神经网络 - 页 5 123456789101112...14 新评论 Леонид 2009.08.04 06:52 #41 gpwr писал(а)>> 我们不了解对方。 事实上,你写得都很正确。我们只是在定义上有分歧。 gpwr 写道(a)>> 所有的教科书都说,用老师训练网络是通过将数据分成训练样本和测试样本来完成。该网络通过最小化训练样本的误差来学习,同时观察测试样本的误差(样本外测试或验证)。当测试样本的误差停止减少时,学习就会停止(下面用虚线表示)。而训练样本的误差可能会继续减少,如该图所示 在所有这些研究中,许多人忘记了最重要的事情--利润。这就是为什么有一个 "但是 "没有写在教科书上。就是说,在OOS上实现最小误差并不能保证盈利。为什么?因为最小误差和利润是两码事。它们可能没有任何联系。为什么?因为网络不一定重复市场上的OOS和真实 - 在某些时刻,它足以给出正确的买入或卖出信号 - 即超过一定的触发阈值。在这些时刻(信号)之间,网络可以按照自己的意愿行事--主要是不要超过这个阈值。这就是为什么在OOS的大误差下,利润可以很大。 muallch 写道>> 在开始的时候,有一个样本外的--建立网。然后它就会消失--真正的未来就在前面,必须预测。停止训练的标准是什么--一定的误差还是训练运行的次数?还是别的什么? 当然,未来的问题肯定是开放的,因为即使是OOS是一个已知的未来,我们可以控制利润,而我们是在一个对我们来说未知的未来进行交易,那里的主要问题不是获得最小的错误,而是获得最大的利润。而会有什么样的错误--这并不重要。 Artem Titarenko 2009.08.04 06:55 #42 muallch писал(а)>> 首先是样本外--设置网格。然后就没有出样了--真正的未来在前面,必须预测。停止训练的标准是什么--一定的误差还是训练运行的次数?还是别的什么? 例如,100个历时,不更新控制样本的最小误差。 Artem Titarenko 2009.08.04 07:03 #43 LeoV писал(а)>> 当然,未来的问题肯定是开放的,因为即使是OOS是一个已知的未来,我们可以控制利润,而我们是在一个对我们来说未知的未来进行交易,那里的主要问题不是获得最小的错误,而是获得最大的利润。这将是一个什么样的错误--这并不重要。 你可能是这样想的,因为你从来没有过真正稳定的结果。误差和利润是相互关联的,原则上每个任务都可以确定应该达到什么样的误差以获得可接受的TC。 Леонид 2009.08.04 07:05 #44 StatBars писал(а)>> 你之所以这样想,可能是因为你从来没有过任何真正稳定的结果。误差和利润是相互关联的,原则上,对于每项任务,你可以定义你需要达到什么样的误差才能获得可接受的TC性能...... 对你来说,"真正稳定的结果 "意味着什么? Леонид 2009.08.04 07:15 #45 StatBars писал(а)>> 误差和利润是相互关联的 他们可能有关系,也可能没有关系--这是个大问题。但可以肯定的是,OOS的最小误差并不意味着也不会导致真实账户的最大利润。以及真实账户上的最大利润并不意味着它的最小错误。 Stanislav Korotky 2009.08.04 07:37 #46 gpwr >> : 你误解了我推理的本质。我没有谈及 "未经训练的 "网络与交易结果之间的关系。到处都写着,网络必须被训练到被测样本的误差不再减少。我同意这一点,也不想争论这个问题。我的推理的实质是说明平行网络结构如何导致其优化的困难,以及基于幂级数的非线性模型如何能够实现与神经网络相同的目标,但其数学装置要简单得多,而且学习过程快,导致结果独特。 诶,这里已经表达了多少意见;-)。我将加入我的5戈比。 你也误解了我的意思。我的意思不是说网络是 "未经训练的"。我的意思是,你不应该期望从网络上获得奇迹。这不是灵丹妙药,如果说它能给人带来胜算,那也是非常小的,这就是为什么我们需要委员会。委员会的网络配置和输入/输出数据结构可以进行长时间的搜索。我认为,你太急于给网格打折扣了,甚至没有真正尝试你应该做的10%(只是从你开始直接在你的项目上工作的时间来判断)。凭借你的数学背景,你可以选择用什么来尝试和取代网格;-)。欢迎你来尝试。但在我看来,通过批评网格,你的注意力集中在错误的地方。特别是,在一个特定的网状实例中,哪个突触学习到哪个输入因子有什么区别?你需要了解它吗?它真的没有。这种跨越神经元的信号分布网格的内在不确定性应该是 "设计 "出来的。但如果你训练一打网格并使其变薄,你会看到连接的模式--你提到的非常非线性的系列--已经形成了自己,并且接近或等于一个相同的。