市场礼仪或雷区中的良好风度 - 页 79

 
paralocus писал(а)>>

顺便说一下,看看我在一系列交易中得到的第一个差额系列的分布情况,如果你用一个差额(3点)对分钟进行垂直细分,会得到多么有特点的图片。

你建立了分布函数,它更清楚地代表了特征。你所提出的是一个从上面看FR的观点和一个时间尺度的决议。当然,很有趣,但没有那么多的说明性。

现在它刚刚超过2(2,153),然后越来越接近2,然后越来越远,取决于H,但总是刚刚超过2。

市场的性质一定是有趋势的。在大范围内,估值倾向于<2。

 
Neutron >> :

你建立一个分布函数,它更清楚地代表了特征。你所提出的是一个从上面看FR的观点和一个时间尺度的决议。当然,很有趣,但没有那么多的说明性。

现在它刚刚超过2(2,153),然后越来越接近2,然后越来越远,取决于H,但总是刚刚超过2。

市场的性质一定是有趋势的。在大范围内,估计值通常<2。

我今天就把它造出来。我有一个非常小的时期,刚刚超过一个月(20000分钟),我的DC不允许下载更长的地雷历史。



我昨晚有一个想法,我想在这里发表一下。适用于所有,先生们。

让我们称它为SOI(这样就不会有人猜到了 -:) )。


因此,为了进行适当的数据分析,我们需要一个良好的(统计学上充分的、没有缺口的)蜱虫历史,由于明显的原因,我们没有这个数据。

这个想法的本质是如何以最小的努力和最大的利益为任何交易商创造它。解决办法很简单--租用专用服务器(2个,或最好3个),并在这些服务器上安装蜱虫收集器...关于任何工具和经纪公司。不仅如此(后面会有更多关于这个问题的介绍)。一个人的这种冒险将是非常昂贵的,但想法是只是如何做到这一点是不免费的,但便宜,可靠和实用。


让我们来算一算。

*******************************************************

1.现在租用一个有足够空间的专用虚拟服务器的费用约为每月100英镑(你需要两个独立的服务器)... 200美元/月。

2.这需要一个好的编码员来关注整个事情,并适当修补故事。

编码员当然应该为这项工作收到一些钱。每天的工作不会太多,所以200英镑/月(然而,这并不是编码员在该项目中所能赚取的极限。)

事实上,这就是所有的基本费用!一个月400英镑。


你还需要一个统一的在线资源,必须放置。

a) 一个销售柚木历史的市场。

b) 一个销售EA的市场,在这里你可以免费观看任何建议的EA在演示中的当前工作。

c) 一个可以接受对特区进行建设性批评的论坛。



*****************************REVENUE**************************

1.为下载tick历史记录付款 - 任何经纪公司的任何工具的1个月ticks - 1WMZ(通过WebMoney支付方便)。

2.在远程服务器上托管顾问的费用(真正的工作)--每周20WMZ(如果顾问没有赚到这么多钱,就把它扔掉)。

3.演示顾问托管费 - 每周5WMZ

4.来自顾问的利息,通过平台销售(我不能告诉确切的数字)。

******************************************************************************************


总的来说,该项目看起来相当有利可图和有用。MetaQuotes可能也会感兴趣,因为SOI将为他们的产品--MT5做一个良好的公关。

一句话--除了特区,大家都是赢家。 虽然,诚实的经纪公司没有什么可担心的。

对于任何特许权的开始,我们需要股东。我个人准备分享100WMZ的钱。还有谁......?



 

1.我收集蜱虫是为了我自己的需要。够了,够了。

2.作为一个商业项目,在我看来,这个项目不如另一个 "Forex "品牌的项目。

3 如果你只需要蜱虫进行分析,你需要首先表明项目的可行性。在刻度线上显示实际收入,并证明其优于其他表示价格系列的方式。很明显,对权威的引用是无效的。

还有最后一个。每个人都在他的经纪公司的历史上交易,有自己独特的报价过滤器。对于这个特殊的经纪公司,NS是经过培训的。因此,我们不是在谈论拟议项目的普遍性除了你,谁会对它感兴趣?再来一两个人...

