Sinir ağının girişine ne beslenmeli? Fikirleriniz... - sayfa 80
Alım-satım fırsatlarını kaçırıyorsunuz:
- Ücretsiz alım-satım 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
Altı aylık düşüşler olmasaydı, iyi olurdu. Onları 2 yıla kadar kullandım. 2015 valkingforward ile test ederken.
NOT. Geceleri nasıl çalışabiliyorsunuz? Gündüz en verimli zamandır.
Bu program nedir?
Bu program nedir?
Sayılar Sorunu.
Eğitim sürecinde X[0 ... n-1] girişlerine beslenen n sayıdan oluşan örneklerin her biri, diğer şeyler eşit olmak üzere, birbirlerine EŞİT olacak şekilde önceden eğitilmelidir (normalize edilmelidir).
Eşleşen bir nöronun çıkışındaki Y değerinin X[0]*W[0] + X[1]*W[1] + X[2]*W[2] + ... toplamı olduğu bağlamda + X[n-1]*W[n-1], bu eşdeğerlik yalnızca bir şekilde elde edilebilir:
X[0]| + X[1]| + X[2]| + ... değerlerinin toplamları + |X[n-1]| değerlerinin tüm eğitim örneklerindeki toplamları eşit olmalıdır.
Burada W[n], X[n]'e eşit "diğer eşit koşul" olarak alınır.
Yani, "diğer eşit koşul" dikkate alındığında, iki örnek, toplamları X[0]^2 + X[1]^2 + X[2]^2 + ... ise sayısal olarak eşdeğerdir. + X[n-1]^2 aynıdır.
Örneğin :
Fiyatın artışlarına göre bazı bölümleri X[n][k]=kapat[n][k]-aç[n][k], burada n X'in değer numarası ve k örnek numarasıdır, bir eğitim örnek torbası olarak kullanılır,
o zaman |X[0][k]| + |X[1][k]| + |X[2][k]| + ... değerlerinin toplamı + |X[n-1][k]| belirli bir k örneği içinde fiyat tarafından kat edilen eğrinin yol uzunluğunu gösterir.
Yani, k eğitim örnekleri, bu örnekteki fiziksel anlamda, kelimenin tam anlamıyla fiyat eğrisi yolunun uzunluğu ile birbirlerine göre önceden normalize edilmelidir.
Ve şimdi, tüm X[n][k]'yı max'a bölerek, -+1'den az / -+1'den fazla olmayan bir aralıkta, onlar için başka bir normalleştirme yapmak mümkündür (ve gereklidir); burada max, tüm X[n][k]'dan bulunan maksimum |X[n][k]|'dır.
Daha sonra, öğrenme sürecinde, bu normalleştirilmiş X[0 ... n-1][k] örnekleri, her biri kendi d[k] puanına sahip olan ve bu örneğin toplam öğrenme sonucuna katkısını belirleyen eğitim örnekleri olarak beslenir.
Tekrar ediyorum:
Sanırım eğitim mevcut tüm k örnekleriyle değil, sadece "iyi" (ben böyle bir kelime kullanıyorum) d[k] puanına sahip olanlarla yapılmalıdır.
Bununla birlikte, "değerli" bir örnek oluşturmak için, d[k] puanlarıyla birlikte tüm k örneklerine sahip olmamız gerekir.
Ancak, bu başka bir konudur ...
Teoriyi kesinlikle açıkladım: NS'nin amacı bir şeyler gösteren kaba TS'leri filtrelemektir.
Ve yaklaşımı tarif ettim: en azından bazı sonuçlar gösteren herhangi bir TS'yi manuel olarak arayın. Ve NS ile filtreleyin. İşte orijinal TS.
Ticaret için uygun değil, ancak yaşam belirtileri gösteriyor .
Ve işte aynısı, sadece Python NS tarafından filtrelenmiş: LSTM-key.
Eğitim sırasında X[0 ... n-1] girişlerine beslenen n sayıdan oluşan örneklerin her biri, diğer şeyler eşit olmak üzere birbirlerine EŞİT olacak şekilde önceden eğitilmelidir (normalize edilmelidir).
Eşleştirilmiş bir nöronun çıkışındaki Y değerinin X[0]*W[0] + X[1]*W[1] + X[2]*W[2] + ... toplamı olduğu bağlamda + X[n-1]*W[n-1], bu eşdeğerlik sadece tek bir şekilde sağlanabilir:
X[0]| + X[1]| + X[2]| + ... değerlerinin toplamları + |X[n-1]| tüm eğitim örnekleri için aynı olmalıdır.
Burada W[n], X[n]'e eşit "diğer eşit koşul" olarak alınır.
Yani, "diğer eşit koşul" dikkate alındığında, iki örnek, X[0]^2 + X[1]^2 + X[2]^2 + ... toplamları aynı ise sayısal olarak eşdeğerdir. + X[n-1]^2 aynıdır.
Örneğin :
Fiyatın artışlarına göre bazı bölümleri X[n][k]=kapat[n][k]-aç[n][k], burada n X'in değer numarası ve k örneklem numarasıdır, bir eğitim örneği paketi olarak kullanılır,
o zaman |X[0][k]| + |X[1][k]| + |X[2][k]| + ... değerlerinin toplamı + |X[n-1][k]| belirli bir k örneği içinde fiyatın kat ettiği eğri yolunun uzunluğu anlamına gelir.
