交易中的机器学习：理论、模型、实践和算法交易 - 页 681 1...674675676677678679680681682683684685686687688...3399 新评论 Grigoriy Chaunin 2018.02.16 07:13 #6801 我正在我所在的论坛上发起一个关于在培训中使用Python的话题。它将描述一个交易商可能需要开发一个MTS的一切。不会有现成的战略。任务是找到一种创造有利可图的MTS的 "算法"。而且，将使用什么方法并不重要。最主要的是，它们必须是有用的。链接将出现在我的新闻联播 中。 Aleksey Terentev 2018.02.16 07:22 #6802 格里戈里-乔宁。 在MT中使用神经网络，一切都很简单。有一个由微软CNTK提供的库。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中开始写机器学习。 能否请你解释一下，在初始化脚本后，它在内存中挂起？也就是说，由python脚本加载的模块也应该挂在内存中，对吗？ Grigoriy Chaunin 2018.02.16 07:26 #6803 是的，MQL代码应该在每一个刻度上调用 Python脚本函数。 Alexander_K2 2018.02.16 07:45 #6804 马克西姆-德米特里耶夫斯基。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fxsaber很久以前就提出了这个基本想法--用同样的方法，这个主题可能会被关闭，因为它从一开始就是错误的。我同意。 这个话题已经变成了一个完全的垃圾，没有具体的例子和理论。 让我们来纠正这种情况。 首先--我建议大家阅读如何定义预测的样本量（见附件文件）。 附加的文件： mpse0f3e96t_kmxvqk_zrgsjyp.zip 267 kb Maxim Dmitrievsky 2018.02.16 08:16 #6805 亚历山大_K2。我同意。 这个话题已经变成了完全的垃圾，没有具体的例子或理论。 让我们来解决这个问题。 首先--我建议大家阅读如何确定预测的样本量（见附件文件）。谢谢你，亚历山大，也许你会从中得到一些有用的东西，我会读的。 СанСаныч Фоменко 2018.02.16 08:23 #6806 亚历山大_K2。我同意。 这个话题已经变成了完全的垃圾，没有具体的例子或理论。 让我们来解决这个问题。 首先--我建议大家阅读如何确定预测的样本量（见附件文件）。一篇精彩的文章，其本质是。文章中概述的结果是非常缺乏的。正是由于缺乏这样的工作，才为 "垃圾进，垃圾出 "的分支提供了蓬勃发展的基础。 但这篇文章是以soveticus的条件性传统提出的--美丽的理论，没有实际用途： 没有代码。 Aleksey Terentev 2018.02.16 08:39 #6807 目前，有一个稳定的模式。仍需努力，但忙于其他任务。 输入=价格+13，26耶马。预处理，输出 = sigmoid (max, min, close), delta (open-close), derivative (max, min, close), logarithm of derivative (max, min, close), detrend (close-eme13, close-eme26), yema（13, 26）, derivative yema（13, 26）; 将数据集转换成数据集时间序列（1蜡烛+5最后）。总共16 x 6 = 96个参数。 建筑。 BatchNormalization（96）。 GRU(96, L2, Dropout=0.5, 'elu')。 GRU(64, L2, Dropout=0.5, 'elu')。 BatchNormalization(64, Dropout=0.3)。 Dense(32, Dropout=0.3, 'elu')。 Dense(16, 'elu')。 Dense(8, 'elu')。 Dense(3, 'softmax')。 优化器=Nadam。 损失=分类交叉熵。 BouncedMA信号退出前方的蜡烛（在分支的上方）。 估计：损失~0.7-0.8；精确度~0.55。 但对模型的这种估计并不能说明其信号的质量。它们更低，由于信号是训练=1.0, 0.95, 0.0, -0.95, -1.0, 而买/卖类预测波动~abs(0.45, 0.7)。 另外，在5000行的数据集中，训练运行在0.8部分，这意味着模型甚至没有看到最新的报价数据（约1000行）。预测是根据最后100个蜡烛图进行的。 正如你所看到的，训练可以在~45 epochs时停止。 代码，指示器。 Machine learning in trading: 如何在 MQL5 中集成 ONNX 深度神经网络 (第 IV 部)。创建, Maxim Dmitrievsky 2018.02.16 09:22 #6808 Vizard_。)))有强化的学习=没有老师的学习。一个非常贪婪的算法。昏昏沉沉的马克西姆卡走进一家赌场。在他面前的是一堆 "独臂强盗 "机器。他开始玩弄每个人，并记录结果。事实证明，其中一台机器更好，快乐的马克西姆开始只用它来玩。但他的幸福并没有持续很久......。http://www.machinelearning.ru/wiki/index.php?title=Reinforcement_learning是的，我已经通过了土匪:)可以使Epsilon贪婪，并定期从一个人跑到另一个人。 Maxim Dmitrievsky 2018.02.16 11:28 #6809 Dr. Trader 2018.02.16 11:52 #6810 这是个非常好的帖子。谢谢你，我从来没有想过这个问题。 