在交易中使用神经网络。
читайте================================>хайкина=========================> :О)
已经找到了!一定会读的。
当然，这是一个很大的字，但至少看看你帖子下面的链接，毕竟这不是一个新的话题。
我对大量的文字没有异议。都在那里......都在那里......你认为已经结束了，不是吗？
полагаете что тема исчерпана полность?
不可能。相反，挖来挖去，要用更大的铲子和一袋的时间。
4.对输入值进行归一化处理。该程序的含义很清楚。不清楚的是如何正确地实施它。让我解释一下。正常化--
是将价值带入一个单一的范围。要做到这一点，我们需要找到样本中的最大值和最小值。
这很好。我们应该搜索到什么深度？假设我们在样本中有100个指标值，我们需要归一化
第75值。我们应该在哪里寻找最小和最大？在74岁以前？ 或在50岁以前？ 或在所有100岁（即
需要有确定性......因为在分类中，每条都必须独立计算，并根据
否则都是胡扯......我认为它应该只基于过去的价值观，并采取
我认为我们应该只使用过去的值，并采取相同的深度（例如总是100条以前或500条或与训练样本相同的值）。- 寻找一种通用的方法，并在专门的网站上阅读关于神经网络的文章。
5.对进入的样本进行随机的重新分类。- 不是一个基本点
6.最后是关于网络培训的最后一个问题。是否有人使用C.V.？(交叉验证）采样？这真的有必要吗？它是否真的有助于防止网络过度训练？而在一般情况下，你如何打击这种
偷偷摸摸的过度训练？它破坏了一切!如同训练样品一样，一切都很美好！"。而在《出来》中
样本 - 胡说八道...- 在任何情况下，测试样本决定一切。
关于OOS的无稽之谈：1.不是一个有代表性的样本 2.不是固定的数据 3.不正确的预处理，可能还有其他一些东西...
我个人使用NeuroSolution 5 DE来研究NS在交易中的作用。这是一个良好而灵活的方案。
可以将结果生成为DLL， 。
相当聪明。(但不清楚在训练和优化之后，如何从输入选择中找到哪些值是有用的，哪些值被排除在外。
我唯一想知道的是哪些数值是有用的，哪些是被程序排除的有害或不必要的）。
请不要路过。批评，建议分享你的想法!
从好的方面来说，我必须自己写下一切，至少要更好地理解发生的事情和原因......。
1.国家安全局的任务是什么？我认为，分类的任务（即把市场中的时刻分为类
"买入"、"卖出"、"远离市场"）在获得良好的交易结果方面是最有希望的。
是的，它是。而且，国家 "退出市场 "通常与价差扩大有关，其他一切NS都有迹可循，应该利用其优势。这就是为什么只在 "买入 "或 "卖出 "的基础上进行分类对NS至关重要，而在TS本身，我们根据经纪公司佣金的当前价值，为交易设置 "允许-禁止"。
2.如何制定这项任务？我认为有两种方法。
а.第一个是教网络确定市场的最有利可图的时刻。
б.第二种方式--理论上，训练样本应该只在有系统交易信号的条形图上抽取......或者在所有条形图上抽取？
再说一遍......输出的样本（DISAER）应该是离散的还是有中间值的？
对--为了最大限度地促进国家统计局要解决的任务，为此，我们应该独立地确定最佳的TS（针对特定条件），并将已经剖析的时间序列作为输入数据提供给它，即不是每个条形图，而是可能的关键点，只有在这之后，我们才能期望国家统计局做出适当的进入-退出决定。而且它将决定你所建议的关键点是否是这样。
至于NS输出值的离散性问题的答案，并不明显，首先取决于NS输入信号 "切片 "的商数增量的分布规律。如果分布接近对称，那么我们可以将自己限制在离散输出+/-1（买入/卖出），但如果分布不对称，那么我们必须考虑其振幅（概率），此外还有符号。
3.输入值。
已作上述回答。
4.输入值的规范化。
正常化是NS正确工作的必要条件。
执行这一程序的正确方法是在+/-1的区域内实现NS的输入/输入的整个接收值的映射，具有均匀（空心）分布。这可以通过用双曲切线作用于输入矢量，然后用某种方法平滑分布来实现（可选）。
5.对进入的样本进行随机求助。双人或双胞胎!众说纷纭。
该程序是无用的!
