文章的顾问。对所有来者进行测试。 - 页 4 12345678910 新评论 [Deleted] 2012.01.25 13:06 #31 Reshetov: 我改进了专家顾问，使其利用交易信号计算出未来空头的概率。因此，如果概率高于0.5，我们就开空头，否则就开多头。 我已经固定了止损，也就是说，它们不会因信号而滚动。这对于能够应用MM来说是必要的。 下面是图片：前136个交易是优化，其余的是OOS。 由于这个话题对交易者来说并不有趣，只有洪水猛兽才会来这里讨论话题作者的个性，所以我不附上专家顾问的修改代码。 尤里，不要听他们的。请公布修改后的EA。 [删除] 2012.01.25 20:02 #32 Andru80: 尤里，不要听他们的。请公布修改后的EA。 如果你有一篇文章，你也会有一个EA。让我们来看看什么是...有了一些经验，你甚至不需要测试来评估这个想法。 我们将等待。 Yury Reshetov 2012.01.26 20:31 #33 Figar0: 当文章写完后，专家顾问也会随之而来。让我们看看什么是什么。你不需要测试来估计这个想法。 我们将等待。 我在文章前发布了专家顾问，这样大家就可以测试并给出自己的意见（尽管有可能他们可能又开始讨论我的个性？） 其本质甚至不在专家顾问中，而是在我为其添加的反拟合 算法中。 现在，我们不必寻找成功的前向测试，也不必深入挖掘测试结果，而是翻看上排的结果，它们一定在那里的某个地方，而且很有可能也在最上面一排。 测试结果和优化结果可能会有很大不同，因为反拟合 只在优化期间启用，其余时间都是禁用的。 下面是测试结果的上行图（前404个交易是优化，其余是正向测试）。 专家顾问附在附件中（它是在出版前编译的，我将在文章中打开其代码）。 输入的参数是：。 x0, x1, x2, x3, x4, x5, x6, x7 - 可从0到100调整，增量为1。经过优化。 sl - 以点为单位的止损和止盈。例如，对于H1的欧元兑美元，对于五位数，你可以从100到1000，以50为增量（对于四位数，从所有数字中去除一个零）。经过优化。 lots - 以手为单位的交易量，你需要至少放1手来优化。没有优化。 mn - 神奇的数字。没有优化。 d - 地段大小的小数位数。即：如果允许0.01，则暴露d=2。它将不会被优化。 按利润系数进行优化，优化结果也按这个参数进行排序。 为了以防万一，我在ZIP存档中添加了一个带有EA设置的文件，因为我已经设置了这些设置。 附加的文件： rnn_v3_1.ex4 7 kb rnn_v3.zip 1 kb Neutron 2012.01.27 05:07 #34 有趣的结果! 尤拉，你在分析中是否使用EA所连接的仪器的数据？ Yury Reshetov 2012.01.27 08:39 #35 Neutron:有趣的结果!尤拉，你在分析中使用EA所连接的仪器的数据吗？是的，即不对其他工具进行分析。TA只通过开盘价 进行。 基本上，这些条目不是很复杂，所以我可以向你展示所有这些东西的计算的代码片段。 // Считываем показания индикаторов double a1 = input(9, 0); double a2 = input(9, 1); double a3 = input(9, 2); // Вычисляем вероятность торгового сигнала для короткой позиции double result = getProbability(a1, a2, a3); ... // Показания индикаторов, должны быть в диапазоне от 0 до 1 // p - период индикатора // shift - смещение вглубь истории в периодах индикатора double input(int p, int shift) { return (iRSI(Symbol(), 0, p, PRICE_OPEN, p * shift) / 100.0); } Neutron 2012.01.27 09:21 #36 谢谢你。 防御装置...如果你记得NS的经典，反拟合归根结底是要找到正向的最小预测误差。这可以通过对一百次左右的独立运行进行统计，并在每次运行中重新训练NS来实现。这是可以理解的，但由于初始BP的有限长度和它的非平稳性而很难实现。 另一种方法是对训练样本的最佳长度进行估计。据我所知，还没有人以一般方式解决这个问题...... 你做到了吗？ TheXpert 2012.01.27 09:26 #37 Neutron: 另一种方法是对训练样本的最佳长度进行估计。据我所知，还没有人以一般形式解决这个问题...... 你不需要解决这个问题。只要为某种情况找到合适的训练样本长度就够了，而且非常容易做到。 是的，而且这不是一个反合。这是第二层装修。对于n级拟合，必须有n+1个样本来测试，最后一个样本是控制样本。 这正是雷舍托夫从未拥有的最后一个。 