交易中的机器学习：理论、模型、实践和算法交易 - 页 1884

[Rorschach]

Evgeny Dyuka:
1.这是正确的，你必须通过所有的选项。问题是，这太耗费时间了。
2.我试了一下，情况变得更糟。
3.你怎么知道她在用哪些？这是一个黑匣子，所以我什么都喂。

有一些超参数优化器，如MT测试器中的优化器。你把它设定为24小时，它就会把它捡起来。

我很无聊地等待它的结果，但这是NS的一个特殊性，没有精确的科学，只有经验（我自己和别人的）和直觉。我可以在这里或私下里分享我的结果。

我之前贴了一个训练的例子。这个想法是要教会网络购买信号。然后反向进入，网络应该产生卖出信号。这是一个二元分类，不管是否有信号。你可以教网络识别买入和卖出，但我认为这更糟。输出的范围被限制在0-1；如果我们只寻找买入，范围被分为2个等级（有买入和没有买入），阈值可以移动0.8。如果我们寻找买入或卖出，0-1被分为3个部门：买入、卖出和介于两者之间的东西。我认为，只搜索买入信号是：2倍的训练实例（翻转输入），更小的网络规模（任务更容易，需要更少的神经元），更少的训练时间，更容易解决问题（只考虑1类），但这只是理论。

我有一个想法，网络会自己寻找功能，你给一个价格，想要的信号，它就会自己做一切。我已经开始使用lstm，它似乎是完美的，但到目前为止还不是很好。我想试试普通的网，如果不行的话，我会想接下来会发生什么。CNN有点乱，我已经厌倦了调整层和核心的配置。也许，将小波送入常规网络会更容易。如果它不适合我，我将不得不浪费更多的时间来选择输入信号，但在这种情况下，我有一个问题：是否真的有必要，使用 "经典 "系统会更容易，它将更容易理解，更可靠，更经济，更容易测试。

而你如何分析结果，只是看数字？这是你使用的代码吗？

plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])

你建立2个图，托盘上的错误和测试，你可以用它们来了解网络缺少什么，以及向什么方向移动。

[Evgeny Dyuka]

Rorschach:

我也犹豫过要不要等它算数，但这是NS的一个特殊性，没有精确的科学，只有经验（别人的和我自己的）和直觉。你可以在这里或私下里分享你的结果。

我们是在谈论图片还是已经在谈论市场？

那你是如何分析结果的，你只看数字吗？这是你使用的代码吗？

你建立两个图表，一个用于托盘，一个用于测试。 利用它们，你可以了解网络缺少什么，以及向什么方向发展。

我可以很容易地看到，我在这个过程中 ))

起初我用标准的算法来画它

import matplotlib.pyplot as plt

但这是没有用的，因为巨大的噪音，在10个纪元之后，图就已经在水平线上了。
我有二元分类，我分析每个答案中网的确定性水平，即例如正确答案是0 1，网给出0.4 0.6--这是一个好的答案，更多的时候正确答案是0 1，网给出0.49 0.51
当答案是成千上万的时候，我可以按确定性分组并做分析。

[Evgeny Dyuka]

Rorschach:

结果在实践中，这就是今天的欧元对M2，神经网络开始理解的东西，但到目前为止还很弱。
蓝色是预测上升，黄色是预测下降。

[Rorschach]

Evgeny Dyuka:

你一眼就能看出一个人在真实的过程中))

起初我用标准的

但这没有什么用处，因为在10个纪元后，图表的噪音很大，位于水平线上。
我有二元分类，我分析每个答案中网的确定性水平，即例如正确答案是0 1，网给出0.4 0.6--这是一个好的答案，更多的时候正确答案是0 1，网给出0.49 0.51
当答案是成千上万的时候，我可以按确定性分组并做分析。

你能贴出这些图表吗？纪元越多，棍棒尺寸越小，权重变化的次数就越多。另外，在优化器中改变lerning_rate是有意义的，因为它是+-个数量级的。你用的是什么优化器？

[Evgeny Dyuka]

Rorschach:

你能贴出这些图表吗？除了epochs之外，还应该改变批次大小；epochs越多，批次大小越小，权重改变的次数就越多。另外，在优化器中改变lerning_rate是有意义的，因为它是+-个数量级的。你用的是什么优化器？

