交易中的机器学习：理论、模型、实践和算法交易 - 页 362 1...355356357358359360361362363364365366367368369...3399 新评论 Maxim Dmitrievsky 2017.05.18 20:49 #3611 交易员博士。对前一百页的总结 :)神经元和几乎所有其他流行的模型都离人工智能很远。他们可以简单地找到这样的预测值组合，以达到所需的学习精度，在未来的预测中，他们对过去的结果进行插值（或外推），以获得新的预测。这意味着，如果我们以Ma、Rci和Stochastic为预测因子，并以人字形反转作为训练目标来训练神经网络--我们会对神经网络说 "这三个预测因子可以预测反转。而神经网络本身将无法弄清这些预测器是否真的适合。它将以可接受的精确度记住这些数据，在交易中，我们希望在反转之前保存Ma、Rci和随机指数的相同组合。但他们不会，而且会失败。一个在无用的预测器上训练的模型会失败，即使它是gbm，即使它是神经网络，即使它是回归。你甚至可以生成随机数列并将其作为预测器，神经元会在其中找到重复的组合并记住它们。 选择预测器和训练的目的，使用其他工具，这是人类数据挖掘者的任务。而训练模型（神经元）是倒数第二步的小事。预测器必须与训练数据上的目标保持相关性，包括过去和未来。这就是为什么SanSanych谈到要在不同的文件上测试模型，只是为了确保找到的依赖关系不会因为新的数据而消失。 也就是说，我们仔细研究并收集预测因素和目标，训练模型并测试它。然后我们在模型的全新数据上进行测试。如果这两种情况下的预测准确率不一致，那么预测者或目标就不合适。我们应该再找一个。在我看来，神经元学不适合预测非平稳的时间序列。价格行为不断变化，发现的模式在下班后停止工作，一切都很混乱。然后有人拿着一个神经元库，给它几个月的价格，要求找到这段时间内重复的依赖关系。但没有重复的依赖性，神经元能找到并记住的东西将只是一个100%的随机巧合。如果我们采取一个神经元，那么我们可以只给它加工过的价格（而不是纯粹的ohlc），比如说指标。 你为什么这么狭隘，每个人都在这里写，好像你从来没有见过比胡萝卜更甜的东西 ))不要去管预测器，教神经元去找这些预测器，教神经元去教神经元，实验 :) 显然，把简单的指标，按之字形送入输入和输出是非常愚蠢的，我不知道为什么大家都在讨论这个问题 :)当然这也不是人工智能，这只是分类，你根本不需要神经元！"。你可以用贝叶斯分类器来做 Forester 2017.05.18 20:53 #3612 马克西姆-德米特里耶夫斯基。 为什么要想得这么狭隘，这里的每个人都写得好像他从来没有见过比胡萝卜更甜的东西 ))去他妈的预测器，教神经元去找这些预测器，教神经元去教神经元，实验:) 我认为neuronka应该把无用的预测器设置为0--它们不会影响输出！我认为这一点很重要。唯一的区别将是所有预测因子之间的计算速度，以及最重要的预测因子中的一半。但这也很重要。 Maxim Dmitrievsky 2017.05.18 20:57 #3613 elibrarius。 那么在我看来，神经元也应该把无用的预测器设置为0--它们不会影响输出!唯一的区别将是所有预测器和一半最重要的预测器之间的计算速度。 这就是为资源密集型任务创建的神经元，唯一的问题是，在mt5中它非常有限。你可以创建非常复杂的、原创的和非显而易见的模型，只有这样，应用NS的潜力才会被披露出来，但肯定不是那些技术，这里讨论的是这些技术，这就像初学者的基础知识：)如果你没有足够的能力，有服务器用于培训NS...在我看来，任何可以在普通PC上5-30分钟内完成训练的东西，根本不是神经元和原始的东西 :) Forester 2017.05.18 21:01 #3614 马克西姆-德米特里耶夫斯基。 这就是为资源密集型任务创建的神经元，唯一的问题是，在mt5中，它非常糟糕。你可以创建非常复杂的、原创的、不显眼的模型，只有这样，NS应用的潜力才会显现出来，但肯定不是那些技术，这里讨论的是基础知识，就像初学者的基础知识 :)我打算在纯MQL中使用神经元进行优化（选择指标的参数），并在网络或云中运行它。20000个代理可以计算 - 就速度而言，不可能与任何R相比。尽管R似乎也有任务分发到Azure云中 Maxim Dmitrievsky 2017.05.18 21:02 #3615 elibrarius。我打算在纯MQL中使用神经元进行优化（为指标选择参数），并在网络或云中运行。20000个代理可以算作--没有任何一个R可以通过速度来与其他的R相比。 我的意思是，mt5中的神经元是不够的，只有一个:) Forester 2017.05.18 21:07 #3616 马克西姆-德米特里耶夫斯基。 