交易中的机器学习：理论、模型、实践和算法交易 - 页 680

[Dr. Trader]

关于如何将神经元从R转移到mql的问题。

我是用nnet包做的。参见https://cran.r-project.org/web/packages/nnet/index.html（包源：nnet_7.3-12.tar.gz）。在档案里有src / nnet.c文件夹。

我们需要函数fpass，在thisError = 0.0之前的几行（这是backprop的误差计算的开始，对于简单的预测不需要）。

这是我们可以在我们的EA中使用的代码 --

   double sigmoid(double sum)
     {
      if(sum<-15.0)
         return (0.0);
      else if(sum>15.0)
         return (1.0);
      else
         return (1.0 / (1.0 + exp(-sum)));
     }

//nnet_hidden - число нейронов в скрытом слое
//выход один
//nnet_weights - массив с весами нейронки взятыми из R после обучения nnet модели

int weights_it=0;
double hiddenLayer[];
ArrayResize(hiddenLayer,nnet_hidden);
for(int i=0; i<nnet_hidden; i++)
 {
  hiddenLayer[i]=nnet_weights[weights_it++];
  for(int j=1; j<=nnet_bars; j++)
    {
     hiddenLayer[i]+=openPrices[j]*nnet_weights[weights_it++];
    }
  hiddenLayer[i]=sigmoid(hiddenLayer[i]);
 }
double prediction=nnet_weights[weights_it++];
for(int i=0; i<nnet_hidden; i++)
 {
  prediction+=hiddenLayer[i]*nnet_weights[weights_it++];
 }
if(!linout)
 {
  prediction = sigmoid(prediction);
 }

这段代码只在模型参数skip = FALSE的情况下工作。
如果不是这样，或者使用的是softmax--在fpass()函数中寻找差异

权重（数组nnet_weights）应该在训练结束后从R本身复制。

library(nnet)
trainedModel <- nnet(y = 1:10, x = matrix(runif(20),ncol=2), size=10)
nnet_weights <- trainedModel$wts
cat("double nnet_weights[] = {", paste(format(weights,digits=16,scientific=T), collapse=","), "};", file="D:/weights.txt") #сохранить  веса в файлик чтоб оттуда скопипастить в советник

[Forester]

О!这是件大事。多做一点工作，你就可以使用它。谢谢你！（笑）。

[Maxim Dmitrievsky]

另一篇关于强化的小型介绍性文章，而重点是

组织一次关于mql的小型团队合作和头脑风暴会议并分享经验将是很有趣的。

https://proglib.io/p/trade-learning/

[Dr. Trader]

在我看来，强化学习通常会给出一个具有非常大悬念的模型，交叉验证在这种情况下是无法挽救的。在模型本身中一定有一些特殊的机制来防止过度拟合。

对于那些不熟悉这个问题的人来说，简单地说：代替通常的模型评估（准确度、R2、logloss等），创建一个具有自己的模型评估逻辑的特殊健身函数。例如，这样的适配函数可以计算交易时模型的利润，或锐利度。并通过遗传算法 选择模型参数。

有趣的是，MT4和MT5中的优化器也是按照强化学习的原则工作的--在每个条形图（甚至是刻度线）中，专家顾问接收价格和指标的当前值，做出一些决定，专家顾问的最终估计被视为交易结果。专家顾问的参数是由遗传学选择的，以增加估计值。
从免费提供的MT5专家顾问来看，我们可以清楚地看到，这种学习方法造成了很多 "损失"。但有时好的EA也是好的。

[Maxim Dmitrievsky]

交易员博士。

在我看来，强化学习通常会给出一个具有非常大悬念的模型，在这种情况下，交叉验证不是答案。在模型本身中一定有一些特殊的机制来防止过度拟合。

对于那些不熟悉这个问题的人来说，简单地说：代替通常的模型评估（准确度、R2、logloss等），创建一个具有自己的模型评估逻辑的特殊健身函数。例如，这样的健身函数可以计算出交易时模型的利润，或锐利度。而模型参数是通过遗传算法 选择的。