Neutron 2012.01.27 09:28 #38 多么简单! 对于每一个曲线点，都要进行统计征集。如果一个月后价格范围完全改变，又该从哪里汲取营养呢？ Neutron 2012.01.27 09:42 #39 不，这没有任何意义。 在朱里的情况下，学习NS是通过简单地通过我所设定的历史延伸上的权重来完成的...对吗？如果是这样，那么分析就只是每个迭代的交易结果。而"......现在成功的前向测试不需要 在 测试结果 中进行长时间的深入搜索，但我们必须通过结果的顶行，它们一定在某个地方，很有可能在顶行......"，这种说法是不正确的--成功的前向可能在任何地方，我们必须到处搜索。 Yury Reshetov 2012.01.27 09:53 #40 Neutron: 谢谢你。 反装甲...如果你回忆一下NS的经典，反拟合就简化为寻找正向的最小预测误差。这可以通过对一百次左右的独立运行进行统计，并在每次运行中重新训练NS来实现。这是可以理解的，但由于初始BP的有限长度和它的非平稳性而很难实现。 另一种方法是对训练样本的最佳长度进行估计。据我所知，还没有人以一般方式解决这个问题...... 你做到了吗？ 至于交易系统，只有历史匹配是可能的。神经网络每次都有两个问题：拟合和再训练。而再训练也是在静止的数据上进行的。 但对于输入充足的神经网络，当我们处理一些神经网络包或自制的网格时，如果我们使用Leonid Velichkovski 提出的方法，就会容易一些：我们将训练样本分为两个样本：训练样本和测试样本，在学习过程中，我们计算两个样本的结果，只通过训练样本教网格。一旦在测试样本上的结果改善停止，即结果没有进一步改善，就意味着网络已经被充分训练，我们应该在这一点上停止。因此，我们获得了一张经过最充分训练的网--我们不会变得更好，也很容易变得更糟。在这种情况下，我们并不关心网络被重新训练或拟合的确切程度，因为我们在测试样本上有一个极值。 终端内置的遗传算法要困难得多，因为我们不能在前进的部分计算结果，并及时停止优化。正因为如此，你必须在按指标排序的优化结果中手动搜索前进。 我走的是一条稍微不同的道路。 1.找到了神经网络过度训练的原因并消除了它。也就是说，如果训练的例子是固定的，不包含矛盾，那么我的算法就不会被过度训练，但如果例子的数量不足以进行插值，它就很容易被过度训练。 2.装修的时候更复杂。但这个问题原来也是可以解决的，因为拟合主要取决于学习的质量，即奖惩制度是否充分，否则算法将遵循阻力最小的路径，以它认为更容易的方式学习，而不是以实际充分的方式。所以我排除了这些阻力最小的路径，也就是说，我强迫遗传算法评估结果概率的计算质量，而不是点数。 3.非平稳性。这一点根本无法克服，因为它只取决于市场，而不是算法。这是唯一真正阻碍预测质量的东西。但是，如果我们消除培训的其他缺点，它的影响不再大到干扰收入的程度。 12345678910 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
我改进了专家顾问，使其利用交易信号计算出未来空头的概率。因此，如果概率高于0.5，我们就开空头，否则就开多头。
我已经固定了止损，也就是说，它们不会因信号而滚动。这对于能够应用MM来说是必要的。
下面是图片：前136个交易是优化，其余的是OOS。
由于这个话题对交易者来说并不有趣，只有洪水猛兽才会来这里讨论话题作者的个性，所以我不附上专家顾问的修改代码。
尤里，不要听他们的。请公布修改后的EA。
如果你有一篇文章，你也会有一个EA。让我们来看看什么是...有了一些经验，你甚至不需要测试来评估这个想法。 我们将等待。
当文章写完后，专家顾问也会随之而来。让我们看看什么是什么。你不需要测试来估计这个想法。 我们将等待。
我在文章前发布了专家顾问，这样大家就可以测试并给出自己的意见（尽管有可能他们可能又开始讨论我的个性？）
其本质甚至不在专家顾问中，而是在我为其添加的反拟合 算法中。
现在，我们不必寻找成功的前向测试，也不必深入挖掘测试结果，而是翻看上排的结果，它们一定在那里的某个地方，而且很有可能也在最上面一排。
测试结果和优化结果可能会有很大不同，因为反拟合 只在优化期间启用，其余时间都是禁用的。
下面是测试结果的上行图（前404个交易是优化，其余是正向测试）。
专家顾问附在附件中（它是在出版前编译的，我将在文章中打开其代码）。
输入的参数是：。
x0, x1, x2, x3, x4, x5, x6, x7 - 可从0到100调整，增量为1。经过优化。
sl - 以点为单位的止损和止盈。例如，对于H1的欧元兑美元，对于五位数，你可以从100到1000，以50为增量（对于四位数，从所有数字中去除一个零）。经过优化。
lots - 以手为单位的交易量，你需要至少放1手来优化。没有优化。
mn - 神奇的数字。没有优化。
d - 地段大小的小数位数。即：如果允许0.01，则暴露d=2。它将不会被优化。
按利润系数进行优化，优化结果也按这个参数进行排序。
为了以防万一，我在ZIP存档中添加了一个带有EA设置的文件，因为我已经设置了这些设置。
有趣的结果!
