神经网络 - 页 20

[name]

经过 "咀嚼"（虽然是表面上的 - 仍然需要时间），看起来我们永远不会有效地使用ANN。我们（小人物）没有足够的钱购买使用ANN所需的硬件，因为它应该被使用。

[hughesfleming]

在我自己的....，为什么所有的负面情绪？

这并不那么复杂。首先，你必须弄清楚你试图预测的是什么。下一个问题是噪音。你需要确保你的模型不被随机性和数据挖掘的偏差所愚弄。有一些免费的工具可以让你在花大钱买硬件之前开发一个概念验证。

例如，如果你在预测趋势，你需要看看你的模型是否比简单的平均数 有优势。 如果你预测的是转折点，首先要看你是否能超过傅里叶变换的表现。如果优势很小，那么你就得问问自己，训练时间是否值得付出。如果你使用神经网或各种支持向量机中的一种，这并不重要，你仍然面临着用曲线拟合过去来预测未来的所有问题。脱离样本的这些系统往往会失败，因为你在测试中可能取得的任何成功都可能是由随机性造成的。在硬件上投入再多的钱也解决不了这个问题。

现在，这些工具可能是有用的，但你需要控制你的期望。如果一个模型能将一个策略提高几个百分点，那么随着时间的推移和大量交易的进行，你将会取得胜利。

问候。

亚历克斯

[name]

hughesfleming:
关于我自己的....，为什么所有的负面情绪？

这并不复杂。首先，你必须弄清楚你试图预测的是什么。下一个问题是噪音。你需要确保你的模型不被随机性和数据挖掘的偏差所迷惑。有一些免费的工具可以让你在花大钱买硬件之前开发一个概念验证。

例如，如果你在预测趋势，你需要看看你的模型是否比简单的平均数有优势。 如果你预测的是转折点，首先要看你是否能超过傅里叶变换的表现。如果优势很小，那么你就得问问自己，训练时间是否值得付出。如果你使用神经网或各种支持向量机中的一种，这并不重要，你仍然面临着用曲线拟合过去来预测未来的所有问题。脱离样本的这些系统往往会失败，因为你在测试中可能取得的任何成功都可能是由随机性造成的。在硬件上投入再多的钱也解决不了这个问题。

现在，这些工具可能是有用的，但你需要控制你的期望。如果一个模型能将一个策略提高几个百分点，那么随着时间的推移和大量交易的进行，你将会取得胜利。

问候。

亚历克斯

亚历克斯

谢谢你的回答

我所说的原因是，除非我们没有很好的硬件设备，否则ANN计算总是 "不完整 "的。然后，它涉及到我们已经在做的事情：使用我们自己的NN进行估算。

[hughesfleming]

好的...知道了。如果你确实想做实验，我确实在这里布置了一种使用Rapidminer与metatrader的方法，以防你没有看到这个主题。https://www.mql5.com/en/forum/181252

[name]

hughesfleming:
好的...知道了。如果你确实想做实验，我确实在这里布置了一种使用Rapidminer与metatrader的方法，以防你没有看到这个主题。https://www.mql5.com/en/forum/181252

亚历克斯

谢谢你的帮助

[nevar]

我有几个有希望的样本外测试，就像我所附的一样。用人工智能寻找有利可图的算法是所有关于你的输入，这是一门艺术，而不是科学。当我在为现场交易寻找不同的算法时，我来到了一个交叉的循环神经网络-受限玻尔兹曼机的python建模和生成多声部音乐的序列 - DeepLearning 0。1文档 和Bernoulli限制性波尔兹曼机特征提取器和LogisticRegression分类器在python中的应用限制性波尔兹曼机特征用于数字分类 - scikit-learn 0.15.2文档。它们听起来很有趣，有人对这两种算法的实盘交易有任何经验吗？

[tampa]

克隆的神经趋势(指标+模板)

neurotrendnncloned.rar

[Joakin]

实用链接 :神经网络教程

[seekers]

人工神经网络 :artificial_neural_networks.pdf

在本说明中，我们概述了导致人工神经网络成为数据挖掘应用的主要范式的关键概念。神经网络经历了两个主要的发展时期--60年代初和80年代中期。它们是机器学习领域的一个关键发展。人工神经网络的灵感来自于与大脑行为有关的生物学发现，它是一个被称为神经元的单元网络。据估计，人类大脑有大约100亿个神经元，每个神经元平均与10,000个其他神经元相连。每个神经元通过控制信号对神经元影响的突触接收信号。这些突触连接被认为在大脑的行为中起着关键作用。人工神经网络的基本构建模块是神经元的数学模型

[seekers]

预测能力_但没有盈利能力_--对遗传算法优化的TR的经验性评估.pdf

本文评估了应用于澳大利亚股票市场的几种流行技术交易规则的性能。使用遗传算法找到了82年1月4日至89年12月31日这一样本期间的最佳交易规则参数值。然后在90年1月2日至97年12月31日的样本外期间，对这些最佳规则的预测能力和经济盈利能力进行了评估。结果表明，最优规则的表现优于风险调整后的买入和持有策略的基准。在整个测试期间，这些规则显示了一些预测能力和盈利能力的证据。但对分阶段结果的研究表明，超额收益随着时间的推移而下降，在最后几年是负数。另外，一旦对非同步交易偏差进行调整，这些规则显示出的盈利能力就非常少，甚至没有。