我的意思是，mt5中的神经元很少，只有一个:) 嗯，最重要的还是输入数据的质量，如果你有，那么即使是1个神经元也能解决问题。 Maxim Dmitrievsky 2017.05.18 21:10 #3617 elibrarius。 那么，最重要的还是定性的输入数据，如果你有，那么1个神经元就能解决问题。 不，它不会。如果你增加样本，你的神经元就会因压力而萎缩并爆裂 :)它将无法近似于这样的样本，将永久地输出0.5 Forester 2017.05.18 21:32 #3618 马克西姆-德米特里耶夫斯基。 不，它不会。如果你增加样本，你的内脏就会因压力而收缩并爆裂 :)它将无法近似于这样的样本，并将在输出端不断产生0.5。如果所有输入的乘数都是1，那么0.5将是0.5。但是，如果网络学习并将无关紧要的输入的乘数设置为0，而将最重要的输入设置为1，那么一切都会好起来。输出当然不会是1，但例如反应如果输出>0.8 但不幸的是，没有任何指标能与正确的产出相关联。因此，缩水现象肯定会发生。你只需要将概率弯曲到你的一侧 Maxim Dmitrievsky 2017.05.18 22:01 #3619 elibrarius。0.5将是如果所有输入都有乘数=1。而如果网络学习后将不重要的输入设置为0，将最重要的输入设置为1，那么一切都会好起来。输出当然不会是1，但例如反应如果输出>0.8 但不幸的是，没有任何指标能与正确的产出相关联。这就是为什么缩减是必然会发生的。你只需要让概率变得对你有利。 不是说它们不相关，当样本增加时，它们会自相矛盾，是的，最后要么输出总是0，要么是1，要么是0.5......更多的是对于1个神经元。因此，如果>0.5卖出，<0.5买入。你设置正确的（在你看来）预测器和正确的答案，也就是说，如果psi是超卖的，市场在接下来的n个柱子上增长，那么输出0，如果psi是超买的，市场下跌，那么输出0。但也会有很多情况是反过来的，它钝化了，混合了信号，进入了恍惚状态。因此，输出将总是在0.5左右，在一个方向或另一个方向有非常小的偏差......这将发生在所有振荡器上，因为它们根本不是预测器，它们是价格的衍生物 :) Алёша 2017.05.18 23:08 #3620 交易员博士。因此，如果我们采取，例如，Ma、Rci和Stochastic作为预测器，并使用人字形反转作为训练目标来训练神经网络--我们告诉神经网络 "这三个预测器可以预测反转。而神经网络本身也不会知道这些预测器是否真的适合。它将以可接受的精确度记住这些数据，在交易中，我们希望在反转之前保存Ma、Rci和随机指数的相同组合。但他们不会，而且会失败。 我认为把分类和回归看作是N-d 中的不同类型的平均点更为正确，在一些核的附近，例如在kNN ，据说这是一个 "理想的 "近似器，但很慢，不实用。在分类中，只有反应是平均的，而在回归中则是皮卡和反应是平均的。显然，如果这种平均法混合了矛盾的点，那么结果将是嘈杂的，而不是明显的。 1...355356357358359360361362363364365366367368369...3399 新评论 原因: 取消 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
对前一百页的总结 :)
神经元和几乎所有其他流行的模型都离人工智能很远。他们可以简单地找到这样的预测值组合，以达到所需的学习精度，在未来的预测中，他们对过去的结果进行插值（或外推），以获得新的预测。
这意味着，如果我们以Ma、Rci和Stochastic为预测因子，并以人字形反转作为训练目标来训练神经网络--我们会对神经网络说 "这三个预测因子可以预测反转。而神经网络本身将无法弄清这些预测器是否真的适合。它将以可接受的精确度记住这些数据，在交易中，我们希望在反转之前保存Ma、Rci和随机指数的相同组合。但他们不会，而且会失败。
一个在无用的预测器上训练的模型会失败，即使它是gbm，即使它是神经网络，即使它是回归。你甚至可以生成随机数列并将其作为预测器，神经元会在其中找到重复的组合并记住它们。
选择预测器和训练的目的，使用其他工具，这是人类数据挖掘者的任务。而训练模型（神经元）是倒数第二步的小事。
预测器必须与训练数据上的目标保持相关性，包括过去和未来。这就是为什么SanSanych谈到要在不同的文件上测试模型，只是为了确保找到的依赖关系不会因为新的数据而消失。
也就是说，我们仔细研究并收集预测因素和目标，训练模型并测试它。然后我们在模型的全新数据上进行测试。如果这两种情况下的预测准确率不一致，那么预测者或目标就不合适。我们应该再找一个。
