EA: Neurotest
潜在问题：训练次数有限：MaxEpochs 参数设置为 1，这限制了每个 tick 的网络训练迭代次数。为了更好地优化，不妨增加该值。高点差风险：如果点差过高，打开交易的函数会阻止交易，但如果点差正常化，则没有重试的逻辑。输入正常化函数中的最小交易量正常化：在对蜡烛图的成交量进行归一化时，输入除以其数值，并加上一个小常数 (EPSILON)，这可能导致在处理低成交量时归一化效果不佳。惩罚模型：如果每日利润低于目标值，就会激活惩罚机制，从而降低学习率。但是，没有详细的逻辑可以解释这对 EA 的长期性能有何影响。建议：考虑通过增加历时次数来改进神经网络训练 过程。当点差正常化时，增加重试以打开交易。更仔细地考虑惩罚机制，防止过度降低学习率。
IGOR IAREMA # :
可能存在的问题训练次数有限：MaxEpochs 参数等于 1，这限制了网络训练在每个刻度上的迭代次数。为了更好地优化，不妨增加该值。高点差风险：如果点差过高，开启交易的函数会阻止交易，但如果点差正常化，则没有再次尝试的逻辑。输入数据正常化函数中的最小交易量正常化：在对蜡烛图的成交量进行归一化时，输入数据除以其数值，再加上一个小常数 (EPSILON)，这可能导致在处理低成交量时归一化效果不佳。惩罚模型：如果每日利润低于目标值，就会激活惩罚机制，降低学习率。但是，没有详细的逻辑可以解释这对顾问的长期绩效有何影响。建议：考虑通过增加历时次数来改进神经网络训练过程。在价差正常化时，增加重复尝试开仓交易的次数。更仔细地考虑惩罚机制，防止学习率过度降低。
可能存在的问题训练次数有限：MaxEpochs 参数等于 1，这限制了网络训练在每个刻度上的迭代次数。为了更好地优化，不妨增加该值。高点差风险：如果点差过高，开启交易的函数会阻止交易，但如果点差正常化，则没有再次尝试的逻辑。输入数据正常化函数中的最小交易量正常化：在对蜡烛图的成交量进行归一化时，输入数据除以其数值，再加上一个小常数 (EPSILON)，这可能导致在处理低成交量时归一化效果不佳。惩罚模型：如果每日利润低于目标值，就会激活惩罚机制，降低学习率。但是，没有详细的逻辑可以解释这对顾问的长期绩效有何影响。建议：考虑通过增加历时次数来改进神经网络训练过程。在价差正常化时，增加重复尝试开仓交易的次数。更仔细地考虑惩罚机制，防止学习率过度降低。
你好，IGOR IAREMA 、
感谢您的详细反馈以及对潜在问题的见解。我们已仔细审查了您的观点：
- 训练有限： 我们计划增加 MaxEpochs 参数，以便更好地优化。
- 高点差风险： 我们将实施当点差正常化时重试交易的逻辑。
- 最小交易量正常化： 我们正在优化低交易量的归一化函数，以实现更有效的结果。
- 惩罚模型： 控制学习率的逻辑将得到改进，以确保长期的性能提升。
针对这些改进的全面更新已经在进行中。由于更改相当复杂，因此需要的时间稍长，但我们相信等待是值得的。感谢您的耐心和理解！
SM.S
在下载了 neurobook 和源代码之后，我想知道是否存在完全用 Python 编写的版本？所提供的版本带来了一个问题，我认为尤其是在无法在机器上执行 openCl 的情况下。我目前正在尝试转换，但这有点困难！
如果有人已经做过这项工作，或者知道在哪里可以找到 Python 版本的源代码，请向他致以最崇高的敬意。
如果有人已经做过这项工作，或者知道在哪里可以找到 Python 版本的源代码，请向他致以最崇高的敬意。
Encho Enev 神经网络 参数。重新开始， 这是什么原因？
我还没有运行过，但根据代码，你必须先在策略测试器中训练神经网络，然后再将它放到实时图表上。你做过吗？
Neurotest:
是中立网络的文本，希望了解您的意见。
Author: Mustafa Seyyid Sahin