金融系列的神经预测（基于一篇文章）。 - 页 9

新评论
 
nikelodeon:


最后，在收集统计数据后，我们可以得出结论，最大限度的平衡的训练目标并不总是一件好事。但是有一个稍微不同的问题，如何找到NS的目标，以便在未来良好地工作。

我尝试了我的专家顾问与NS的不同变体，即按余额、利润系数、预期报酬、存款货币的缩减和缩减百分比。而且我还看了优化前后的前瞻性测试。

看来，如果我们通过存款货币的最小缩水进行优化，然后从优化结果中选择这个最小缩水，那么这两个远期都会成功。如果几个优化结果 的最小缩水值相同，你应该选择有最大余额的那个。

此外，还发现，如果按存款货币的最小缩水进行优化，然后选择利润系数最大的结果，向前测试也是成功的，但结果已经比前一种情况差了。

但这种方法只对单一的EA给出结果。其他具有相同NS但不同输入的专家顾问系统没有这样的功能，到目前为止，我们还无法为它们找到定义成功正向测试的优化结果迹象的方法。

[Deleted]  
Reshetov:

尝试了我的EA与NS的不同变体，即按余额、利润系数、预期报酬、存款货币的缩减和缩减百分比。而且我还看了优化前后的前瞻性测试。

看来，如果我们通过存款货币的最小缩水进行优化，然后从优化结果中选择这个最小缩水，那么这两个远期都会成功。如果几个优化结果的最小缩水值相同，你应该选择有最大余额的那个。

此外，还发现，如果按存款货币的最小缩水进行优化，然后选择利润系数最大的结果，远期测试也是成功的，但结果比前面的情况要差。

但这种方法只对一个EA给出结果。其他具有相同NS但不同输入的EA没有这样的特点，到目前为止，我们还无法为它们确定确定成功的正向测试的优化结果的迹象的方法。

神经网络加权需要数万亿的变化，而哈只能给出1-1.8万。

因此，在ha模式下运行优化几次（至少五次），然后再选择合适的东西才是正确的。

[删除]  
Reshetov:

事实证明，如果你通过存款货币的最小缩水进行优化，然后从优化结果中选择这个非常小的缩水，那么这两个远期都会成功。如果几个优化结果的最小缩减值是相同的，你需要选择一个会有最大平衡的结果。

此外，还发现，如果通过存款货币的最小缩水进行优化，然后选择利润系数最大的结果，向前测试也是成功的，但结果比前面的情况要差。

但这种方法只对单一的EA给出结果。其他具有相同NS但不同输入的专家顾问系统没有这样的功能，到目前为止，我们还没有设法为他们找到定义成功正向测试的优化结果的迹象的方法。

交易的数量 也得到了控制？NS很灵活，如果我们只是将最小缩水作为训练目标函数，它可以很容易地找到一个缩水为零的期权。如果具体NS的架构和数学允许，它可能只是找到一些权重，所以会有少数（统计学上微不足道的数量）交易，但没有缩减......也许这就是为什么它不能与其他输入和网络一起工作？

我经常使用一个类似的变体：标准=最大余额-缩减，但强制控制最小交易数量。我认为，NS每年至少要做100次交易，如果它显示出很好的结果，但只有99次交易--结果会被自动抛出......

[删除]  
mersi:

神经网络加权需要数万亿的选项，而ga只能给出1-1.8万个。

因此，正确的做法是在ha模式下运行几次优化（至少五次），然后才选择合适的东西。


你是否使用GA测试器来训练NS？你是如何做到的，它们是什么样的NS？使用这种方法，你能 "适合 "多少个 "尺度"？
 
Figar0:

你是否使用GA测试器来训练NS？你是如何做到的，它们是什么样的NS？使用这种方法，你能 "适合 "多少个 "尺度"？

在尤里回答的时候，我将告诉你我做了什么。

总共有21个砝码。变量的取值范围是-1到1。我把变量优化的步骤定为0.05。

我不能做更小的步骤，因为组合的数量达到了优化器的极限--19位数，我甚至不知道这样的数字。

也就是说，这是优化器的极限，类似于999999999999999999。

我的主题：https://www.mql5.com/ru/forum/126476

[Deleted]  
Figar0:

你是否使用GA测试器进行NS教学？你是如何做到的，它们是什么样的NS？使用这种方法，你可以 "调整 "多少个 "砝码"？

20个突触。

8项投入

4+3个隐藏层

1个产出

具有Fa-双曲切线的所有神经元

===========

有三个这样的网络。这三者的产出形成一个委员会。

首先，第一个网络被训练，另外两个网络的输出为零

然后，在第一种情况下，对第二种情况进行优化，以便在保持或增加利润的同时，将跌幅降 至最低。

然后，第三个网络被连接到已经存在的两个网络，并像前面的情况一样调整权重。

 
Figar0:

交易的数量也得到了控制？NS很灵活，如果我们简单地将最小缩减量设定为目标学习函数，NS可以很容易地找到一个缩减量为零的期权。

Metatrader的测试器不会产生零缩减，因为它是按权益而不是余额计算的。也就是说，即使所有的交易都是有利可图的，但由于蜡烛图有阴影，缩减量无论如何也不会是零。

而且，如果做出这样的拟合，使之完全没有亏损的交易，那是不可取的。这种配件，除了非常罕见的例外，在向前的测试中会失败。

 
mersi:

神经网络加权需要数万亿的选项，而ga只能给出1-1.8万个。

因此，正确的做法是在哈模式下运行优化几次（至少五次），然后才选择合适的东西。

你正在选择错误的神经网络架构。实际上，网格应该是这样的，设置（权重和阈值）的轻微变化都会带来相同的输出结果。如果网格架构被过度设计，就需要超级精巧的调整，而这种过度设计的结果将是过度训练（拟合）。

例如，我的架构是这样的，10 000次的GA已经是多余的了，也就是说，在优化之后，类似的结果（通过平衡、利润系数、预期报酬率和缩减）出现在稍微不同的设置上。这使得网格能够在更广泛的设置中产生正确的结果--它的脸皮更厚。

[Deleted]  

对上一个帖子的解释。

让我们假设你成功地训练了一个网络，并且它能够区分模式3和6。

第二和第三网（在我的例子中）的目的是防止专家顾问在遇到h和b模式时触发，第一网将其误认为3和6。

[Deleted]  
Reshetov:

你没有正确选择神经网络架构。事实上，网格应该是这样的：设置（权重和阈值）的轻微变化会给输出带来相同的结果。如果对网格结构进行调整，就需要进行超微调，而这种调整的结果将是过度训练（拟合）。

例如，我的架构是这样的，10,000次的GA已经是多余的了，也就是说，在优化之后，类似的结果（平衡、利润系数、预期报酬率和缩减）在稍微不同的设置下出现。这使得网格能够在更广泛的设置中产生正确的结果--它的脸皮更厚。

所有神经网络研究人员都不同意这种说法。

几乎所有关于ns的文章都可以看到，网络越好，它的神经元就越多，但同时它也不能有太多的神经元。

这就是为什么他们中的大多数人倾向于具有2-3个隐藏层的网络。

123456789101112
新评论