The main advantage of OpenNN is its high performance. It is developed in C++ for better memory management and higher processing speed, and implements CPU parallelization by means of OpenMP and GPU acceleration with CUDA.
N+1 совместно с МФТИ продолжает знакомить читателя с наиболее яркими аспектами современных исследований в области искусственного интеллекта. В прошлый раз мы писали об общих принципах машинного обучения и конкретно о методе обратного распространения ошибки для обучения нейросетей. Сегодня наш собеседник — Валентин Малых, младший научный...
事实上，他们说在互联网和C++中存在大量的神经元。但我还没有找过他们。
http://www.opennn.net/
https://www.neuraldesigner.com/
我开始探索神经网络。
我正在寻找可以直接在MT5中实现的选项。
我对使用ALGLIB（https://www.mql5.com/ru/articles/2279）的变体感兴趣，但从网络描述来看，它是一个没有反馈的顺序网络。而缺点是，它只能由一个处理器线程（处理带有神经网络的专家顾问）来训练。
我认为在文章https://www.mql5.com/ru/articles/497 的神经网络中加入2个隐藏的顺序层，然后在测试器中通过完全的蛮力或遗传来训练它，这并不是太困难。但在这种情况下，你可以使用更多的计算线程（你的处理器的核心，在网络和云中）。我弄得对吗？
在训练这样的网络时，如何为正确的答案（购买和销售地点）添加人工指示？
也许在某个地方已经有了一个多层顺序网络的库？
另外，我不太理解使用内层的用处，对于外汇/股市交易的目的。添加它们有意义吗？为什么？
MLP不利于市场预测，见上述视频，它需要RNN，即有记忆的网络。
https://nplus1.ru/material/2016/11/04/recurrent-networks
然而却没有令人满意的交易结果，甚至在演示中也是如此!
这是一个优化的问题，现在还没有必要对所有的版本进行测试，等我完全实现了所有的功能之后再进行测试。
训练一个神经网络（NS）来跨越两个MA的实验失败了。它被训练为只识别向上的交叉点。
在实验中，选择了NS-3,3,3,1，并对其进行了测试，用于训练和识别人工创造的模式。然而，在学习识别MA后，没有一个交叉点被识别。原因是--NS需要更多的对比度图像，并不关心输入之间0.01-0.1的所有差异。
对于一个给定的NS结构，在不低于0.2-0.3的信号差时，很可能获得可靠的识别。
MLP你所有的时间和会给出这样一个烂摊子，我已经用他们做了实验，没有办法拿起层 - 然后重新训练，然后重新训练不够的层，然后他们的数量
即使在演示中，我也看不到令人满意的结果!
没有人会花几个月的时间制定一个策略，然后在模拟账户上夸夸其谈。这种东西是在真实的基础上进行交易的，而交易历史对所有人都是隐藏的。我甚至在论坛上看到有人故意在两个经纪商那里交易，在一个经纪商那里轮流亏损，在另一个经纪商那里补偿损失，这样，连经纪商都不知道哪些交易是用策略做的，哪些是假的。
有结果了。有时，好的预测器组合和模型会带来几个月的利润，更多时候--更少。但他们被其他人所取代。
我个人认为--神经元、森林、回归--所有这些对外汇来说都太弱了。原因是价格行为一直在变化，今天有利可图的规则在一周前可能是无利可图的。而标准的方法--采取几个月的指标和价格并训练神经元--意味着它必须为所有两个月的价格行为找到相同的规则。而且没有这样的规则，没有人知道它会发现什么，但99%的时候它都是错的。有时，该模型可以很幸运地落入那1%，但它离圣杯太远了，这样的专家顾问通常交易良好，直到第一次止损，然后可以被抛出。
我正在研究模式识别的模型，这些模型研究历史上类似模式后的价格行为，并利用这些统计数据进行交易。
我还没有在R中看到一个能满足我所有需求的软件包，我有一个从别人那里零散组装的模型，加上我自己的自行车。我所看到的最接近模型的描述是在另一个主题中，我建议从这个开始建立你的圣杯（下面引用）。在这个过程中会出现新的问题，你必须对它们进行思考和实验。
关于交易、自动交易系统和策略测试的论坛
分析模式最重要的统计学特征，并在此基础上选择一种交易方法。
Vladimir, 2017.04.06 06:20
在代码库中查找我的最近的邻居指标。该方法非常简单。设置当前模式的长度，从历史上找到类似的模式（例如使用相关性作为模式之间的距离），通过加权他们各自的预测，从过去的模式预测未来的价格行为。这与聚类，或RBF，或SVM，或GRNN基本相同。这完全取决于你如何衡量当前模式与过去类似模式之间的距离。阅读关于GRNN和贝叶斯。那里的预测理论是用统计分布 来描述的。关于GRNN和上述预测方法有很多文章，而这一切都可以归结为一个简单的公式。
预测 y = SUM y[k]*exp(-d[k]/2s^2) / SUM exp(-d[k]/2s^2)
其中y[k]是第k个过去的模式，d[k]是第k个模式到当前模式的距离。如果距离有高斯分布，那么d[k]=（x-x[k]）^2。对于一个任意的（超高斯）分布，d[k]=|x-x[k]|^p，其中你选择p取决于你是想给最近的邻居更多的权重（大p），还是像社会主义那样给所有邻居几乎相同的权重（小p）。如果p=0，我们就有完全的社会主义。
在熟悉了最近的邻居和GRNN之后，下一个明显的问题出现了。如果考虑到时间轴的扭曲（即过去的模式可能看起来像当前的模式，但在时间上被拉伸或压缩），如何测量当前模式和过去模式之间的距离。这就是问题所在。
有谁试过将遗传编程作为一种ML方法？
像混沌猎人？
MLP不适合用于市场预测，见上述视频，它需要RNN，即有记忆的网络。
https://nplus1.ru/material/2016/11/04/recurrent-networks
如果我没有弄错的话，RNN在MT5中的实施将是非常困难的，好的结果需要购买或内部开发，需要巨大的劳动力成本。
如果你向MLP发送关于当前柱状体的价格和指标信息，以及之前10-30个柱状体的相同信息，这将是一种记忆。有些神经元会处理当前的状态，有些神经元会处理最近的过去的情况发展。
在手动交易时，我们也要看过去的几个柱子，而不仅仅是看指标的当前状态。
很明显，计算量会增加，这就是为什么我对将计算量从一个核心转移到处理器、网络或云的所有核心的可能性感兴趣。这怎么可能做到呢？至少对MLP来说是这样。
有谁试过将遗传编程作为一种ML方法？
像混沌猎人？
很明显，计算量会增加，这就是为什么我对将计算从一个核心转移到处理器的所有核心、网络或云的可能性感兴趣。这怎么可能做到呢？至少对MLP来说是这样。
在OpenCL上，如果你不偷懒，就不会这样做 ))