市场礼仪或雷区中的良好风度 - 页 87 1...808182838485868788899091929394...104 新评论 Михаил 2009.07.01 13:24 #861 Neutron писал(а)>> 我把这个任务交给NS，它在分析的基础上决定，尽可能 "短 "的历史（仍然是历史，还有什么可以在TA中使用？ 那就没有什么论文了，是吗？ 而感知器，根据你的说法，E.只预测方向。 paralocus 2009.07.01 14:15 #862 M1kha1l >> : 那就没有什么论文了，是吗？ 而感知器，根据你的说法，E.只预测方向。 因此，我们对论文不感兴趣，而是对利润感兴趣......。 出于同样的原因，除了方向（下一个参考点的符号），我们不需要知道任何东西。 Neutron 2009.07.01 18:55 #863 牧羊人的模式不也是如此吗？ 你用统计学或网络来分析它们，有什么区别呢？ Artem Titarenko 2009.07.02 21:22 #864 gpwr писал(а)>> 我的网络得到了300个训练实例，权重数为45。在文献中，有一种观点认为，如果有5倍于权重的训练实例，网络有95%的概率会被泛化。也就是说，根据理论，我的网络必须具有良好的概括性，但事实上并非如此。这就是为什么我举了一些例子来证实它。我认为这里的重点不是要采取更多的培训实例。这是关于我强迫网络解决的问题的性质。如果你试图让网络预测价格的下一步的大小，那么在训练中，它将倾向于这样的权重，神经元在激活函数的线性区域操作，以保持预测的步骤和输入的过去步骤之间的比例。也就是说，任务本身是线性的。鉴于这种状况，增加隐藏神经元不会有任何改善。而隐藏层本身也变得没有必要。通过对我的网络进行实验，我得出结论，单层和双层一样好用。我想，读了你以前在这个主题的帖子，你对欧元兑美元也得出了同样的结论。 我认为该网络应该用于高度非线性问题（如XOR或分类问题），其中神经元的激活函数可以选择交错进行。 如果你不难，请把你训练NS的样本(.rar)发给我，样本大约有10000个例子。或将形成它的代码... 在你提交的网络样本的第一印象中，输入和输出之间有很强的线性关系--因此网络作为线性求解器工作...... //---- 关于取样：有一种方法可以确定足够的训练样本，但网络（10-21-8-1）可以用50 000或100 000的样本进行重新训练... 所以最好用交叉验证法进行训练... Evgeniy Logunov 2009.07.02 22:36 #865 paralocus писал(а)>> 我们感兴趣的不是论文，而是利润...。出于同样的原因，我们不需要知道任何东西，除了方向（下一个计数的符号）。 而你认为对烛台方向的预测在哪个时间段有意义？我正在这个方向上进行挖掘（我没有使用神经元网），结果（正确预测的概率）如下M1- 69%, M5- 61%, M15- 58%, M30- 56%, H1- 55%, H4- 51%, D1- 46%, W1- 51%, M1- 58%。基于这种方法的顾问以传播的速度进行排水。:/ paralocus 2009.07.03 10:52 #866 lea >> : 而在什么时间段，你认为烛台方向的预测有意义？我现在正朝着这个方向挖掘（不使用神经元网）；结果（正确预测的概率）如下。M1- 69%, M5- 61%, M15- 58%, M30- 56%, H1- 55%, H4- 51%, D1- 46%, W1- 51%, M1- 58%。基于这种方法的顾问以传播的速度进行排水。:/ 在我看来，它们都不是。>>时间框架出来了! Сергей 2009.07.03 15:15 #867 paralocus >> : 我不这么认为。时间框架，我的屁股! 毕竟，你继承了你的英雄的气质!慢慢来吧，时机一到，你就会写出这样的东西。 抽搐了! 这只是，所有的好时机... >>祝你好运!:о) Neutron 2009.07.03 16:08 #868 grasn писал(а)>>这只是，所有的好时机... 当我的神经网络正在收集统计数据时（由于在隐藏层的大量神经元时收敛不稳定，它已经崩溃了几次，所以我不得不重新引入计数率与权重向量长度的归一化），我将对NS的适用性做出反馈。 上面我提出了训练后的网络填补训练向量中的统计空白的能力。在我看来，在缺乏训练数据的情况下，这可以有效地使用NS。