Нейронная сеть в виде скрипта - страница 3
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Что-то логика этого скрипта напоминает простой шифратор 4в2
Шифратор - не обучаемая система .
А сеть в этом скрипе обучается . Причем процесс обучения показан в динамике от эпохи к эпохе на экране .
Видно как меняются веса нейрончиков в каждом слое, и как сетка все точнее и точнее выдает результат по мере обучения .
Выше представлены три поста, где один и тотже алгоритм научился
работать с тремя разными наборами данных .
В случае шифратора - потребовалось бы три шифратора, под каждый набор данных .
я чуточку доработал алгоритм обучения
1-е динамически меняя количество нейронов что то типа ГЕНЕТИЧЕСКОГО АЛГОРИТМА правда без выбора лучших и без создания от них потомства :-) без коррекции связей
2-е остановка обучения при достижении высокой точности результатов
я чуточку доработал алгоритм обучения
1-е динамически меняя количество нейронов что то типа ГЕНЕТИЧЕСКОГО АЛГОРИТМА правда без выбора лучших и без создания от них потомства :-) без коррекции связей
2-е остановка обучения при достижении высокой точности результатов
А доработанного варианта для публики не будет?
Что-то логика этого скрипта напоминает простой шифратор 4в2
Шифратор - не обучаемая система .
А сеть в этом скрипе обучается . Причем процесс обучения показан в динамике от эпохи к эпохе на экране .
Видно как меняются веса нейрончиков в каждом слое, и как сетка все точнее и точнее выдает результат по мере обучения .
Выше представлены три поста, где один и тотже алгоритм научился
работать с тремя разными наборами данных .
В случае шифратора - потребовалось бы три шифратора, под каждый набор данных .
я чуточку доработал алгоритм обучения
1-е динамически меняя количество нейронов что то типа ГЕНЕТИЧЕСКОГО АЛГОРИТМА правда без выбора лучших и без создания от них потомства :-) без коррекции связей
2-е остановка обучения при достижении высокой точности результатов
Ну вот !!! Лед тронулся ! :))))
я чуточку доработал алгоритм обучения
1-е динамически меняя количество нейронов что то типа ГЕНЕТИЧЕСКОГО АЛГОРИТМА правда без выбора лучших и без создания от них потомства :-) без коррекции связей
2-е остановка обучения при достижении высокой точности результатов
А доработанного варианта для публики не будет?
Конечно, хотелось бы взглянуть .Может кто еще что добавит :)
Что касается точности, я думаю цель не в этом .
Цель в том, что бы сеть в конце обучения отличала все обучающие наборы
между собой . А это доступно и при нормальной точности .
Как показали эксперименты этой сети хватает 300 эпох обучения, что бы научится "думать"
с приведенными выше наборами . Да это видно и визуально в процессе тренировки,
сеть быстро начинает различать наборы данных .
А вот динамически менять число нейронов - интересно было бы посмотреть уже в эксперте на тестах,
в который будет встроена эта сетка . А число нейронов подобрать в оптимизаторе МТ .
А как сделать, чтобы он цену прогнозировал?
Никак. Не нужно ожидать чуда от нейросети. Прогноз задаётся не НС, а заложенным в неё алгоритмом, алгоритм строится из торговых условий, а торговые условия .... определяете ВЫ.
Не ПРОТИВ но пока и не ЗА применения нейросетей в трейдинге...
Аналогично :) !!!
Но алгоритм работает и обучается :) А там уж видно будет :)
Интерес к сетям еще подогрет победой советника с сетью на чемпионате .
Конечно, там другая сеть . Но человек проделал работу и получил результат .
Вопрос не в том какая сеть, а что вы хотите от нее получить. И результат был получен не благодаря НС, а благодаря торговым условиям, которые эта НС скомпоновала и выдала в некий вероятносный прогноз. НС по сути фильтр, который может быть адаптивным (самообучаемая НС) и соответственно иметь запаздывание (на период обучения). Достоинство НС в том, что она может разрозненные компоненты вашей ТС соединить в один результат и самостоятельно расставить коэффициенты значимости для этих компонентов (обучится).
я чуточку доработал алгоритм обучения
1-е динамически меняя количество нейронов что то типа ГЕНЕТИЧЕСКОГО АЛГОРИТМА правда без выбора лучших и без создания от них потомства :-) без коррекции связей
2-е остановка обучения при достижении высокой точности результатов
А доработанного варианта для публики не будет?
Виктор, будет
кстати добился повышения точности прогноза в разы! беда в том что алгоритм наал достаточно долго обучаться :-)))
пока не решил эту проблемку - решу обязательно выложу сюда этот код!
мне нехватает кода вываливания по таймеру! а не по условию а в MQL4 этого нет
А как сделать, чтобы он цену прогнозировал?
Никак. Не нужно ожидать чуда от нейросети. Прогноз задаётся не НС, а заложенным в неё алгоритмом, алгоритм строится из торговых условий, а торговые условия .... определяете ВЫ.
А не встречались достойные алгоритмы ???
Хотябы пару слов о них .
А как сделать, чтобы он цену прогнозировал?
Никак. Не нужно ожидать чуда от нейросети. Прогноз задаётся не НС, а заложенным в неё алгоритмом, алгоритм строится из торговых условий, а торговые условия .... определяете ВЫ.
Гуру советуют предсказывать не цену, а изменение .
нормализовывать не всегда нужно, кто сказал что сеть МОЖЕТ и ДОЛЖНА работать только с 0 и 1 ?
могу прикрепить простую сетку с примером, (к сожалению сейчас под рукой нет материалов) - попозже прикреплю
где простая NN решает эту задачу без предварительной подготовки данных с нормализацией
к сожалению это не исходник
впрочем пример который я дал! он как бы уже нормализованусловие есть два диапазона
1 0-100
2 10-30
необходимо просто найти отношение положения в одном диапазоне - которое известно к
по сути это масштабирование
Нормализация нужна практически всегда. Данные должны находиться в пределах области определения ф-ции активации.
В скрипте сигмоид [-1;+1]. Если заменить скажем на экспоненциальную ... или квадратный корень.
http://www.statsoft.ru/home/portal/applications/NeuralNetworksAdvisor/Adv-new/ActivationFunctions.htm