在我看来，神经元学不适合预测非平稳的时间序列。价格行为不断变化，发现的模式在下班后停止工作，一切都很混乱。然后有人拿着一个神经元库，给它几个月的价格，要求找到这段时间内重复的依赖关系。但没有重复的依赖性，神经元能找到并记住的东西将只是一个100%的随机巧合。
如果我们采取一个神经元，那么我们可以只给它加工过的价格（而不是纯粹的ohlc），比如说指标。
你为什么这么狭隘，每个人都在这里写，好像你从来没有见过比胡萝卜更甜的东西 ))不要去管预测器，教神经元去找这些预测器，教神经元去教神经元，实验 :) 显然，把简单的指标，按之字形送入输入和输出是非常愚蠢的，我不知道为什么大家都在讨论这个问题 :)当然这也不是人工智能，这只是分类，你根本不需要神经元！"。你可以用贝叶斯分类器来做
为什么要想得这么狭隘，这里的每个人都写得好像他从来没有见过比胡萝卜更甜的东西 ))去他妈的预测器，教神经元去找这些预测器，教神经元去教神经元，实验:)
那么在我看来，神经元也应该把无用的预测器设置为0--它们不会影响输出!唯一的区别将是所有预测器和一半最重要的预测器之间的计算速度。
这就是为资源密集型任务创建的神经元，唯一的问题是，在mt5中它非常有限。你可以创建非常复杂的、原创的和非显而易见的模型，只有这样，应用NS的潜力才会被披露出来，但肯定不是那些技术，这里讨论的是这些技术，这就像初学者的基础知识：)如果你没有足够的能力，有服务器用于培训NS...在我看来，任何可以在普通PC上5-30分钟内完成训练的东西，根本不是神经元和原始的东西 :)
这就是为资源密集型任务创建的神经元，唯一的问题是，在mt5中，它非常糟糕。你可以创建非常复杂的、原创的、不显眼的模型，只有这样，NS应用的潜力才会显现出来，但肯定不是那些技术，这里讨论的是基础知识，就像初学者的基础知识 :)
我打算在纯MQL中使用神经元进行优化（选择指标的参数），并在网络或云中运行它。20000个代理可以计算 - 就速度而言，不可能与任何R相比。尽管R似乎也有任务分发到Azure云中
我打算在纯MQL中使用神经元进行优化（为指标选择参数），并在网络或云中运行。20000个代理可以算作--没有任何一个R可以通过速度来与其他的R相比。
我的意思是，mt5中的神经元是不够的，只有一个:)
我的意思是，mt5中的神经元很少，只有一个:)
那么，最重要的还是定性的输入数据，如果你有，那么1个神经元就能解决问题。
不，它不会。如果你增加样本，你的神经元就会因压力而萎缩并爆裂 :)它将无法近似于这样的样本，将永久地输出0.5
不，它不会。如果你增加样本，你的内脏就会因压力而收缩并爆裂 :)它将无法近似于这样的样本，并将在输出端不断产生0.5。
如果所有输入的乘数都是1，那么0.5将是0.5。但是，如果网络学习并将无关紧要的输入的乘数设置为0，而将最重要的输入设置为1，那么一切都会好起来。输出当然不会是1，但例如反应如果输出>0.8
但不幸的是，没有任何指标能与正确的产出相关联。因此，缩水现象肯定会发生。你只需要将概率弯曲到你的一侧0.5将是如果所有输入都有乘数=1。而如果网络学习后将不重要的输入设置为0，将最重要的输入设置为1，那么一切都会好起来。输出当然不会是1，但例如反应如果输出>0.8
但不幸的是，没有任何指标能与正确的产出相关联。这就是为什么缩减是必然会发生的。你只需要让概率变得对你有利。不是说它们不相关，当样本增加时，它们会自相矛盾，是的，最后要么输出总是0，要么是1，要么是0.5......更多的是对于1个神经元。因此，如果>0.5卖出，<0.5买入。你设置正确的（在你看来）预测器和正确的答案，也就是说，如果psi是超卖的，市场在接下来的n个柱子上增长，那么输出0，如果psi是超买的，市场下跌，那么输出0。但也会有很多情况是反过来的，它钝化了，混合了信号，进入了恍惚状态。因此，输出将总是在0.5左右，在一个方向或另一个方向有非常小的偏差......这将发生在所有振荡器上，因为它们根本不是预测器，它们是价格的衍生物 :)
因此，如果我们采取，例如，Ma、Rci和Stochastic作为预测器，并使用人字形反转作为训练目标来训练神经网络--我们告诉神经网络 "这三个预测器可以预测反转。而神经网络本身也不会知道这些预测器是否真的适合。它将以可接受的精确度记住这些数据，在交易中，我们希望在反转之前保存Ma、Rci和随机指数的相同组合。但他们不会，而且会失败。
我认为把分类和回归看作是N-d 中的不同类型的平均点更为正确，在一些核的附近，例如在kNN ，据说这是一个 "理想的 "近似器，但很慢，不实用。在分类中，只有反应是平均的，而在回归中则是皮卡和反应是平均的。显然，如果这种平均法混合了矛盾的点，那么结果将是嘈杂的，而不是明显的。