问题是，使用反向误差传播法，我们对整个训练样本的误差进行加总，对我们来说，以何种顺序对单个异常值进行加总并无区别--重新排列音节的位置不会改变加总。
6.那么你到底是如何处理这种偷偷摸摸的过度训练的呢？
训练样本的最小长度 P、NS中的权重数W 和输入维度d 之间有一个明确的关系：P>4*(W^2)/d
如果满足了这个条件，显然过度训练就不会发生。当表征学习误差的参数达到渐近值时，学习过程必须停止。
我个人使用NeuroSolution 5 DE来研究NS在交易中的作用。这是一个良好而灵活的方案。
相当棘手。
太糟糕了!
你应该直接在MQL中编写NS的代码。这是避免陷阱之海、节省时间和精力的唯一方法。
1.
正确的做法是让NS尽可能容易地解决问题，为此，你需要自己确定最佳的TS（针对特定条件），并将已经剖析好的时间序列数据作为输入，即不是每个柱子，而是可能的关键点，只有这样，你才能期望从NS得到一个适当的入市-出市的解决方案。它将决定你建议的关键点是否是这样。
2.
糟糕!
你应该直接在MQL中编写NS代码。这是避免陷阱之海、节省时间和精力的唯一方法。
1.通过使其容易，不丢失数据。最重要的是不要给网络提供基本相同的数据。最好能跳出框框，想想什么能影响价格，以及如何将其作为数据呈现给神经网络。
2.不要为MQL编写NS代码。你将花费大量的时间和神经，一切工作都会非常缓慢。最好学习如何将你的dll与MT4连接起来，用C语言编写你自己的神经网络，例如用FANN包。这将有助于避免许多问题，包括将代码移植到新的MQL5终端。
正确的方法是让NS的整个输入/输入值范围出现在+/-1区域，呈均匀（空心）分布。这可以通过用双曲切线作用于输入矢量，然后以某种方式平滑分布（可选）来实现。
在最小训练样本长度 P、NS中可调整的权重数量W 和输入维度d 之间有一个明确的关系：P>4*(W^2)/d
如果满足了这个条件，显然过度训练就不会发生。当表征学习误差的参数达到渐近值时，学习过程必须停止。
糟糕!
有必要一次写出MQL的NS代码。这是避免陷阱之海、节省时间和精力的唯一方法。
二次方函数本身并不能使分布均衡...在我看来，在预处理中解决数据的静止性问题更为重要。
顺便说一下，你引用的公式，我得到W=420，d=14，所以P>50400--你不觉得样本有点大吗？
根据我的经验，样本的数量并不取决于你的建议...
一般来说，在应用这种特定的、相当复杂的程序之前，建议咨询这种软件的开发者，了解其在这个领域，即在金融市场的使用是否可取。因此，如果你向他们咨询，他们会告诉你NeuroSolution不适合在金融市场使用，并推荐另一个程序。NeuroSolution是为解决一般问题而设计的，而神经网络在金融市场的使用有一些特殊的特点，在这个软件中没有考虑到。也许NeuroSolution可以在某种程度上与金融市场挂钩，但它是相当复杂的，是在神经网络领域的大专家和交易员的力量下，他们清楚地了解什么结果，最重要的是如何从神经网络中得到它。因此，你有上面列出的所有问题--问题设置、数据规范化、过度训练等等.....。
亲爱的交易员们!最近，围绕着神经网络 的使用，人们的热情高涨。
金融市场的预测。我认为，观众分为那些已经尝试过的人，但在面对
问题，并得到了失望（用手更容易）或暂时退休，还有那些有一些（也许是非常好的）结果的人。
结果，并正在默默地工作和改进他们的系统......然而，新的患者出现了
渴望成功和问题。很多东西已经讨论过了，但也许有经验的神经交易商已经
新的想法？
我最近对非成长性感兴趣，积累了一些问题。我想听听擅长此道的人的意见。
我明白，在交易中使用神经网络时，许多细节是很重要的。按顺序排列。
1.为NS设定的任务是什么？我认为，分类的问题（即把市场上的时刻分成几类
"买入"、"卖出"、"远离市场"）是最有希望在交易中获得良好结果的。
2.如何制定这项任务？我认为有两种方法。
а.首先是教会网络独立确定最有利的
在你最有可能获得交易利润的时候进入市场。
在这种情况下，网络将不断分析市场（例如，在每个新酒吧开业时）并确定
那么，训练样本应该是什么？很明显，它应该包含
输入值 （价格或指标值），来自样本的每个条形图
所需的输出值。如何？这是一个问题的问题!因此，在STATISTICA的神经网络4程序中，最好是
每个条形图都应该被赋予一个固定的值，以表明它属于哪个类别......
