关于神经网络编程的问题 - 页 5

新评论
 
然后，这样的网络配置能够解决任何问题，包括 "排他性或" :)
 
好的。但我还是想知道更多的做法：我们给输入的是什么，应该设置什么尺寸的N，等等。除非，当然，这不是一个秘密 :)在这个行业中，我是个傻瓜，但我已经准备好加入。
 
rsi:
好的。但我还是想知道更多的做法：我们给输入的是什么，应该设置什么尺寸的N，等等。除非，当然，这不是一个秘密 :)我是这个行业的一个傻瓜，但准备加入。

我在上面列出了指标。线性回归的斜率角度被送入输入。尝试在Eura上运行1小时
 
谢谢，我去看看 :)
 
rsi:
谢谢，我会看看的 :)

我想给这个东西加上一个Z字头的账户，那就好了 :)
 

是的，这是件有趣的事。再次感谢你，klot，我已经受够了这个周末 :)

 
这是一个来自metaquotes的神经。 看一看，看看是否有帮助。很好地预测了反转。方向只在2-5bar的短时期内可以忍受。
 
AAAksakal，看什么？
 
klot:


而一般来说，任何NS都可以很容易地直接在MQL4中进行编程。你也可以使用MT4 GA或你自己选择NS的权重。 悲观的定义只是缺乏想象力和幻想。 基本上，没有限制...

悲观主义是由策略测试器的限制所定义的，即如果输入值的范围很大或这些非常值的数量超过了限制，优化器就会拒绝启动。因此，毕竟是有限制的。

今天，我终于完成了一个完全用MQL4编写的神经网络，结构为3:3:1（输入端有三个神经元，三个隐藏输入，一个输出）。所有的层都是用测试器GA配置的。但麻烦的是，对于1层，你至少需要12个输入参数，至少要有从-1到1的数值，步长为1（像Rosenblatt）。但优化器无法处理这么多。我不得不扭过头去，简化了第一层。

与别人的网子相比，自制的网子更好，因为它可以升级。例如，除了使第一层非标准外，我还增加了输入数据的动态规范化。

输入端的信号是相当原始的。

   static  int  p = 12;
   ...
   double       z1 = Close[0] - iMA(Symbol(), 0, p, 0, MODE_SMA, PRICE_OPEN, 0);
   double       z2 = Open[p] - iMA(Symbol(), 0, p, 0, MODE_SMA, PRICE_OPEN, p);
   double       z3 = Open[p * 2] - iMA(Symbol(), 0, p, 0, MODE_SMA, PRICE_OPEN, p * 2);

尽管有上述的原始性，但事实证明该网格是非常可训练的，也就是说，权重和阈值很容易选择，所以测试结果变成了没有一个错误（没有利润因素）。但在这样的装配之后，前向测试立即开始在传播上急剧下降。我不得不摆弄一下交易策略，以便不允许网格调整。

这是值得的，尽管它使我的大脑翻江倒海。

这些是测试的结果。从1到273个交易--优化，进一步向前测试。

而这里是向前的测试。

下面是正向测试的结果。

战略测试仪报告
矩阵（RNN
Alpari-Demo (Build 409)

符号欧元兑美元（欧元对美元）
期间1小时 (H1) 2011.10.24 00:00 - 2012.01.13 23:59 (2011.10.24 - 2012.01.14)
模型按开盘价（仅适用于有明确开盘控制的专家顾问系统）。
参数t1=54；t2=4；t3=48；x1=194；x2=128；x3=68；y1=1；y2=1；y3=-1；t4=136；sl=900；lot=1；mn=888。

历史上的酒吧2431模拟的蜱虫3862仿真质量不适用
图表不匹配错误0




初始存款10000.00



净利润14713.00利润总额40711.60全部损失-25998.60
盈利能力1.57预期报酬率88.10

绝对缩水2721.60最大缩水4800.00 (39.74%)相对缩减39.74% (4800.00)

交易总额167空头头寸（赢利百分比）101 (67.33%)多头头寸（赢利百分比）66 (92.42%)

盈利的交易（占全部的百分比）129 (77.25%)亏损交易（占全部的百分比）38 (22.75%)
最大的有利的贸易900.00亏损的交易-907.20
平均值有利的交易315.59亏损的交易-684.17
最大连赢13 (2557.00)连续损失(亏损)4 (-3605.40)
最大连续盈利（赢的次数）3511.60 (11)连续损失（损失次数）-3605.40 (4)
平均值连续赢利4连续损失1




最有趣的是，即使从图表中我们可以看到，优化部分比前进部分更糟糕。这种情况很少发生。虽然我在众多前锋中选择了这个前锋作为最佳前锋，也就是说，其他前锋的成绩比优化后的前锋差很多，但尽管如此，他们的成绩还是最好的。

 
Reshetov:

悲观主义是由策略测试器的局限性决定的，即如果输入值范围很大或这些相同的值的数量超过了限制，优化器就会拒绝启动。因此，毕竟是有限制的。

今天，我终于完成了一个完全用MQL4编写的神经网络，架构为3:3:1（输入端有三个神经元，三个隐藏输入，一个输出）。所有的层都是用测试器GA配置的。但麻烦的是，对于1层，你至少需要12个输入参数，至少要有从-1到1的数值，步长为1（像Rosenblatt）。但优化器无法处理这么多。我不得不扭过头去，简化了第一层。

与别人的网子相比，自制的网子更好，因为它可以升级。例如，除了使第一层非标准外，我还增加了输入数据的动态规范化。

输入端的信号是相当原始的。

尽管有上述的原始性，但事实证明该网格是非常可训练的，也就是说，权重和阈值很容易选择，所以测试结果证明是没有任何错误的（没有利润因素）。但在这样的装配之后，前向测试立即开始在传播上急剧下降。我不得不摆弄一下交易策略，以便不允许网格调整。

这是值得的，尽管它使我的大脑翻江倒海。



我做了一个256个输入的正常网格，每256个神经元一个隐藏层。还有一个由一个神经元组成的输出层。我在MT4中完美地训练了这一切

有一个选项有三个隐藏层，但它们是不必要的。

1234567
新评论