The following graph shows the historical trend of long-short positions on fxTrade platform alongside the market price for the selected currency pair and time period. Note the Net Position graph is calculated by subtracting the percentage of short positions from long positions. For example, a net position of +20% for EUR/USD means percentages of...
我仍然需要大量的训练，才能在这个问题上与你进行对话......而且你不一定要用神经元，你也可以用福雷斯特，它更容易附着在目标上
...
一般来说，一切都可以，但有一个细微的差别--我试过的那些优化器不能应对权重，它们只是找到一些局部最小值，当所有的结果都将等于0.5时，以最小化平均误差，在这一点上卡住。你需要在这里运用一些技巧，我还没有任何进一步的进展。
神经元的结构越复杂--权重就越多，优化算法就越难找到它们，对于大型神经元来说，它们根本就变得愚蠢，几乎不能改善初始结果。
答案并不那么简单。这里有一个方法，例如，用神经元，但你需要了解神经元是如何工作的，它有哪些公式，等等。
假设你有一个简单的神经元...
код
上面的代码可以塞进优化器...
你在讲什么故事))))
如果不是什么秘密，你为什么不喜欢backprop？更准确地说，在一层和一个目标的情况下，一切都被大大简化了，迭代时你需要从权重中减去误差乘以输出量来收敛，德尔塔法则被称为，或希伯法则，我不记得确切的。Wt = Wt-1 - lernrate*error*Input，一般说来，通常的梯度下降法
不久前，在讨论MT优化器的分支中，不是你在R上演示了你的超级算法吗？这不是很有效吗？
我，是的，不是。
如果没有什么秘密，Backprop有什么问题？
我知道如何进行梯度下降，但它需要为每个具体的训练实例设定一个目标--考虑训练实例的结果，并在导数方向上拉动权重，使结果更接近真实的结果。就这样轮流在所有的训练实例上进行。
而这段代码是对如果你没有目标，只是想教你的神经元在利润方面进行交易，该怎么办的问题的回答。只要有利可图，就让它自己判断在哪里买入或卖出比较好。
因此，我们给它以小节的增量，得到对下一个小节的预测，根据预测模拟交易，并找到交易比率scarpe。这个比率洗牌是给神经元的对整个输入数据集的唯一估计。
优化器将优化神经元的权重，使比率锐利度增长。
如果你找到权重与锐利度的梯度--你可以做梯度下降，这将比盲目改变权重好得多。
我，是的，不是。
在R的几十万个包中，难道就没有一个能做得令人满意的工作吗？
在R的几十万个包中，难道就没有一个能令人满意地解决这个问题吗？
有一些软件包可以保证解决这个问题，但我没有时间等待几个月的结果，我最好是在一个周末内完成。
这项技术不适合家用电脑。
有一些软件包可以保证解决这个问题，但我没有时间等待几个月的结果，我最好是在一个周末完成。
这项技术不适合家用电脑。
- 什么，汽车不能很好地启动？
- 不，它启动得很好，但需要很长的时间。
如果该技术不能在可接受的时间内解决问题，就意味着该技术不存在。
要优化多少个参数，在什么范围内，以什么增量进行优化？
从onada这里下载了历史上的买家与卖家的平衡数据https://www.oanda.com/forex-trading/analysis/historical-positions
绘制并计算余额与价格的相关性
layout(1:2)
plot(oanda$price ,t="l" , main = "EUR")
plot(oanda$pct_long ,t="l" , main = "balanse",col=2)
abline(h = 50)
cor(oanda$pct_long , oanda$price)
相关系数-0.76
有趣的是，价格向相反的方向移动，甚至不是相对于平衡的绝对值，而是相对于平衡变化的动态......。
在其他高流动性的市场上也使用了完全相同的机制，这种平衡可以通过其他方式看到，例如在市场玻璃中。我相信很多人都知道，我承认我自己可能已经知道6年了，但我是为那些不知道的人写的，它将是有用和有趣的。
如果平衡使市场运转，也许你最好预测平衡而不是价格。总之，交易策略中的价格预测无非是对交易者未来行动的预测，不管它听起来多么平庸和琐碎，但当你开始思考如何能预测人群时，它就会变得更加有趣....。我认为要了解群众，首先要了解自己，因为我们就是群众。你如何预测人群？ 你有什么想法？
出于某种原因，谈话不断地漂移到对某些模型的优点和缺点的讨论。
尽管没有多少经验告诉我，对成功交易的贡献是非常小的。
正是对目标及其预测因素的定义，决定了它。
关于ZZ的例子，我多次试图表明，即使像ZZ这样明显的、能说明问题的、美丽的目标变量也是不一样的，在仔细检查时有无法克服的障碍。
如果我们谈论预测因素，对我这个一生都在从事经济工作的人来说，非常明显的是：。
如果一个人只专注于解决这两个基本面的经济和外汇预测，那么成功将只来自这两个参数。而选择与目标及其预测因子最匹配的模型只能略微提高性能，可能会对模型的寿命给出一些有效的考虑，而不需要重新训练。
我再次呼吁将重点放在目标变量上，并对这个特定的目标变量的预测因素进行论证。
同意。
而这段代码是对这样一个问题的回答：如果你不定义目标，只想教神经元在有利的一面进行交易，该怎么做？让它自己决定在哪里买入更好，在哪里卖出更好--只要有利可图。
因此，我们给它以小节的增量，得到对下一个小节的预测，根据预测模拟交易，并找到交易比率scarpe。这个比率洗牌是给神经元的对整个输入数据集的唯一估计。
优化器将优化神经元的权重，使比率锐利度增长。
如果你发现权重与锐利率的梯度--你可以做一个梯度擒纵器，它将比盲目改变权重好得多。
说实话，我没有试过，由于某些原因，它马上就像炼金术，不是一个很好的主意，对于有少量实例的单层perseptron，也许有些东西会慢得可怕，多层的就不行了，IMHO它没有什么用。此外，TS的盈利能力直接取决于对总回报率的预测，由N bars ahead，不可能纠正不好的预测，优化整个战略是更多的风险，欺骗自己。