它是这样的 -- I )我们采取一个神经元，使其在现场交易，同时捡起其配置。庄家为其利润而疯狂，庄家开始对其进行价格调动，但它不知何故准备好了，仍然进行有利可图的交易，庄家将交易复制到银行间，这使交易所 的交易机器人疯狂，它们开始变得缓慢，全球市场走向架空和毁灭。代理人与环境进行互动。这是有强化作用的交易。我想在最近的一个星期一，一些谷歌正在用增援部队测试他们的新交易机器人，这正好适合。 二）我们取一个神经元，让它在历史上进行交易。找到理想的权重和神经元的配置，使其能够在历史上完美交易。强化并不奏效，它是没有老师的学习。而最有可能的是，它将被过度喂养而失败。 简而言之，计划是有一百个美分的真实账户，每个账户有一个神经元，交易几天。遗传学收集了神经元的结果，并拿起它们的新配置，每隔几天就会生成新的机器人，然后等待结果，再次创建新的机器人。 1...674675676677678679680681682683684685686687688...3399 新评论 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
在MT中使用神经网络，一切都很简单。有一个由微软CNTK提供的库。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中开始写机器学习。
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fxsaber很久以前就提出了这个基本想法--用同样的方法，这个主题可能会被关闭，因为它从一开始就是错误的。
我同意。
这个话题已经变成了一个完全的垃圾，没有具体的例子和理论。
让我们来纠正这种情况。
首先--我建议大家阅读如何定义预测的样本量（见附件文件）。
我同意。
这个话题已经变成了完全的垃圾，没有具体的例子或理论。
让我们来解决这个问题。
首先--我建议大家阅读如何确定预测的样本量（见附件文件）。
谢谢你，亚历山大，也许你会从中得到一些有用的东西，我会读的。
我同意。
这个话题已经变成了完全的垃圾，没有具体的例子或理论。
让我们来解决这个问题。
首先--我建议大家阅读如何确定预测的样本量（见附件文件）。
一篇精彩的文章，其本质是。文章中概述的结果是非常缺乏的。正是由于缺乏这样的工作，才为 "垃圾进，垃圾出 "的分支提供了蓬勃发展的基础。
但这篇文章是以soveticus的条件性传统提出的--美丽的理论，没有实际用途： 没有代码。
目前，有一个稳定的模式。仍需努力，但忙于其他任务。
输入=价格+13，26耶马。
预处理，输出 = sigmoid (max, min, close), delta (open-close), derivative (max, min, close), logarithm of derivative (max, min, close), detrend (close-eme13, close-eme26), yema（13, 26）, derivative yema（13, 26）; 将数据集转换成数据集时间序列（1蜡烛+5最后）。总共16 x 6 = 96个参数。
建筑。
BatchNormalization（96）。
GRU(96, L2, Dropout=0.5, 'elu')。
GRU(64, L2, Dropout=0.5, 'elu')。
BatchNormalization(64, Dropout=0.3)。
Dense(32, Dropout=0.3, 'elu')。
Dense(16, 'elu')。
Dense(8, 'elu')。
Dense(3, 'softmax')。
优化器=Nadam。
损失=分类交叉熵。
BouncedMA信号退出前方的蜡烛（在分支的上方）。
估计：损失~0.7-0.8；精确度~0.55。
但对模型的这种估计并不能说明其信号的质量。它们更低，由于信号是训练=1.0, 0.95, 0.0, -0.95, -1.0, 而买/卖类预测波动~abs(0.45, 0.7)。
另外，在5000行的数据集中，训练运行在0.8部分，这意味着模型甚至没有看到最新的报价数据（约1000行）。预测是根据最后100个蜡烛图进行的。
正如你所看到的，训练可以在~45 epochs时停止。
代码，指示器。
)))
有强化的学习=没有老师的学习。一个非常贪婪的算法。
昏昏沉沉的马克西姆卡走进一家赌场。在他面前的是一堆 "独臂强盗 "机器。他开始玩弄每个人，并记录结果。
事实证明，其中一台机器更好，快乐的马克西姆开始只用它来玩。但他的幸福并没有持续很久......。
http://www.machinelearning.ru/wiki/index.php?title=Reinforcement_learning
是的，我已经通过了土匪:)可以使Epsilon贪婪，并定期从一个人跑到另一个人。
这是个非常好的帖子。谢谢你，我从来没有想过这个问题。
它是这样的 --
I )我们采取一个神经元，使其在现场交易，同时捡起其配置。庄家为其利润而疯狂，庄家开始对其进行价格调动，但它不知何故准备好了，仍然进行有利可图的交易，庄家将交易复制到银行间，这使交易所 的交易机器人疯狂，它们开始变得缓慢，全球市场走向架空和毁灭。代理人与环境进行互动。这是有强化作用的交易。我想在最近的一个星期一，一些谷歌正在用增援部队测试他们的新交易机器人，这正好适合。
二）我们取一个神经元，让它在历史上进行交易。找到理想的权重和神经元的配置，使其能够在历史上完美交易。强化并不奏效，它是没有老师的学习。而最有可能的是，它将被过度喂养而失败。
简而言之，计划是有一百个美分的真实账户，每个账户有一个神经元，交易几天。遗传学收集了神经元的结果，并拿起它们的新配置，每隔几天就会生成新的机器人，然后等待结果，再次创建新的机器人。