文章 "神经网络变得轻松（第六部分）：神经网络学习率实验"

[MetaQuotes]

新文章 神经网络变得轻松（第六部分）：神经网络学习率实验已发布：

我们之前已研究过各种类型的神经网络及其实现。 在所有情况下，训练神经网络时都使用梯度下降法，为此我们需要选择学习率。 在本文中，我打算通过示例展示正确选择学习率的重要性，及其对神经网络训练的影响。

第三个实验与本文的主题略有偏离。 其思路来自前两个实验。 因此，我决定与您分享。 在观察神经网络训练的同时，我注意到不存在分形的概率在 60-70％ 左右波动，且很少低于 50％。 无论买入或卖出，出现分形的可能性均约为 20％ 至 30％。 这是很自然的，因为图表上的分形比趋势内的烛条少得多。 因此，我们的神经网络被过度训练，且我们获得了以上结果。 几乎 100％ 的分形都遗漏了，且只能捕获罕有的分形。  

为了解决这个问题，我决定稍微补偿样本的不均匀性：由于参考值中缺乏分形，因此在训练网络时我指定了 0.5 来替代 1。

            TempData.Add((double)buy);
            TempData.Add((double)sell);
            TempData.Add((double)((!buy && !sell) ? 0.5 : 0));

该步幅产生了良好的效果。 以 0.01 的学习率和从之前的实验获得的权重矩阵运行 智能交易系统，在 5 个训练迭代后显示出约 0.34 的稳定误差。 分形遗漏的比例下降到 51％，命中百分比则增加到 9.88％。 从图表中可以看出，EA 生成的信号会成组出现，从而显示某些特定区域。 显然，这个想法需要额外的开发和测试。 但结果表明这种方法很有前途。 

作者：Dmitriy Gizlyk