交易中的机器学习:理论、模型、实践和算法交易 - 页 245 1...238239240241242243244245246247248249250251252...3399 新评论 СанСаныч Фоменко 2016.12.07 15:36 #2441 Andrey Dik: 我说简化、概括,但你却把它变得更加复杂和详细。很多时候就是这样做的。使用信息标准,例如Akaika。关键是这一点。模型的复杂性受到了惩罚。作为优化 的结果,选择了一个不是最准确但比较简单的模型。现在我们来举个例子。让我们在H1上抽取5000多条欧元兑美元的样本。让我们建立一个随机森林。设置最大的树数=500。我们查看了一个取决于树的数量的拟合误差的图。看来,100棵树之后的拟合误差变化很小。此外,增加样本并不能增加树木的数量。而树木是令人垂涎的图案。例如,欧元兑美元在H1上包含约100个模式。但这种模式几乎总是过度训练。如果我们粗化模型,采取并从根本上减少树的最大数量,如10棵,可能有助于打击过度训练。 toxic 2016.12.07 15:56 #2442 桑桑尼茨-弗门科。如果你粗化模型,采取并大幅减少树木的最大数量,例如10棵,这可能有助于对抗过度训练。 对于森林,过度训练不是来自于树的数量,而是来自于其无限的深度(模型的复杂性),数量减少了变化,过度训练也是如此。 [删除] 2016.12.07 15:58 #2443 问题 是。 对于森林,过度训练不是来自于树的数量,而是来自于其无限的深度(模型的复杂性),数量减少了选择,过度训练是baes 这一切都归结为50/50的分割......浪费时间。 Реter Konow 2016.12.07 16:03 #2444 我想知道的是。1.Algotrading中的神经网络训练 可以归结为什么?2.培训中使用了哪些市场动态参数?3.除了识别历史上的模式外,网络能否 "学习 "参数在当前时刻价值变化的具体特征并作出反应?(例如,急剧的波浪式上升,或平稳的下降)。 Реter Konow 2016.12.07 16:24 #2445 我认为当前参数值变化的性质对网络来说是无法识别的...不太可能。 而这看起来对预测很有希望。毕竟,只要记住这些变化的过渡期,以后就能预测它们。 toxic 2016.12.07 16:25 #2446 伊图姆。 这一切都归结为一个50/50的硬币......浪费时间。 不,有一点儿年龄。我简单地说: 你可以用MO比其他任何方式提取更多的 东西,包括 "直觉",市场上有一些模式,用MO提取它们最有效。 toxic 2016.12.08 10:54 #2447 Vizard_。我昨天勉强通过了0.69(0.68999)。就这样吧,我已经有了自己的乐趣。那很好啊!然而,同意0.69是标准手段只能划过的墙,使我投降,它不在神经元的深度,也不在森林中的树木数量,那些低于0.6的人,有一些我们不知道的技巧,这实际上是非常激励不放松的包子))。 СанСаныч Фоменко 2016.12.08 13:00 #2448 ..:酷!然而,同意0.69 这个数字是多少?我在哪里可以看到它? toxic 2016.12.08 13:38 #2449 桑桑尼茨-弗门科。 数字是什么?我在哪里可以看到它? loglos on numer.ai Awl Writer 2016.12.08 15:08 #2450 作为一个与国防部有非常间接关系的人,我不干涉讨论,但我将允许自己从我的 "钟楼 "上发表意见。一个正常的多层神经网络由神经元组成。一个神经元的激活函数是一个单调的函数,从-1增长到1(或0到1,不管怎样)。在最小输入值时,该函数给出最小的结果,在最大值时,它给出最大的结果。我们在N维空间的某个片段(输入云)上用N个输入训练一个神经网络。神经网络不知道该如何处理这个云之外的数据。但我们给它提供了这些数据,并期望它能产生一些结果。ivanivan_11:嘻嘻。你是多么的被误导。事实证明,纸质护目镜是对抗神经网络的最佳伪装手段科诺标签。3.除了识别历史上的模式外,网络能否 "学习 "某一时刻参数值变化的具体性质并对其作出反应?(例如,急剧的波浪式上升或平稳的下降)。我认为网络没有认识到当前参数值变化的性质......。不太可能。 这看起来对预测很有希望。毕竟,只要记住这些变化的过渡期,以后就能预见到这些变化。比方说,市场上出现了异常情况,价格出现了飙升。或者说,在人脸上训练的NS,收到了彩色眼镜的图像作为输入。神经元变得过度兴奋,其输出远至乙状结肠的左侧或右侧分支。这意味着,在NS的输出端,我们获得了一些不可预知但非常强烈的信号。 如果训练样本中有这样的尖峰(例如,所有数据的1%),算法backprop会 "放松 "所有权重,而NS没有时间 "学习 "任何东西,但它在99%的 "正常 "数据上的工作会退化。 最好不要将NS "锁定 "在不可能的要求上,而是教它如何抵御 "不正常 "的输入。而在这里,我们有两个选择,IMHO。1.引 入一个或多个神经元层,其激活函数的形式为高斯曲线 而不是西格玛。这样的神经元在有限的输入范围内会产生一个接近1的结果,而在数字轴的其他部分则接近0。2) 改变对NS输出的解释。