人工神经网络。 - 页 3 12345678910...14 新评论 Alexey Burnakov 2012.10.07 18:11 #21 gpwr: 网络是一种工具，一种通用的非线性函数，可以针对不同的数据（输入-输出）进行优化（调整）。这个函数不能提取任何规律性的东西。确实如此 :)NS是在输入-输出数据上进行训练的，如果这些模式对一般人来说是通用的，那么NS就会在样本之外成功工作。而隔离规律性是分析NS的训练权重和转移函数的额外一层工作，我自己从来没有亲自做过。人脑能够非常成功地学习非线性模式。以计算非洲某地布什曼部落发射的回旋镖的轨迹为例。大自然给了我们一切。你可以有目的地在市场 上学习非线性模式。我个人想写一个如下的VBA学习程序：我将在图表上显示一系列小的报价，比如，100-150条，我需要猜测未来价格的大方向，比如，50条。我将按下向上/向下的按钮，程序将记录我的答案以及我是否猜中。之后，图表会在时间轴上随机移动，等等。结果是，我要么学习（猜中方向的百分比会增加），要么不学习（比如，对不起，失败）。这将是一个很好的例子，说明大脑的可训练性。 Andrey Dik 2012.10.07 18:18 #22 gpwr: 网络是一种工具，一种通用的非线性函数，可以针对不同的数据（输入-输出）进行优化（拟合）。这个函数不能拾取任何规律性的东西。你也可以说，一个拟合于平滑曲线的多项式可以找到其隐藏的模式。走出函数被拟合的数据范围，你就知道你会得到什么，这是一个多项式回归的例子。顺便说一下，网络中需要优化的参数数量要比决策树大得多，因为网络中包含不影响正确决策的子连接，其权重在优化过程中会减少。用网络来近似市场数据是一回事，而做模式识别则是另一回事。第二种说法似乎更正确--毕竟是交易者的大脑在识别图像。 Alexey Burnakov 2012.10.07 18:31 #23 joo:通过网络近似市场数据是一回事，而识别图像则是另一回事。第二种说法似乎更正确--毕竟是交易者的大脑在识别图像。 来自谷歌的工程师向自我学习网络（什么类型我不知道）提供了YouTube视频的截图，该网络学会了将猫作为一个单独的类别来区分。可以估计有多少信息在RAM中流传。理论上，可以向电网发送图表，但必须是一个巨大的复杂网络和合适的计算机。在例如[0;1]的范围内发送一个归一化的价格模式比较容易。而且静止性得到了保留，而且很容易实现。基本上，交易者看到的是价格形态，而有的交易者使用纯图表（没有指标）进行交易。但显然，该网络必须不断地被重新训练。因为我们的大脑也在不断地更新连接，提高我们对这个过程的理解。 Alexey Subbotin 2012.10.07 18:45 #24 alexeymosc: 谷歌的工程师给自学网络（什么类型我不知道）输入了YouTube视频的截图，该网络学会了将猫分成一个单独的类别。可以估计有多少信息在RAM中转来转去。理论上，可以向电网发送图表，但必须是一个巨大的复杂网络和合适的计算机。在例如[0;1]的范围内发送一个归一化的价格模式比较容易。而且静止性得到了保留，而且很容易实现。基本上，交易者看到的是价格形态，而有的交易者使用纯图表（没有指标）进行交易。但显然，该网络必须不断地被重新训练。因为我们的大脑也在不断地更新连接，提高我们对这个过程的理解。 当交易员 "看到 "一个模式时，他或她不会分析一个纯粹的价格系列。 没有一个人的大脑有这么多的RAM（顺便说一下，这是一个思考的RAM--最多几百个字节）。因此，信号预处理是强制性的。 Alexey Burnakov 2012.10.07 18:51 #25 alsu: 当交易员 "看到 "一个模式时，他或她不会分析一个纯粹的价格系列。 没有一个人的大脑有这么多的RAM（顺便说一下，这是一个思考的RAM--最多几百个字节）。因此，信号预处理是强制性的。我没有听说过这一点。好的。那么当然就很难理解CD的哪些方面是由大脑感知的。这就是所有试图在NS基础上制作类似东西的问题。传入信息的重要标志没有被定义，所以我们必须猜测。但是--就我个人而言，我最理解的是弯曲和尖峰:) Alexey Subbotin 2012.10.07 19:02 #26 alexeymosc:我没有听说过这一点。好的。那么当然就很难理解CD的哪些方面是由大脑感知的。这就是所有试图在NS基础上制作类似东西的问题。