交易中的机器学习：理论、模型、实践和算法交易 - 页 325

新评论
 
雷纳特-阿赫蒂亚莫夫。

是的，那很好。

总的来说还不错。


嗯，这是一个简单的神经元，它不能够学习这么多的信息，但它很有趣。
 
马克西姆-德米特里耶夫斯基。

嗯，这是一个简单的神经元，它根本无法掌握这么多信息，但除此之外，是的，这很有趣
我可以看看原理图吗，在一张纸上？输入是什么，中间是什么，输出在哪里。因为我已经读了很多书（噪声抑制器、识别等），但随着市场的发展，我无法去读）。
 
尤里-阿索连科。
我可以看看原理图吗，在一张纸上？输入是什么，中间是什么，输出又在哪里。因为我已经读了很多书（噪声抑制器，识别等），但我不能达到市场）。


https://c.mql5.com/3/126/RNN_MT5.zip

有一个顾问和一个说明

 
马克西姆-德米特里耶夫斯基。


https://c.mql5.com/3/126/RNN_MT5.zip

有一个专家顾问和一个说明

谢谢你。它的方式类似于神经元上的噪声抑制器。这正是我所担心的。

假设一个价格系列的10个样本+假设，5个预测因子-10*5=50+它们的导数-另外50，20个额外信息的输入。至少共有120个输入。(悲伤。)

对于多层网络，或1米TF，甚至烛台内部，要计算这样的矩阵是非常困难的。

 
Maxim Dmitrievsky:


而在遗传优化过程中，当结果开始进入动荡期，这意味着什么？:) 随着时间的推移，图表应该得到改善

我不建议选择最大平衡。 优化失败表明 "边缘 "参数的问题。 试着理解失败区的参数和图像上略微偏左的那些变体之间的区别。

优化非常简单--提高优化标准，同时偶尔检查一下以前未开发的区域，"以防万一"，以免错过获得更好结果的途径（如果有）。

变种云应该逐渐向上移动，一些罕见的变种位于图表的底部。

 
尤里-阿索连科。

谢谢你。这是以类似于神经元噪声抑制器的方式进行的。这正是我所担心的。

假设一个价格系列的10个样本+假设，5个预测因子-10*5=50+它们的导数-另外50，20个额外信息的输入。至少共有120个输入。(悲伤。)

为多层网络，或为1米TF，甚至在蜡烛内计算这样的矩阵是太沉重了。


是的，当你增加输入参数时，麻烦就来了：）这就是为什么我们应该寻求逻辑核心的改进，而不是层数的改进。
 
Andrey Dik:

我不建议选择最大平衡。优化失败表明 "边缘 "参数的问题。 试着理解失败区的参数和图片中略微偏左的那些变体之间的区别。

优化非常简单--提高优化标准，同时偶尔检查一下以前未开发的区域，"以防万一"，以免错过获得更好结果的途径（如果有）。

变种云应该逐渐向上移动，一些罕见的变种位于图表的底部。


是的，跟踪止损优化出了问题，我将重写机器人逻辑并再次检查。
 
安德烈-迪克

我强烈建议不要选择最大余额。优化中的下降表明 "边缘 "参数存在问题。


我完全同意--优化是一件非常危险的事情：我作为一个百万富翁骄傲地站在上面，而我的Depo却在流逝--这是优化的通常结果。

以上是正常的余额--那是一条线。还有，为什么是随机输入的单行？如果输入是随机的，那么平衡线也应该是随机的，用置信区间 括起来!

置信区间的替代物可以是优化中的三维（彩色）图。而如果平衡伴随着这个来自优化的图形和这个三维图形有大约相同的颜色，那么圣杯就接近了。否则，这些图表不值一文。

 
桑桑尼茨-弗门科。


我完全同意你的观点--优化是一件非常危险的事情：我作为一个百万富翁自豪地站在上面，而我的Depo却在急剧下降。

这里是上面的正常余额--那是一条线。为什么是随机输入的单行？如果输入是随机的，那么平衡线也应该是随机的，用置信区间 括起来!

置信区间的替代物可以是优化中的三维（彩色）图。而如果平衡伴随着这个来自优化的图形和这个三维图形有大约相同的颜色，那么圣杯就接近了。否则，上述图表不值一文。


在我们的案例中，我们通过优化器调整神经元的权重，仅此而已......它是在逻辑中训练还是通过优化器训练，有什么区别呢？而在速度方面，我认为通过优化器，在云端的学习要快得多。

两个月内1000%，这很糟糕吗？:) 改善了我的逻辑。

在这里，确实是这样，最大的赏金出现在4月。自5月中旬以来，甚至出现了一个稳定的趋势


 

这个分支是巨大的。

谁能给我一个提示...

我有几个货币对的走势图。如何利用机器学习选择参数（手数、方向）来开仓/平仓订单，使结果尽可能多地出现在加号中？

也就是说，我需要做什么，我如何训练这个项目？

1...318319320321322323324325326327328329330331332...3399
新评论