文章 "神经网络变得轻松(第三十三部分):分布式 Q-学习中的分位数回归"

 

新文章 神经网络变得轻松(第三十三部分):分布式 Q-学习中的分位数回归已发布:

我们继续研究分布式 Q-学习。 今天我们将从另一个角度来看待这种方式。 我们将研究使用分位数回归来解决价格预测任务的可能性。

利用 NetCreator 工具创建了一个训练模型。 模型的体系结构与来自上一篇文章中训练模型的体系结构相同。 我删除了最后一个 SoftMax 规范化层,以便模型结果区域可以复制所用奖励策略的任何结果。

与以前一样,该模型是基于 EURUSD 历史数据、H1 时间帧上进行训练的。 训练数据集采用过去 2 年的历史数据。

训练模型的工作是在策略测试器中进行测试。 为测试目的创建了一个单独的 EA QRDQN-learning-test.mq。 该 EA 也是在之前文章中的类似 EA 的基础上创建的。 其代码没有太大变化。 附件中提供了其完整代码。

在策略测试器中,该模型展示了在 2 周的短期内产生盈利的能力。 超过一半的交易以盈利平仓。 每笔交易的平均盈利几乎是平均亏损的两倍。

模型测试图形

模型测试结果

作者:Dmitriy Gizlyk

 

嗨、

感谢您的辛勤工作,感谢您花费的时间和精力。

当我试图编译 QRDQN 时,不得不从第 22 条中抓取 VAE。

但却遇到了这个错误、


MathRandomNormal' - undeclared identifier VAE.mqh 92 8


我猜 #22 中的 VAE 库已经过时了?



 
Arjang Aghlara #:

感谢您的辛勤工作,感谢您付出的时间和努力。

当我试图编译 QRDQN 时,不得不从第 22 条中抓取 VAE。

但却遇到了这个错误、


MathRandomNormal' - undeclared identifier VAE.mqh 92 8


我猜 #22 中的 VAE 库过时了?



您好,您可以从这篇文章中加载更新的文件https://www.mql5.com/zh/articles/11619

Нейросети — это просто (Часть 31): Эволюционные алгоритмы
Нейросети — это просто (Часть 31): Эволюционные алгоритмы
  • www.mql5.com
В предыдущей статье мы начали изучение безградиентных методов оптимизации. И познакомились с генетическим алгоритмом. Сегодня мы продолжаем начатую тему. И рассмотрим ещё один класс эволюционных алгоритмов.
 
Dmitry Gizlyk # :

您好,您可以从本文 https://www.mql5.com/en/articles/11619 中加载更新的文件

感谢您的回复、

我照做了,那个错误已经解决了,但又出现了两个错误。

一个

创建"--"void "类型的表达式不合法 QRDQN.mqh 85 30


2

''AssignArray'--没有一个重载可以应用于函数调用 QRDQN.mqh 149 19

可能是 3 个函数之一 QRDQN.mqh 187 19
bool CBufferFloat::AssignArray(const double&[]) NeuroNet.mqh 4107 22
bool CArrayFloat::AssignArray(const CArrayFloat*) ArrayFloat.mqh 41 22
bool CArrayFloat::AssignArray(const float&[]) ArrayFloat.mqh 40 22



 
第 32 部分的卷积层输入是否与第 27 部分相同,只是去掉了最后一层,变成了 3 层?