而不是通常的二进制解释(0 - 没有交易信号,1 - 交易信号),我们提出以下解释:0 - 没有信号,0.5 - 有信号,1.0 - 没有信号。在价格意外波动的情况下,NS的输出将接近一个极端值--0或1,它将不会产生任何错误的信号。尊敬的专家,在MO的文献中是否有提到这种东西,你觉得它有用吗?欢迎大家提出意见。 1...238239240241242243244245246247248249250251252...3399 新评论 您错过了交易机会: 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符(不带空格) 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号,请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置,否则您将无法登录。 忘记您的登录名/密码? 使用 Google 登录
我说简化、概括,但你却把它变得更加复杂和详细。
很多时候就是这样做的。使用信息标准,例如Akaika。
关键是这一点。
模型的复杂性受到了惩罚。作为优化 的结果,选择了一个不是最准确但比较简单的模型。
现在我们来举个例子。
让我们在H1上抽取5000多条欧元兑美元的样本。让我们建立一个随机森林。设置最大的树数=500。我们查看了一个取决于树的数量的拟合误差的图。看来,100棵树之后的拟合误差变化很小。此外,增加样本并不能增加树木的数量。而树木是令人垂涎的图案。例如,欧元兑美元在H1上包含约100个模式。但这种模式几乎总是过度训练。
如果我们粗化模型,采取并从根本上减少树的最大数量,如10棵,可能有助于打击过度训练。
如果你粗化模型,采取并大幅减少树木的最大数量,例如10棵,这可能有助于对抗过度训练。
对于森林,过度训练不是来自于树的数量,而是来自于其无限的深度(模型的复杂性),数量减少了选择,过度训练是baes
我想知道的是。
1.Algotrading中的神经网络训练 可以归结为什么?
2.培训中使用了哪些市场动态参数?
3.除了识别历史上的模式外,网络能否 "学习 "参数在当前时刻价值变化的具体特征并作出反应?
(例如,急剧的波浪式上升,或平稳的下降)。
我认为当前参数值变化的性质对网络来说是无法识别的...不太可能。
而这看起来对预测很有希望。毕竟,只要记住这些变化的过渡期,以后就能预测它们。
这一切都归结为一个50/50的硬币......浪费时间。
不,有一点儿年龄。我简单地说: 你可以用MO比其他任何方式提取更多的 东西,包括 "直觉",市场上有一些模式,用MO提取它们最有效。
我昨天勉强通过了0.69(0.68999)。就这样吧,我已经有了自己的乐趣。
那很好啊!
然而,同意0.69是标准手段只能划过的墙,使我投降,它不在神经元的深度,也不在森林中的树木数量,那些低于0.6的人,有一些我们不知道的技巧,这实际上是非常激励不放松的包子))。
酷!
然而,同意0.69
数字是什么?我在哪里可以看到它?
作为一个与国防部有非常间接关系的人,我不干涉讨论,但我将允许自己从我的 "钟楼 "上发表意见。
一个正常的多层神经网络由神经元组成。一个神经元的激活函数是一个单调的函数,从-1增长到1(或0到1,不管怎样)。在最小输入值时,该函数给出最小的结果,在最大值时,它给出最大的结果。
我们在N维空间的某个片段(输入云)上用N个输入训练一个神经网络。神经网络不知道该如何处理这个云之外的数据。但我们给它提供了这些数据,并期望它能产生一些结果。
嘻嘻。你是多么的被误导。
事实证明,纸质护目镜是对抗神经网络的最佳伪装手段
科诺标签。
3.除了识别历史上的模式外,网络能否 "学习 "某一时刻参数值变化的具体性质并对其作出反应?
(例如,急剧的波浪式上升或平稳的下降)。
我认为网络没有认识到当前参数值变化的性质......。不太可能。
这看起来对预测很有希望。毕竟,只要记住这些变化的过渡期,以后就能预见到这些变化。
比方说,市场上出现了异常情况,价格出现了飙升。或者说,在人脸上训练的NS,收到了彩色眼镜的图像作为输入。神经元变得过度兴奋,其输出远至乙状结肠的左侧或右侧分支。这意味着,在NS的输出端,我们获得了一些不可预知但非常强烈的信号。
如果训练样本中有这样的尖峰(例如,所有数据的1%),算法backprop会 "放松 "所有权重,而NS没有时间 "学习 "任何东西,但它在99%的 "正常 "数据上的工作会退化。
最好不要将NS "锁定 "在不可能的要求上,而是教它如何抵御 "不正常 "的输入。而在这里,我们有两个选择,IMHO。
1.引 入一个或多个神经元层,其激活函数的形式为高斯曲线 而不是西格玛。这样的神经元在有限的输入范围内会产生一个接近1的结果,而在数字轴的其他部分则接近0。
2) 改变对NS输出的解释。而不是通常的二进制解释(0 - 没有交易信号,1 - 交易信号),我们提出以下解释:0 - 没有信号,0.5 - 有信号,1.0 - 没有信号。在价格意外波动的情况下,NS的输出将接近一个极端值--0或1,它将不会产生任何错误的信号。
尊敬的专家,在MO的文献中是否有提到这种东西,你觉得它有用吗?欢迎大家提出意见。