文章 "基于通用 MLP 逼近器的EA"
你能对经过培训的历史片段进行测试吗？
Sergey Chalyshev 遗传算法的 文章都是虚构的。 2.实际测试与文章不符 ((
1.这篇文章是关于简单的 MLP 网络使用，而不是关于优化算法（所有这些算法都被你错误地称为遗传算法）。什么是虚构？源代码附在文章后面，结果正是我自己得到的。
2.哪些测试和哪些文章与真实测试不符？最好能举例说明这种 "不吻合"，以便进行有意义的交流。
如果我们谈论这篇文章中的 MLP 专家顾问，我们就应该明白，它只使用了两个简单的指标和归一化的柱值作为输入，也就是说，输入神经元的信息相当原始，因此我们不应该期待有很好的结果。文章中介绍的 MLP 智能交易系统仅用于教学目的，以便了解如何快速、轻松地开始使用神经网络。当然，有必要对馈送给神经网络的信息进行实验，很难指望有人会在文章中发布一个现成可用的圣杯（不劳而获）。
如果我们谈论文章中描述的优化算法，它们都是现成可用的工具，没有任何使用条件和限制。
近在咫尺的对面信号失灵
你好，安德烈、
这篇文章看起来很不错，我很感兴趣。 不过，我很困惑。 首先，我发现两个压缩包中都没有包含 #C_AO 和 #C_AO_enum。对我来说，这些变量似乎是从图表设置中获取的。
你好，安德烈、
知道了，谢谢您的快速回复。
科达角
新文章 基于通用 MLP 逼近器的EA已发布：
我提出的方法属于第二种类型——无监督学习。在这种方法中，我们不试图“教会”神经网络如何正确交易，也不告诉它在哪里开仓或平仓，因为我们自己也不知道这些问题的答案。相反，让网络自己做出交易决策，而我们的工作是评估其整体的交易结果。
在这种情况下，我们不需要对评估函数进行归一化，也无需担心“权重爆炸”和“网络停滞”等问题，因为在这种方法中它们根本不存在。我们从代码逻辑上将神经网络与优化算法分离开来，只赋予它一项任务：将输入数据转换为一种反映交易员技能的新型信息。本质上，我们只是将一种信息转换为另一种信息，而无需理解时间序列中的模式，也无需知道如何交易才能盈利。
MLP（多层感知机）这类神经网络非常适合扮演这个角色，通用逼近定理也证实了这一点。该定理指出，神经网络可以逼近任何连续函数。在我们的案例中，“连续函数”指的是在被分析的时间序列中发生的过程。这种方法使我们无需诉诸于“噪声”和“过拟合”这类人为且主观的概念，因为它们没有量化价值。
图例 1. 将一种类型的信息转换位另一种类型
作者：Andrey Dik