 
是的,关于过滤器,我还没有想到这一点。虽然我最近在昨天就写过这个问题...谢谢你。
 
你是否已经设法将输入归一化为一个常数分布?我最近一直在与一个类似的问题作斗争。用一个例子来描述配给制的本质,我想确保我对你的困难理解正确。如果我理解正确,我将能够提出一个解决方案。
 
我有一个不同的困难。
 

中子帕罗克 提问。据我所知,Neutron 是通过修改过的RPROP方法来训练其网格,而Paralocus 则是通过修改过的BPROP方法来训练其网格。在经典的RPROP方法中,权重步骤是通过训练误差平方的梯度(dE^2/dw = -delta*Neuron_Input)乘以学习率来计算的。这种方法可以在局部应用,当从一个训练集转移到另一个训练集时,或者以历时的方式,通过累积所有训练集的误差梯度,然后计算加权步骤。你的修改是,权重步骤另外乘以(1-L/N)*dw/sqrt(dwNorm)。中子 只接受dw增量符号,如RPROP。我几乎试过所有种类的RPROP方法(BPROP、RPROP、IRPROP+/-、SARPROP、GRPROP),得到的结果相当糟糕。当权重用一些随机数初始化时(例如,在-0.5...0.5的范围内),初始学习误差非常大,学习方法成功地减少了它。这里没有任何问题。但如果权重以零值或非常小的随机值初始化(如-0.05...0.05),那么初始学习误差就很小,与权重以 "大 "随机数初始化时的最终学习误差相等。那么,如果我们知道当初始权重为随机时,零权重给我们带来的误差接近于最终的学习误差,那么训练网络的意义何在?下面是用修改后的ORO方法如paralocus 的训练误差图(从以前的帖子来看, Neutron 一开始也是用同样的方法)。


我提到的所有训练方法都显示出大致相同的行为:在随机初始权重下,从一个纪元到另一个纪元的学习误差有一个很好的、鼓舞人心的减少(人们可以写一篇论文或一篇论著)。在初始权重为零时,误差已经小到网络根本无法改善它。下面是IRPROP+训练的例子,输入数据相同



也许,这种训练误差的行为是我的网络(两层,12个输入,5个隐藏神经元,1个输出,120个训练集)或输入数据(具有不同延迟的相对价格增量)所特有。我想看看你的网络在随机和零初始权重下是如何学习的。如果你不介意的话,给我看看这两种情况下非正则 学习误差与历时的关系图。

在这里,我对我的结果进行了一些思考,并得出了一个结论:如果网络的权重在学习过程中趋于零,或者换句话说,零初始权重接近于网络的训练状态,那么网络试图描述非常弱相关的输入和输出,即随机市场,其中预测是不可能的。我已经 "发明 "了这样一个定理


 
gpwr писал(а)>>

也许这种学习错误的行为是我的网络所特有的(两层,12个输入,5个隐藏神经元,1个输出,120个训练集),或输入数据(不同延迟的相对价格增量)。我想看看你的网络在随机和零初始权重下是如何学习的。

这就是双层NS的学习误差减少过程的样子,取决于历时数。

该网络有5个输入,隐藏层有4个神经元,输出有一个神经元。将欧元兑美元1h的开盘价归一化为其标准差,作为训练向量。在图中,圆圈显示的是在50个数字实验中发现的训练误差的标准差,没有将误差归一到输入向量的长度。细线表示在1/e水平上的统计散点。蓝色显示了这个过程在0范围内的初始随机化权重的实现。红色显示了+/-1范围的带状分布。

可以看出,如果用随机值对权重进行初始化,与从零开始相比,NS的学习效果要好很多。此外,在一般情况下,增加权重的起始随机化范围可以减少最终的学习误差。然而,这需要增加所需的历时数(图表,作为一个整体,上升了)。

 
Neutron >> :

这就是双层NS的学习误差减少过程的样子,取决于epoch数。

该网络有5个输入,隐藏层有4个神经元,输出有一个神经元。将欧元兑美元1h的开盘价归一化为其标准差,作为训练向量。在图中,圆圈显示的是在50个数字实验中发现的训练误差的标准差,没有将误差归一到输入向量的长度。细线表示在1/e水平上的统计散点。蓝色显示了这个过程在0范围内的初始随机化权重的实现。红色显示了+/-1范围的带状分布。

可以看出,如果用随机值对权重进行初始化,与从零开始相比,NS的学习效果要好很多。此外,在一般情况下,增加权重的起始随机化范围可以减少最终的学习误差。然而,这需要增加所需的历时数(图表,作为一个整体,上升了)。

谢谢。为什么统计分布在蓝色圆圈附近画出来?如果权重以零值开始,那么就不应该有任何统计上的散乱。

还有一个问题。如果你用欧元兑美元1h的开盘价按其标准差归一化,那么它们的平均数就不是零。还是你已经减去了平均数?