文章 "神经网络变得简单（第 59 部分）：控制二分法（DoC）"
简单到已经有 59 篇文章 😅
德米特里 你好。能告诉我您用什么方法训练您在系列文章中发布的所有模型吗？能否提供您电脑的具体配置（显卡、处理器、内存），以及从训练一个模型到得出结果需要多少时间（天、周）？您是通宵训练还是只在白天训练？谢谢。
我想说的是，感谢作者提供了大量的想法，这是一个可供实验的克朗代克（Klondike）。
此外，我认为这些文章适合作为训练神经网络的可能方法的范例，但不适合用于实践。我非常欣赏作者在创建和训练神经网络库方面所做的工作，甚至还使用了显卡，但它无论如何都不能用于实际目的，更不能与 tensorflow、keras 和 pytorch 竞争--实际上，所有使用这些库训练的模型都可以直接在 mql5 中使用 onnx 格式。
我将在这些现代库的帮助下逐步应用作者的想法。
选择指标作为训练神经网络 的输入数据也很有必要，我最成功的是布林带，我使用了 48 个这样的指标作为输入数据，并对 LSTM 等递归网络进行了不同的设置。但这并不能保证一定成功，我还会一次训练 28 种货币对，并选择最好的货币对，但这并不能保证一定成功。然后，你需要运行至少 20 次训练程序，改变神经网络的层数及其设置，并在每个阶段选择在策略测试器中表现出色的最佳模型，并删除最差的模型，只有这样，你才能在实践中取得合理的结果。
最后，我们只需从 28 个货币对中选出最好的 9 个，然后在真实账户上进行交易，与此同时，智能交易系统的武器库中还应该有 "人工管理"（mani-management），这样才不会损害网格，也就是说，我们将神经网络用作没有神经网络的智能交易系统的辅助工具，从而使它们变得更加智能。
你好，请提供第一篇文章的链接，以便我开始阅读/学习，我对这个问题非常感兴趣。
新文章 神经网络变得简单（第 59 部分）：控制二分法（DoC）已发布：
在上一篇文章中，我们领略了决策变换器。但是，外汇市场复杂的随机环境不允许我们充分发挥所提议方法的潜能。在本文中，我将讲述一种算法，旨在提高在随机环境中的性能。
控制二分法是斯多葛学派（Stoicism）的逻辑基础。它意味着一种思辨，即我们周围的一切存在都可以分为两部分。第一个受制于我们，完全在我们的控制之下。我们无法全面控制第二个，无论我们采取什么动作，事件都会发生。
我们正在操控第一个领域，同时认为第二个是理所当然的。
“控制二分法”方法的作者在他们的算法中实现了类似的假设。DoC 允许我们区分策略控制下的内容（动作政策），以及超出其控制的内容（环境随机性）。
作者：Dmitriy Gizlyk