然而，自然界变成了更有趣的东西......。看来，NS的主要专长在于一个稍微不同的领域。它的工作是根据那些没有参与训练的输入数据的值来 "输出 "一个值（预测）。这是可以理解的，但想想看......。在输入的必要范围（输入的取值范围）内有几个参考点就足够了，可以尽可能可靠地预测 "稍微 "错误的输入数据上的预期值。这是NS的主要属性，这里的关键点是输入数据值范围的连续性事实。这就是NS的力量充分发挥的地方。 如果输入数据是离散的，会发生什么？没有什么特别的，NS也可以。但现在我们有机会收集所有离散值组合的统计数据，并作出与NS情况下相同的预测，但没有它。但我们不应该忘记，NS会更快、更优雅地完成这个任务（如果有大量的离散值，但如果没有......）。而且，如果输入值的离散性很低，或者只有两个（+/-1），那么，事实证明，NS是不需要的。收集每个数值的统计资料就足够了，自然界中没有什么会比这更准确的预测了。 对于二进制条目的预测，有比NS更有效的方法。这并不削弱NS的优点，但BP预测被简化为二元预测的方式很吸引人! 图中显示了一个二进制的双入口NS所接受的状态范围。输入值可以采取的组合数只有4个。而在每一个人身上，我们都需要做出买入/卖出的决定。这里不需要NS!我们需要琐碎的统计数据。对于3个输入的NS，我们得到一个有8个顶点的3维立方体，在每个顶点上有相同的买入/卖出等。 我再次表示，我不是在贬低NS的优点。例如，如果我们预测池塘里的水蚤数量，这取决于一百或两个因素（水的酸度、温度等），如果没有NS，我们无法做出可靠的预测，如果至少有一个或两个参数会变化1%--可能我们会进入根本没有统计数据的领域，或者不适合插值。 Сергей 2009.07.03 16:37 #869 Neutron >> : ... 听起来像一个verdict....作为一项 "判决"，例如对明斯基，他证明了感知器的严重局限性，而在追求金钱的过程中，这一点根本被遗忘了。他们还忘记了，即使是具有非线性初始化的多层网络也绝对不能保证分类的正确性，而且他们还忘记了......。 (但这是作为一个笑话，不是另一个争论的开始）。我承认，从你的帖子中，我仍然不明白NS的力量是什么，但我在建立自己的和使用NS的专门手段的经验给出了简单而明确的答案--使用感知器完全没有优势，特别是--在 "坏 "行（你的卡格是非常坏的预测行）上。 但无论如何，祝你好运。再见，（我将消失几个星期）。 Admin 2009.07.04 10:47 #870 如果有人感兴趣，FORTS上有一份完整的期货 历史。它有几年的深度。 1...808182838485868788899091929394...104 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
我把这个任务交给NS，它在分析的基础上决定，尽可能 "短 "的历史（仍然是历史，还有什么可以在TA中使用？
那就没有什么论文了，是吗？
而感知器，根据你的说法，E.只预测方向。
那就没有什么论文了，是吗？
而感知器，根据你的说法，E.只预测方向。
因此，我们对论文不感兴趣，而是对利润感兴趣......。 出于同样的原因，除了方向（下一个参考点的符号），我们不需要知道任何东西。
牧羊人的模式不也是如此吗？
你用统计学或网络来分析它们，有什么区别呢？
我的网络得到了300个训练实例，权重数为45。在文献中，有一种观点认为，如果有5倍于权重的训练实例，网络有95%的概率会被泛化。也就是说，根据理论，我的网络必须具有良好的概括性，但事实上并非如此。这就是为什么我举了一些例子来证实它。我认为这里的重点不是要采取更多的培训实例。这是关于我强迫网络解决的问题的性质。如果你试图让网络预测价格的下一步的大小，那么在训练中，它将倾向于这样的权重，神经元在激活函数的线性区域操作，以保持预测的步骤和输入的过去步骤之间的比例。也就是说，任务本身是线性的。鉴于这种状况，增加隐藏神经元不会有任何改善。而隐藏层本身也变得没有必要。通过对我的网络进行实验，我得出结论，单层和双层一样好用。我想，读了你以前在这个主题的帖子，你对欧元兑美元也得出了同样的结论。
我认为该网络应该用于高度非线性问题（如XOR或分类问题），其中神经元的激活函数可以选择交错进行。
如果你不难，请把你训练NS的样本(.rar)发给我，样本大约有10000个例子。或将形成它的代码...