对于图表，我需要运行教程，然后...但没有什么有趣的东西--垂直向下然后水平，没有像教程中那样平滑下降))
Bach 128，如果我们说的是同一件事。它应该永远是128是与TPU有关的，这样的要求。
也停止了改变纪元，150年后通常没有什么变化。
我不能让它与SGD一起工作。

[Evgeny Dyuka]

罗夏。

这是我的网格，我在这里动态地改变了层的数量

def make_model(arr_size, lays):
  sgd = SGD(lr=0.01, decay=1 e-6, momentum=0.9, nesterov=True)

  #res = 2 # количество ответов
  act = "softmax"
  #act = "sigmoid"
  #opt = sgd
  opt = 'adam'

  model = Sequential()

  if lays == 1:
    model.add(Dense(int((arr_size-res)*k), input_dim=(arr_size-res), activation='relu'))
    model.add(Dropout(dropout))

  if lays == 2:
    model.add(Dense(int((arr_size-res)*k), input_dim=(arr_size-res), activation='relu'))
    model.add(Dropout(dropout))
    model.add(Dense(int((arr_size-res)*0.5*k), activation='relu'))
    model.add(Dropout(dropout))

  if lays == 3:
    model.add(Dense(int((arr_size-res)*k), input_dim=(arr_size-res), activation='relu'))
    model.add(Dropout(dropout))
    model.add(Dense(int((arr_size-res)*0.5*k), activation='relu'))
    model.add(Dropout(dropout))
    model.add(Dense(int((arr_size-res)*0.3*k), activation='relu'))
    model.add(Dropout(dropout))

  if lays == 4:
    model.add(Dense(int((arr_size-res)*k), input_dim=(arr_size-res), activation='relu'))
    model.add(Dropout(dropout))
    model.add(Dense(int((arr_size-res)*0.7*k), activation='relu'))
    model.add(Dropout(dropout))
    model.add(Dense(int((arr_size-res)*0.5*k), activation='relu'))
    model.add(Dropout(dropout))
    model.add(Dense(int((arr_size-res)*0.3*k), activation='relu'))
    model.add(Dropout(dropout))

  #model.add(Dense(int((arr_size-res)*0.1*k), activation='relu'))
  #model.add(Dropout(dropout))

  model.add(Dense(res, activation=act))

  if res==1:
    ls="binary_crossentropy"
  else:
    ls="categorical_crossentropy"
  model.compile(loss=ls, optimizer=opt, metrics=['accuracy'])
  return model

[Rorschach]

Evgeny Dyuka:

这是我的网格，我在这里动态地改变了层的数量

你可以尝试用别的方法代替Dropout，减少神经元的数量。增加权重的初始化和归一化。输入的数据是否经过某种处理？我的结果在输入数据乘以数量级后变得更好。 看来我终究要摆脱非平稳性。

[Uladzimir Izerski]

Rorschach:

你可以尝试用别的方法代替Dropout，减少神经元的数量。增加权重的初始化和规范化。输入的数据是否经过某种方式的处理？在将输入数据乘以一个数量级后，我得到了更好的结果，看来我们毕竟需要摆脱非平稳性。

没有任何套餐会给出准确的结果。任何NS只能给出一个向上、向下或未知的概率预测。价格并不服从神经网络，很容易与之背道而驰。65%的选项已经可以接受。

[Rorschach]

Uladzimir Izerski:

没有任何套餐会给出准确的结果。任何NS只能给出一个向上、向下或未知的概率预测。价格并不服从神经网络，很容易与之背道而驰。65%的选项已经可以接受。

这里是56%。蓝色是应该的，红色是网络反应。百分比并不意味着什么。

这里是48%，这个数字甚至更低，但至少有一些影响。

[Evgeny Dyuka]

Rorschach:

你可以尝试用别的方法代替Dropout，减少神经元的数量。增加权重的初始化和规范化。输入的数据是否经过某种方式的处理？我在输入数据乘以数量级后得到了更好的结果。 看来我终究需要摆脱非平稳性。

是的，你必须通过所有的人，否则你不会。
试试玩这个，这对了解参数如何影响结果很有好处。