Yani, k eğitim örnekleri, bu örnekteki fiziksel anlamıyla, fiyat eğrisindeki yol uzunluklarına göre birbirlerine göre önceden normalize edilmelidir.
Ve şimdi, tüm X[n][k]'ları max'a bölerek, -+1'den az / -+1'den fazla olmayan aralıkta, onlar için başka bir normalleştirme yapmak mümkündür (ve gereklidir); burada max, tüm X[n][k]'lardan bulunan maksimum |X[n][k]|'dır.
Daha sonra, öğrenme sürecinde, bu normalleştirilmiş X[0 ... n-1][k] örnekleri, her biri kendi d[k] puanına sahip olan ve bu örneğin toplam öğrenme sonucuna katkısını belirleyen eğitim örnekleri olarak beslenir.
Tekrar:
Eğitimin mevcut tüm k örnekleriyle değil, yalnızca "iyi" (ben böyle bir kelime kullanıyorum) d[k] puanına sahip olanlarla gerçekleştirilmesi gerektiğine inanıyorum.
Ancak, "değerli" olanlardan bir örneklem oluşturmak için, yine de d[k] puanlarıyla birlikte tüm k örneklerine sahip olmamız gerekir.
Ancak bu başka bir konu...
İlginç bir şekilde yazıyorsunuz Problem sayı teorisi ile uyumsuzluk burada ortaya çıkıyor:
Mantıksız ve gerekçesiz . Sonuçta, bir örüntüye "güç" atfetmek, kabaca bir kase bulmakla eşdeğerdir . NS'ye gerek yok, sadece en yüksek güç (sayısal) endeksine sahip formasyonları alın, bunları benzer başka bir formasyonla birleştirin ve bir pozisyon açın, çünkü bu mantığa göre kazanma olasılığı sözde daha yüksektir.
Bu yüzden sayılardan uzaklaşmak ya da bir şekilde nesnel olarak (mümkün olduğunca nesnel olarak) bir desene belirli bir güç verecek bir yöntem bulmak istedim, bu da bazı bağlamlarda (diğer desenlerle karışım) yüksek bir çalışma olasılığı verdi. O zaman bir ön işleme duygusu var.
Sayılar sorunu.
...
...
Eğitim sırasında X[0 ... n-1] girişlerine beslenen n sayıdan oluşan örneklerin her biri, diğer şeyler eşit olmak üzere birbirlerine EŞİT olacak şekilde önceden eğitilmelidir (normalize edilmelidir).
...
Tekrar:
Eğitimin mevcut tüm k örnekleriyle değil, yalnızca "iyi" (ben böyle bir kelime kullanıyorum) d[k] puanına sahip olanlarla yapılması gerektiğine inanıyorum.
Ancak, "değerli" olanlardan bir örneklem oluşturmak için, yine de d[k] puanlarıyla birlikte tüm k örneklerine sahip olmamız gerekir.
...
Bir grafikteki bilgilerin vadeli olmayan bir sayıya nasıl resmileştirileceği (diğer grafiksel bilgilere göre bazı nesnel güç faktörleriyle donatılması) seçeneklerinden biri (sadece bir örnek) destek ve direnç seviyeleridir. Bunların resmileştirildiğini varsayalım. Ve fiyat bu seviyelerde sıçrar ya da kırılır.
Bu durumda, grafikte birbirini izleyen her fiyatı gösteren sayılar aynı MinMax penceresi olacaktır, yalnızca maksimum değer bu C / R seviyesi olacaktır. Fiyat ona yakınsa - o zaman 0,9 (-0,9) ve 1'e daha yakın.
Bir fiyat seviyenin bir tarafındaysa ve diğeri diğer tarafındaysa, her iki tarafın kutuplarını değiştiririz: bir tarafta seviyeye daha yakın - bunlar eksi maksimumlar ve diğer tarafta - pozitif sayısal maksimumlar. Bu sadece bir taslak, sayıların ne olması gerektiğine dair bir örnek.
Sadece penceredeki diğer sayılara göre bir konum değil, aynı zamanda bazı piyasa bağlamının bir yansıması. Başka bir seçenek: kalıpları sayılarla ifade ederiz. Ve burada bir mumdan oluşan bir A mum çubuğu formasyonumuz var, ardından fiyat geçmişte 100 üzerinden 55 kez yükseliyor. Bir sonraki AB formasyonunu (2 mumdan oluşan mum çubuğu kombinasyonu) 48 yukarı ve 52 aşağı takip eder.
Üçüncü mum çubuğu kombinasyonu ABC (üç mum çubuğunun kombinasyonu) 53 yukarı ve 47 aşağı çalışır. Ve burada tarihsel olarak fazla kilolu bir formasyonumuz var, diğeri fazla kilolu aşağı, üçüncüsü yukarı: 5, -1, 3. Bir pencerede birleştiriyoruz, -1..1 aralığında normalleştiriyoruz ve NS'nin girişi için sayılarımız olacak:
1, -1 ve0,4286. Bu, matematiksel NS için belirleyici olan nicel faktörün piyasa hakkında nesnel bilgiler taşıdığı ve NS'nin görevinin bu nesnel bilgilerden hangisinin istikrarlı ticaret için yararlı olabileceğini seçmek olduğu gerçeğinin bir örneğidir. Ve NS girişi için ortalama sayısal set olan mutlak çöpten çılgınca bir şey çıkarmak değil.