在你提交的网络样本的第一印象中，输入和输出之间有很强的线性关系--因此网络作为线性求解器工作......
//----
关于取样：有一种方法可以确定足够的训练样本，但网络（10-21-8-1）可以用50 000或100 000的样本进行重新训练...
所以最好用交叉验证法进行训练...
我们感兴趣的不是论文，而是利润...。出于同样的原因，我们不需要知道任何东西，除了方向（下一个计数的符号）。
而你认为对烛台方向的预测在哪个时间段有意义？我正在这个方向上进行挖掘（我没有使用神经元网），结果（正确预测的概率）如下M1- 69%, M5- 61%, M15- 58%, M30- 56%, H1- 55%, H4- 51%, D1- 46%, W1- 51%, M1- 58%。基于这种方法的顾问以传播的速度进行排水。:/
而在什么时间段，你认为烛台方向的预测有意义？我现在正朝着这个方向挖掘（不使用神经元网）；结果（正确预测的概率）如下。M1- 69%, M5- 61%, M15- 58%, M30- 56%, H1- 55%, H4- 51%, D1- 46%, W1- 51%, M1- 58%。基于这种方法的顾问以传播的速度进行排水。:/
在我看来，它们都不是。>>时间框架出来了!
我不这么认为。时间框架，我的屁股!
毕竟，你继承了你的英雄的气质!慢慢来吧，时机一到，你就会写出这样的东西。
抽搐了!
这只是，所有的好时机...
>>祝你好运!:о)
这只是，所有的好时机...
当我的神经网络正在收集统计数据时（由于在隐藏层的大量神经元时收敛不稳定，它已经崩溃了几次，所以我不得不重新引入计数率与权重向量长度的归一化），我将对NS的适用性做出反馈。
上面我提出了训练后的网络填补训练向量中的统计空白的能力。在我看来，在缺乏训练数据的情况下，这可以有效地使用NS。然而，自然界变成了更有趣的东西......。看来，NS的主要专长在于一个稍微不同的领域。它的工作是根据那些没有参与训练的输入数据的值来 "输出 "一个值（预测）。这是可以理解的，但想想看......。在输入的必要范围（输入的取值范围）内有几个参考点就足够了，可以尽可能可靠地预测 "稍微 "错误的输入数据上的预期值。这是NS的主要属性，这里的关键点是输入数据值范围的连续性事实。这就是NS的力量充分发挥的地方。
如果输入数据是离散的，会发生什么？没有什么特别的，NS也可以。但现在我们有机会收集所有离散值组合的统计数据，并作出与NS情况下相同的预测，但没有它。但我们不应该忘记，NS会更快、更优雅地完成这个任务（如果有大量的离散值，但如果没有......）。而且，如果输入值的离散性很低，或者只有两个（+/-1），那么，事实证明，NS是不需要的。收集每个数值的统计资料就足够了，自然界中没有什么会比这更准确的预测了。
对于二进制条目的预测，有比NS更有效的方法。这并不削弱NS的优点，但BP预测被简化为二元预测的方式很吸引人!
图中显示了一个二进制的双入口NS所接受的状态范围。输入值可以采取的组合数只有4个。而在每一个人身上，我们都需要做出买入/卖出的决定。这里不需要NS!我们需要琐碎的统计数据。对于3个输入的NS，我们得到一个有8个顶点的3维立方体，在每个顶点上有相同的买入/卖出等。
我再次表示，我不是在贬低NS的优点。例如，如果我们预测池塘里的水蚤数量，这取决于一百或两个因素（水的酸度、温度等），如果没有NS，我们无法做出可靠的预测，如果至少有一个或两个参数会变化1%--可能我们会进入根本没有统计数据的领域，或者不适合插值。
...
听起来像一个verdict....作为一项 "判决"，例如对明斯基，他证明了感知器的严重局限性，而在追求金钱的过程中，这一点根本被遗忘了。他们还忘记了，即使是具有非线性初始化的多层网络也绝对不能保证分类的正确性，而且他们还忘记了......。 (但这是作为一个笑话，不是另一个争论的开始）。我承认，从你的帖子中，我仍然不明白NS的力量是什么，但我在建立自己的和使用NS的专门手段的经验给出了简单而明确的答案--使用感知器完全没有优势，特别是--在 "坏 "行（你的卡格是非常坏的预测行）上。
但无论如何，祝你好运。再见，（我将消失几个星期）。