büyüktür.
İlk ipucu - bu benim verilerimle ilgili, bu yüzden şimdilik bunu atlayalım.
İkinci ipucu - merak ediyorum - örnek tren kullandınız mı?
Üçüncü ipucu - ve burada anlamıyorum - neden bu kadar çok sinir ağı? O zaman girişe ne besliyorsunuz, geri dönüşler mi yoksa ne?
İlk ipucu, benim verilerimle ilgili, bu yüzden şimdilik bunu atlayacağız.
İkinci ipucu - Acaba numune aldınız mı?
Üçüncü ipucu - ve burada anlamıyorum - neden bu kadar çok sinir ağı? O zaman girdiye ne besliyorsunuz, getiri mi yoksa ne?
2) Evet, sadece tren numunesi aşırı avlanır, çünkü tren numunesi ve test numunesinin tek ve aynı sürecin sonucu olduğu kabul edilir. Eğer süreçler farklıysa, o zaman doğal olarak hiçbir şey elde edilemeyecektir.
3) Bu çok basittir. Hiç genetik yaptınız mı?
Genetik, örneğin on değişkenli bir denklemi çözmek için çalıştığında, farklı değişkenlerle aynı sonuç (çok yakın) elde edilebilir. Sinir ağları için de aynı şey geçerli. Aynı örnekler üzerinde iki sinir ağı oluşturup eğitin ve ardından bu ağların hatalarına ve ağırlık katsayılarına bakın. Farklı olacaklardır!
Ayrıca, grafiklerin farklı bölümleri için sinir ağlarının girişine beslenen farklı derinlikte örneklere ihtiyacınız vardır. Yani, farklı örnekleme derinliklerine sahip sinir ağları, grafiğin farklı bölümlerinde farklı doğruluğa sahiptir. Dolayısıyla, "doğru" komite, örneklerin tüm uzunluğu boyunca doğru yanıt vermeyi sağlar. Ve özellikle de bu komitenin kendisi bu doğruluğu belirler. Belki de bu zaten yapay zekanın temelleridir ... :)
3) Çok basit. Hiç genetik yaptınız mı?
Örneğin genetik, on değişkenli bir denklemi çözmeye çalıştığında, aynı sonuç (çok yakın) farklı değişkenlerle de elde edilebilir. Sinir ağları için de aynı şey geçerlidir. Aynı örnekler üzerinde iki sinir ağı oluşturup eğitin ve ardından bu ağların hatalarına ve ağırlık katsayılarına bakın. Farklı olacaklardır!
Ayrıca, grafiklerin farklı bölümleri için sinir ağlarının girişine beslenen farklı derinlikte örneklere ihtiyacınız vardır. Yani, farklı örnekleme derinliklerine sahip sinir ağları grafiğin farklı bölümlerinde farklı doğruluğa sahiptir. Dolayısıyla, "doğru" komite, örneklerin tüm uzunluğu boyunca doğru yanıt vermeyi sağlar. Ve özellikle de bu komitenin kendisi bu doğruluğu belirler. Belki de bu zaten yapay zekanın temelleridir ... :)
Kafamı karıştırıyorsunuz - anlayamıyorum, genetik yoluyla seçilen serbest katsayılara sahip bir osilatör formülünüz var mı? Genetik bir sinir ağı üzerinde mi uygulanıyor (böyle bir varyant hakkında bilgim yok)?
Bu açık, ancak onu nasıl topladınız ve katsayıları nasıl dağıttınız - trende mi yoksa başka bir örnekte mi?
Girdinin bazı girintili saf değerler veya hatta tüm pencereler olduğunu doğru anlıyorum, ancak farklı ağlarda farklı boyutlarda mı?
Kafamı karıştırıyorsunuz - anlayamıyorum, genetik yoluyla seçilen serbest katsayılara sahip bir osilatör formülünüz var mı? Genetik bir sinir ağı üzerinde mi uygulanıyor (bu seçenek hakkında bilgim yok)?
Bu açık, ancak bunu nasıl topladınız ve katsayıları nasıl dağıttınız - trende mi yoksa başka bir örnekte mi?
Girdinin, bazı girintiler veya hatta tüm pencereler içeren saf değerler olduğunu, ancak farklı ağlarda farklı boyutlarda olduğunu doğru anlıyor muyum?
Genetik, sinir ağı olmadan olağan bir şeydir (dürüst olmak gerekirse sinir ağı üzerindeki genetik de benim için bilinmezdir).
Her şey sadece bir tren örneği üzerinde belirlenir. Komitenin kendisi tüm katsayıları belirler.
Evet, neredeyse saf değerler, farklı derinlikler, farklı pencereler vs.
Genetik, nöroşetler olmadan da yaygındır (dürüst olmak gerekirse nöroşetler üzerindeki genetik de benim için bilinmezdir).
Her şey sadece bir tren örneği üzerinden belirleniyor. Komite tüm katsayıları kendisi belirler.
Evet, neredeyse saf değerler, farklı derinlikler, farklı pencereler vb.
Osilatörden daha önce gerçekte uygulanmayan kolektif bir imge olarak bahsedilmişti?
Osilatörden daha önce gerçekte uygulanmayan kolektif bir imge olarak bahsedilmişti?
Hayır, osilatör kolektif bir görüntü değil, bir gerçekliktir (bodrum katına yerleştirilmiştir):
Gerçek osilatörün kendisi + noktalar tahmindir. Noktalar yeni bir çubuğun ilk tiklerinde görünür. Ancak bir noktanın ortaya çıkması bir anlaşma için bir sinyal değildir - sadece bir uyarıdır. Daha fazla fiyat hareketi analiz edilir ve ancak o zaman anlaşma kararı verilir. Bu arada, bu grafik aynı zamanda vakaların %98-99'unda kırılmayan bir durdurma (kırmızı işaret) gösterir - bu, keskin dalgalanmalara karşı bir savunmadır. Bu aslında satın alma sinyalidir ... :)
Hayır, osilatör kolektif bir imge değil, gerçek (bodrum katına yerleştirilmiş):
Osilatörün kendisi + noktalar bir tahmindir. Puanlar yeni bir çubuğun ilk tiklerinde görünür. Ancak bir noktanın ortaya çıkması bir anlaşma için bir sinyal değildir - sadece bir uyarıdır. Daha sonraki fiyat hareketi analiz edilir ve ancak o zaman anlaşma kararı verilir. Bu arada, bu grafik aynı zamanda vakaların %98-99'unda kırılmayan bir durdurma (kırmızı işaret) gösterir - bu, keskin dalgalanmalara karşı bir savunmadır. Bu aslında satın alma sinyalidir ... :)
Peki, bu tamamen sizin sisteminiz ve verdiğim verilerle hiçbir ilgisi yok, çünkü analiz için başka veri kullanmadınız mı?
Bir dosya ekliyorum - lütfen daha önce eğittiğiniz modeli uygulayın - sonuçla ilgileniyorum.