传入信息的重要标志没有被定义，所以我们必须猜测。但是--就我个人而言，我最理解的是弯曲和山峰 :) 在我看来，这很有希望--通过NS清除价格信息的噪音。基本上，一个有用的信号是由少量的参数描述的，例如，如果我们把M1的一天，它们可以是10-20（而不是1440），这很容易被人脑理解。问题是如何正确清除信号而不丢失重要信息。这就是网络可以帮助的地方，IMHO。那么，要处理（分类、聚类、回归等）其余部分，可以用任何合适的方法，而不是事实，顺便说一下，NS将是最好的选择。在任何情况下，都有许多为此类任务开发的工具，其中最重要的原因是，所有这些工具的工作效果同样糟糕）））。 Alexey Burnakov 2012.10.07 19:10 #27 alsu: 我认为，在NS的帮助下，清除价格信息的噪音是非常有希望的。基本上，一个有用的信号是由少数参数描述的，例如，如果我们以M1的一天为例，可以有10-20个（而不是1440个），这对人脑来说是很容易感知到的。问题是如何正确清除信号而不丢失重要信息。这就是网络可以帮助的地方，IMHO。那么，要处理（分类、聚类、回归等）其余部分，可以用任何合适的方法，而不是事实，顺便说一下，NS将是最好的选择。在任何情况下，都有许多为此类任务开发的工具，其中最重要的原因是，所有这些工具的工作效果同样糟糕）））。 阿列克谢，你直接谈论的是特征选择问题，也就是说，用通俗的语言来说：如何从现有的数组中选择1%的数据，为预测提供最多信息，如：输入多头，输入空头，等待。但是，即使将复杂的技术应用于这个问题，陷阱也很快就出来了。首先，不清楚用什么酱油来喂养选定的数据点：原始值是不合适的，你需要预处理。如果你把457条和891条之间的差异，以及1401条和1300条之间的差异拿出来，也许会有效果。有很多选择，而且没有足够的时间把它们全部破解掉。 Alexey Subbotin 2012.10.07 19:12 #28 另一件关于信息实际进入大脑的事情。一个非常有启发性的例子是图像的分形压缩。它只是表明，实际上在视觉上对一个人的感知，有足够的信息在数千甚至数万倍小于 "原始 "尺寸的图像。 我想知道使用分形算法压缩商数可以达到什么比例？100?500？ 更多？ Alexey Subbotin 2012.10.07 19:18 #29 alexeymosc: 阿列克谢，你直接谈论的是特征选择问题，用通俗的话说就是：如何从数组中选择1%的数据，为预测提供最多信息，比如：输入多头，输入空头，等待。但是，即使将复杂的技术应用于这个问题，陷阱也很快就出来了。首先，不清楚用什么酱油来喂养选定的数据点：原始值是不合适的，你需要预处理。如果你把457条和891条之间的差异，以及1401条和1300条之间的差异拿出来，也许会有效果。有很多变体，我没有足够的时间把它们全部破解掉。 还有一个问题是解释算法的输出。很多时候，我们试图建立相同的网络，使其输出有一个明确的信号，要做什么，或者至少将相对可以理解的信息（对设计者来说）转换为这样的信号。但这并不是说网络以这样的形式给出信息是很方便的，也许给我们提供的不是大致的1.5比特（买入-卖出-停止），而是比如说10比特的信息会容易得多？ Andrey Dik 2012.10.07 19:30 #30 alsu: 还有一个问题是解释算法的输出。我们经常试图建立同样的网络，使输出有一个明确的信号，说明要做什么，或者至少是相对可以理解的信息（对设计者来说），以转化为这样的信号。但不确定的是，以这样的形式输出信息是否方便，也许给我们提供的不是大致上的1.5比特（通过出售-停止），而是，例如，10比特的信息会更容易？ 顺便说一句，好的观点。基本上，我们正试图将输入的信息压缩到这样一个水平，即我们可以清楚地做出决定（买入-卖出-停止）。很可能最好的解决方案是压缩比为1（即不压缩或接近压缩）。输入的图像对网格来说是可以理解的，输出的图像对人来说是可以理解的。 12345678910...14 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
网络是一种工具，一种通用的非线性函数，可以针对不同的数据（输入-输出）进行优化（调整）。这个函数不能提取任何规律性的东西。
确实如此 :)
NS是在输入-输出数据上进行训练的，如果这些模式对一般人来说是通用的，那么NS就会在样本之外成功工作。