如果你在做手工模拟,作为一个数学家,你知道要使用哪些方法,以及这些方法有多大的劳动强度,以便揭示数据流中网络所揭示的依赖关系,只有在揭示了这些依赖关系之后,你才能创建你的幂级数。 关于委员会,我想说的是,它们不是按照N个网络的简单原则选择的,而只是比如说从收到的一百个网络中选择前10个。如果我们继续以人的会议为例,只有那些或多或少能够相互倾听的人,才能被听到。另外,你显然忘记了我们有2种以上的结果。它们实际上是:成功、失败、损失、失败。因此,必须计算概率(我故意简化):无损(1)*无损(2)=0.4*0.4=0.02。也就是说,最佳配置不是利润概率最大的配置,而是损失概率最小的配置。以此类推,我们看一下缩水率。采取超级有利可图的设置是没有意义的,如果它们的缩减量已经达到50%,因为它实际上保证了损失。 Andrey Dik 2009.08.04 07:43 #47 再一次。 joo писал(а) >> 在老师的指导下,只能对我们已经知道的函数进行网格训练,如正弦波。在这里,我们可以凭良心说,把网子喂给下一个点,让其接受教师培训。 的训练点作为教师。这在市场上是行不通的。 因为我们总是提前知道正弦波的下一个点是哪个。我们知道正弦波的未来! 因此,根据历史(正弦)数据进行教学是有效的,也就是说,与教师一起教学。 但我们不知道市场的未来,所以跟老师讲课就成了一个毫无意义的过程。 Artem Titarenko 2009.08.04 07:46 #48 LeoV писал(а)>> 对你来说,"真正稳定的结果 "意味着什么? 例如,一个专家顾问在2个月的历史上进行了优化,只有3个参数,80%的积极结果在所有历史上都是盈利的。 网络也是如此...... Artem Titarenko 2009.08.04 07:52 #49 LeoV писал(а)>> 他们可能有关系,也可能没有关系--这是个大问题。但可以肯定的是,OOS的最小误差并不意味着也不会导致真实账户的最大利润。另外,真实账户的最大利润并不意味着它的最小误差。 一般来说,你说的是结果的稳定性,而不是错误,如果网络能稳定地识别或预测一些东西,而且这种预测足以获得利润,我们就会在外汇和实物上都有利润。 如果误差小得令人满意,那么它就会导致。令人满意是什么意思?对于每个问题,这个条件是单独设置的,我只知道经验性的方法。 Artem Titarenko 2009.08.04 08:00 #50 joo писал(а)>> 我再说一遍。 因为,我们总是提前知道正弦波的下一个点是哪个。我们知道正弦波的未来! 这就是为什么在历史(正弦)数据上进行训练是合法的,也就是说,用老师来教。 但我们不知道市场的未来,这就是为什么跟老师学习是一个毫无意义的过程。 如果我们知道正弦波,因此可以用网络预测它,然后创建一个更复杂的公式,分析符号将被你知道,所以我们也可以预测它。市场是同样的公式,只是更加复杂,而且不知道是什么原因导致的。 123456789101112...14 新评论 原因: 取消 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
事实上,你写得都很正确。我们只是在定义上有分歧。
在所有这些研究中,许多人忘记了最重要的事情--利润。这就是为什么有一个 "但是 "没有写在教科书上。就是说,在OOS上实现最小误差并不能保证盈利。为什么?因为最小误差和利润是两码事。它们可能没有任何联系。为什么?因为网络不一定重复市场上的OOS和真实 - 在某些时刻,它足以给出正确的买入或卖出信号 - 即超过一定的触发阈值。在这些时刻(信号)之间,网络可以按照自己的意愿行事--主要是不要超过这个阈值。这就是为什么在OOS的大误差下,利润可以很大。
在开始的时候,有一个样本外的--建立网。然后它就会消失--真正的未来就在前面,必须预测。停止训练的标准是什么--一定的误差还是训练运行的次数?还是别的什么?
首先是样本外--设置网格。然后就没有出样了--真正的未来在前面,必须预测。停止训练的标准是什么--一定的误差还是训练运行的次数?还是别的什么?
例如,100个历时,不更新控制样本的最小误差。
当然,未来的问题肯定是开放的,因为即使是OOS是一个已知的未来,我们可以控制利润,而我们是在一个对我们来说未知的未来进行交易,那里的主要问题不是获得最小的错误,而是获得最大的利润。这将是一个什么样的错误--这并不重要。
你之所以这样想,可能是因为你从来没有过任何真正稳定的结果。误差和利润是相互关联的,原则上,对于每项任务,你可以定义你需要达到什么样的误差才能获得可接受的TC性能......