尤拉，你在分析中是否使用EA所连接的仪器的数据？
有趣的结果!
尤拉，你在分析中使用EA所连接的仪器的数据吗？
是的，即不对其他工具进行分析。TA只通过开盘价 进行。
基本上，这些条目不是很复杂，所以我可以向你展示所有这些东西的计算的代码片段。
谢谢你。
防御装置...如果你记得NS的经典，反拟合归根结底是要找到正向的最小预测误差。这可以通过对一百次左右的独立运行进行统计，并在每次运行中重新训练NS来实现。这是可以理解的，但由于初始BP的有限长度和它的非平稳性而很难实现。
另一种方法是对训练样本的最佳长度进行估计。据我所知，还没有人以一般方式解决这个问题......
你做到了吗？
另一种方法是对训练样本的最佳长度进行估计。据我所知，还没有人以一般形式解决这个问题......
你不需要解决这个问题。只要为某种情况找到合适的训练样本长度就够了，而且非常容易做到。
是的，而且这不是一个反合。这是第二层装修。对于n级拟合，必须有n+1个样本来测试，最后一个样本是控制样本。
这正是雷舍托夫从未拥有的最后一个。
多么简单!
对于每一个曲线点，都要进行统计征集。如果一个月后价格范围完全改变，又该从哪里汲取营养呢？
不，这没有任何意义。
在朱里的情况下，学习NS是通过简单地通过我所设定的历史延伸上的权重来完成的...对吗？如果是这样，那么分析就只是每个迭代的交易结果。而"......现在成功的前向测试不需要 在 测试结果 中进行长时间的深入搜索，但我们必须通过结果的顶行，它们一定在某个地方，很有可能在顶行......"，这种说法是不正确的--成功的前向可能在任何地方，我们必须到处搜索。
谢谢你。
反装甲...如果你回忆一下NS的经典，反拟合就简化为寻找正向的最小预测误差。这可以通过对一百次左右的独立运行进行统计，并在每次运行中重新训练NS来实现。这是可以理解的，但由于初始BP的有限长度和它的非平稳性而很难实现。
另一种方法是对训练样本的最佳长度进行估计。据我所知，还没有人以一般方式解决这个问题......
你做到了吗？
至于交易系统，只有历史匹配是可能的。神经网络每次都有两个问题：拟合和再训练。而再训练也是在静止的数据上进行的。
但对于输入充足的神经网络，当我们处理一些神经网络包或自制的网格时，如果我们使用Leonid Velichkovski 提出的方法，就会容易一些：我们将训练样本分为两个样本：训练样本和测试样本，在学习过程中，我们计算两个样本的结果，只通过训练样本教网格。一旦在测试样本上的结果改善停止，即结果没有进一步改善，就意味着网络已经被充分训练，我们应该在这一点上停止。因此，我们获得了一张经过最充分训练的网--我们不会变得更好，也很容易变得更糟。在这种情况下，我们并不关心网络被重新训练或拟合的确切程度，因为我们在测试样本上有一个极值。
终端内置的遗传算法要困难得多，因为我们不能在前进的部分计算结果，并及时停止优化。正因为如此，你必须在按指标排序的优化结果中手动搜索前进。
我走的是一条稍微不同的道路。
1.找到了神经网络过度训练的原因并消除了它。也就是说，如果训练的例子是固定的，不包含矛盾，那么我的算法就不会被过度训练，但如果例子的数量不足以进行插值，它就很容易被过度训练。
2.装修的时候更复杂。但这个问题原来也是可以解决的，因为拟合主要取决于学习的质量，即奖惩制度是否充分，否则算法将遵循阻力最小的路径，以它认为更容易的方式学习，而不是以实际充分的方式。所以我排除了这些阻力最小的路径，也就是说，我强迫遗传算法评估结果概率的计算质量，而不是点数。
3.非平稳性。这一点根本无法克服，因为它只取决于市场，而不是算法。这是唯一真正阻碍预测质量的东西。但是，如果我们消除培训的其他缺点，它的影响不再大到干扰收入的程度。