有趣的是，MT4和MT5的优化器也是按照强化学习的原则工作的--在每个条形图（甚至是刻度线）上，专家顾问接收价格和指标的当前值，做出一些决定，专家顾问的最终估计是交易的结果。专家顾问的参数是由遗传学选择的，以增加估计值。
从免费提供的MT5专家顾问来看，我们可以清楚地看到，这种学习方法造成了很多 "损失"。但有时好的EA也是好的。

这与优化器是一个很好的类比，我之前的机器人就是关于这个的，但它太简单了。

但总的来说，它不是，RL如果不反对遗传学，它强调它的优势，例如，有可能在非平稳过程中工作。特别是可以使用非贪婪的适配函数，由于该函数，模型在运行过程中不断学习，并做出随机的步骤。而作为一个优化器，我们使用NS（非遗传学）的填料。

那里的情况比较复杂，但我还没有读完这本书。

所以你关于遗传学、优化器和RL的说法是不正确的。

[Dr. Trader]

*一瞬间的情感和哲学以及所有这些东西*。

想象一下，在一个晴朗的日子，阳光明媚。你坐在池塘边的草地上，温暖的春风吹拂着，在水中留下涟漪，附近某处可以听到鸭子的声音。浅浅的鱼儿在水底游动，有时用鱼鳍触及水面，在水中划着圈。她的邻居在舀水，她的孙子在往水里扔石头，把青蛙从一边追到另一边。在池塘的另一边，有些人在洗他的车。

价格就像水面上的波浪，来自所有的骚动，但也是在暴风雨中。我们可以跟着波浪走，并试图猜测水在某一点会上升或下降，但如果我们不跟着环境走，大多数时候我们都会错。

未来的价格价值并不取决于过去的价格变动，而是取决于造成过去价格变动并将造成新价格变动的全球进程。
你不仅需要监测水面上的波浪，还需要监测风向、鱼的轨迹、邻居的水桶等，那么水面上的波浪的性质就会很清楚和可预测。

相应地，如果你有关于影响价格的所有全球进程的信息，你可以学习预测，上个世纪的任何简单模型都可以。
问题是，通常只有一个价格图表，而这是不够的。

[Maxim Dmitrievsky]

这里是 如何连接RL和NN的方法

[Maxim Dmitrievsky]

和一个视频，还有第二部分。

就这样吧，我不再发垃圾邮件了，谁有兴趣就看谁。

[Grigoriy Chaunin]

MT中的神经网络很简单。微软有一个名为CNTK的库。它是为Python、C#和C++实现的。网络的所有分析和训练都是在Python中完成的，而C++则用来编写一个DLL，加载训练好的网络并使用它进行计算。在我看来，这是最好的选择。第二个选项，Python与MT的连接。我已经为此写了一个简单的库。图书馆。我们把它连接起来，可以使用Python中可用的一切。而且有很多东西可用。我在想，我是否应该在我的博客上开始写机器学习。

[Maxim Dmitrievsky]

格里戈里-乔宁。
在MT中使用神经网络，一切都很简单。有一个微软的库CNTK。它是为Python、C#和C++实现的。所有的网络分析和训练都是在Python中完成的，而C++被用来编写一个DLL，加载训练好的网络并使用它进行计算。在我看来，这是最好的选择。第二个选项，Python与MT的连接。我已经为此写了一个简单的库。图书馆。我们把它连接起来，可以使用Python中可用的一切。而且有很多东西可用。我在想，我是否应该在我的博客上开始写机器学习。

阅读有关战略和个人想法/经验的文章会很有趣......对我个人而言。

因为他们在这里写的大部分东西都是废话，说要翻阅一堆图书馆，什么东西比较好写......这是一种流行病，一切都被浪费了。

虽然这个基本想法很久以前就由fxsaber提出来了--用同样的方法，这个主题可能会被关闭，因为它本来就是错误的。