对你来说,"真正稳定的结果 "意味着什么?
他们可能有关系,也可能没有关系--这是个大问题。但可以肯定的是,OOS的最小误差并不意味着也不会导致真实账户的最大利润。以及真实账户上的最大利润并不意味着它的最小错误。
你误解了我推理的本质。我没有谈及 "未经训练的 "网络与交易结果之间的关系。到处都写着,网络必须被训练到被测样本的误差不再减少。我同意这一点,也不想争论这个问题。我的推理的实质是说明平行网络结构如何导致其优化的困难,以及基于幂级数的非线性模型如何能够实现与神经网络相同的目标,但其数学装置要简单得多,而且学习过程快,导致结果独特。
诶,这里已经表达了多少意见;-)。我将加入我的5戈比。
你也误解了我的意思。我的意思不是说网络是 "未经训练的"。我的意思是,你不应该期望从网络上获得奇迹。这不是灵丹妙药,如果说它能给人带来胜算,那也是非常小的,这就是为什么我们需要委员会。委员会的网络配置和输入/输出数据结构可以进行长时间的搜索。我认为,你太急于给网格打折扣了,甚至没有真正尝试你应该做的10%(只是从你开始直接在你的项目上工作的时间来判断)。凭借你的数学背景,你可以选择用什么来尝试和取代网格;-)。欢迎你来尝试。但在我看来,通过批评网格,你的注意力集中在错误的地方。特别是,在一个特定的网状实例中,哪个突触学习到哪个输入因子有什么区别?你需要了解它吗?它真的没有。这种跨越神经元的信号分布网格的内在不确定性应该是 "设计 "出来的。但如果你训练一打网格并使其变薄,你会看到连接的模式--你提到的非常非线性的系列--已经形成了自己,并且接近或等于一个相同的。如果你在做手工模拟,作为一个数学家,你知道要使用哪些方法,以及这些方法有多大的劳动强度,以便揭示数据流中网络所揭示的依赖关系,只有在揭示了这些依赖关系之后,你才能创建你的幂级数。
关于委员会,我想说的是,它们不是按照N个网络的简单原则选择的,而只是比如说从收到的一百个网络中选择前10个。如果我们继续以人的会议为例,只有那些或多或少能够相互倾听的人,才能被听到。另外,你显然忘记了我们有2种以上的结果。它们实际上是:成功、失败、损失、失败。因此,必须计算概率(我故意简化):无损(1)*无损(2)=0.4*0.4=0.02。也就是说,最佳配置不是利润概率最大的配置,而是损失概率最小的配置。以此类推,我们看一下缩水率。采取超级有利可图的设置是没有意义的,如果它们的缩减量已经达到50%,因为它实际上保证了损失。
再一次。
joo писал(а) >>
在老师的指导下,只能对我们已经知道的函数进行网格训练,如正弦波。在这里,我们可以凭良心说,把网子喂给下一个点,让其接受教师培训。
的训练点作为教师。这在市场上是行不通的。
因为我们总是提前知道正弦波的下一个点是哪个。我们知道正弦波的未来!
因此,根据历史(正弦)数据进行教学是有效的,也就是说,与教师一起教学。
但我们不知道市场的未来,所以跟老师讲课就成了一个毫无意义的过程。
对你来说,"真正稳定的结果 "意味着什么?
例如,一个专家顾问在2个月的历史上进行了优化,只有3个参数,80%的积极结果在所有历史上都是盈利的。
网络也是如此......
他们可能有关系,也可能没有关系--这是个大问题。但可以肯定的是,OOS的最小误差并不意味着也不会导致真实账户的最大利润。另外,真实账户的最大利润并不意味着它的最小误差。
一般来说,你说的是结果的稳定性,而不是错误,如果网络能稳定地识别或预测一些东西,而且这种预测足以获得利润,我们就会在外汇和实物上都有利润。
如果误差小得令人满意,那么它就会导致。令人满意是什么意思?对于每个问题,这个条件是单独设置的,我只知道经验性的方法。
我再说一遍。
因为,我们总是提前知道正弦波的下一个点是哪个。我们知道正弦波的未来!
这就是为什么在历史(正弦)数据上进行训练是合法的,也就是说,用老师来教。
但我们不知道市场的未来,这就是为什么跟老师学习是一个毫无意义的过程。
如果我们知道正弦波,因此可以用网络预测它,然后创建一个更复杂的公式,分析符号将被你知道,所以我们也可以预测它。市场是同样的公式,只是更加复杂,而且不知道是什么原因导致的。