到某一等级...如1、0或-1...甚至用文字 "卖出""脱离市场""买入"。
另一方面，我读到，训练样本的输出值不应该是离散的
并且应该分布在一个范围内，从（例如）-1，表示100%卖出！到1，表示100%买入，那么0将是
"不知道 "或 "不在市场上"。也就是说，每个条形图应该有一组输入和一个输出值（例如）0.8745。
这就意味着100次中有87次购买机会。
当然，如何找到这样的输出值？我是否使用 "之 "字形？而在 "之 "字形的山峰之间
计算它的 "几率"？
б.第二种方式是过滤一些系统的信号......本身是一个好的系统，产生了
而神经元只 "允许 "或不在其上交易。
......在这种情况下，训练样本应该只在系统发出交易信号的条形图上提取......还是在所有条形图上提取？
再说一遍，输出（disaer）应该是离散的还是有中间值的？
3.输入值。他们建议不要把指标值当作是这样的。我认为这是一种误解。
指标 "观察 "历史，每个指标都有自己的深度和角度，并在此基础上给予
如果我们取一组指标值，传入的向量会提醒市场的某种 "条形码"。
而NS将利用这些条形码识别和总结市场情况。我们建议将差异作为一种变体。
的指标值（为网络提供关于价格运动方向的信息）。 还有什么其他变体？
什么是正确的方式？我试着取一个复数的Phi角（Phi角是一个几何学上的
解释一个复数），但在我用NeuroSolution进行的实验中，与一组
的指标值出来的效果要差得多。专家界有什么意见？;-)
4.输入值的规范化。该程序的含义很清楚，不清楚的是如何正确执行该程序。让我解释一下。正常化--
是将价值带入一个单一的范围。要做到这一点，我们必须找到样本中的最大值和最小值。
这很好。我们应该搜索到什么深度？假设我们在样本中有100个指标值，我们需要归一化
第75值。我们应该在哪里寻找最小和最大？在74岁以前？ 或在50岁以前？ 或在所有100岁（即
需要有确定性......因为在分类中，每条都应独立计算，并根据
否则都是胡扯......我认为它应该只基于过去的价值观，并采取
我认为有必要只给出过去的数值，并采取严格定义的单一深度（例如总是100条以前或500条或训练样本的数值）。
5.对进入的样本进行随机重新取样。蜂或不是你的蜂!众说纷纭...该理论指出，对于
的分类是有用的。但现实中是怎样的呢？谁试过了？有什么意见吗？
6.最后还有一个关于网络培训的问题。是否有人使用C.V.？(交叉验证）采样？
有必要吗？它是否真的有助于防止网络过度训练？而在一般情况下，你是如何处理这个问题的？
偷偷摸摸的过度训练？它破坏了一切!如同训练样品一样，一切都很美好！"。而在《出来》中
样本--无稽之谈。
我个人使用NeuroSolution 5 DE来研究NS在交易中的作用。这是一个很好的灵活方案。
它允许 ，将结果生成为DLL。
相当聪明。(但不清楚在训练和优化之后，如何从输入选择中找到哪些值是有用的，哪些值被排除在外。
我唯一想知道的是，哪些数值是有用的，哪些是被程序排除的有害或不必要的。
请不要路过。批评，建议分享您的想法!