而隔离规律性是分析NS的训练权重和转移函数的额外一层工作，我自己从来没有亲自做过。
人脑能够非常成功地学习非线性模式。以计算非洲某地布什曼部落发射的回旋镖的轨迹为例。大自然给了我们一切。你可以有目的地在市场 上学习非线性模式。我个人想写一个如下的VBA学习程序：我将在图表上显示一系列小的报价，比如，100-150条，我需要猜测未来价格的大方向，比如，50条。我将按下向上/向下的按钮，程序将记录我的答案以及我是否猜中。之后，图表会在时间轴上随机移动，等等。结果是，我要么学习（猜中方向的百分比会增加），要么不学习（比如，对不起，失败）。这将是一个很好的例子，说明大脑的可训练性。
网络是一种工具，一种通用的非线性函数，可以针对不同的数据（输入-输出）进行优化（拟合）。这个函数不能拾取任何规律性的东西。你也可以说，一个拟合于平滑曲线的多项式可以找到其隐藏的模式。走出函数被拟合的数据范围，你就知道你会得到什么，这是一个多项式回归的例子。顺便说一下，网络中需要优化的参数数量要比决策树大得多，因为网络中包含不影响正确决策的子连接，其权重在优化过程中会减少。
用网络来近似市场数据是一回事，而做模式识别则是另一回事。
第二种说法似乎更正确--毕竟是交易者的大脑在识别图像。
通过网络近似市场数据是一回事，而识别图像则是另一回事。
第二种说法似乎更正确--毕竟是交易者的大脑在识别图像。
谷歌的工程师给自学网络（什么类型我不知道）输入了YouTube视频的截图，该网络学会了将猫分成一个单独的类别。可以估计有多少信息在RAM中转来转去。理论上，可以向电网发送图表，但必须是一个巨大的复杂网络和合适的计算机。在例如[0;1]的范围内发送一个归一化的价格模式比较容易。而且静止性得到了保留，而且很容易实现。基本上，交易者看到的是价格形态，而有的交易者使用纯图表（没有指标）进行交易。但显然，该网络必须不断地被重新训练。因为我们的大脑也在不断地更新连接，提高我们对这个过程的理解。
当交易员 "看到 "一个模式时，他或她不会分析一个纯粹的价格系列。 没有一个人的大脑有这么多的RAM（顺便说一下，这是一个思考的RAM--最多几百个字节）。因此，信号预处理是强制性的。
我没有听说过这一点。好的。那么当然就很难理解CD的哪些方面是由大脑感知的。这就是所有试图在NS基础上制作类似东西的问题。传入信息的重要标志没有被定义，所以我们必须猜测。
但是--就我个人而言，我最理解的是弯曲和尖峰:)
我没有听说过这一点。好的。那么当然就很难理解CD的哪些方面是由大脑感知的。这就是所有试图在NS基础上制作类似东西的问题。传入信息的重要标志没有被定义，所以我们必须猜测。
但是--就我个人而言，我最理解的是弯曲和山峰 :)
我认为，在NS的帮助下，清除价格信息的噪音是非常有希望的。基本上，一个有用的信号是由少数参数描述的，例如，如果我们以M1的一天为例，可以有10-20个（而不是1440个），这对人脑来说是很容易感知到的。问题是如何正确清除信号而不丢失重要信息。这就是网络可以帮助的地方，IMHO。那么，要处理（分类、聚类、回归等）其余部分，可以用任何合适的方法，而不是事实，顺便说一下，NS将是最好的选择。在任何情况下，都有许多为此类任务开发的工具，其中最重要的原因是，所有这些工具的工作效果同样糟糕）））。
另一件关于信息实际进入大脑的事情。一个非常有启发性的例子是图像的分形压缩。它只是表明，实际上在视觉上对一个人的感知，有足够的信息在数千甚至数万倍小于 "原始 "尺寸的图像。
我想知道使用分形算法压缩商数可以达到什么比例？100?500？ 更多？
阿列克谢，你直接谈论的是特征选择问题，用通俗的话说就是：如何从数组中选择1%的数据，为预测提供最多信息，比如：输入多头，输入空头，等待。但是，即使将复杂的技术应用于这个问题，陷阱也很快就出来了。首先，不清楚用什么酱油来喂养选定的数据点：原始值是不合适的，你需要预处理。如果你把457条和891条之间的差异，以及1401条和1300条之间的差异拿出来，也许会有效果。有很多变体，我没有足够的时间把它们全部破解掉。
还有一个问题是解释算法的输出。我们经常试图建立同样的网络，使输出有一个明确的信号，说明要做什么，或者至少是相对可以理解的信息（对设计者来说），以转化为这样的信号。但不确定的是，以这样的形式输出信息是否方便，也许给我们提供的不是大致上的1.5比特（通过出售-停止），而是，例如，10比特的信息会更容易？