الانتقال المتوسط - العصبية - شبكة

الشبكة العصبية 2 المتوسطات المتحركة A الشبكة العصبية خبير مستشار على أساس اثنين من المتوسطات المتحركة مع وضع التدريب. تدريب مستشار الخبراء على أمثلة مختارة وتحقيق الربح في الحياة الحقيقية. يمكن ل إي العمل على أي صك وفي أي إطار زمني. خوارزمية التداول من إي يتم تحليل متوسطين متحركين من قبل الشبكة العصبية الأساسية، التي تنتج أوامر لشراء أو بيع. يتم توفير قيم متوسطين متحركين وسرعة (فما) وبطيئة (سما) للطبقة الأولى، أما في الطبقة الثانية فهي تحسب اثنين من الخلايا العصبية المسؤولة عن شراء (N شراء) وبيع (N بيع)، وقرار الشراء أو البيع في المستوى الثالث. مخطط الرسم البياني للشبكة العصبية هو مبين في الشكل. خبير مستشار التدريب في وضع التدريب يتذكر إي قيم المتوسطات المتحركة التي تميز المستخدم على الرسم البياني لأداة العملة. في المستقبل، أثناء التشغيل العادي، فإنه يعترف قيم المتوسطات المتحركة. لتدريب علامة إي على الأقل واحدة طويلة واحدة وقصيرة التجارة على الرسم البياني. للإشارة إلى استخدام تجارة طويلة السهم شراء، وللتجارة قصيرة استخدام بيع السهم. يمكنك وضع المزيد من الأسهم على الرسم البياني. والمزيد من الأسهم، ويعد سيكون عملية التدريب. وجود أي أشياء أخرى على الرسم البياني غير الأسهم ليست مرغوبة. بعد التدريب، سيتم إنشاء المجلد ن 2MA في المجلد المشترك من المحطة. وسوف تحتوي على ملف HHHHHHNNMA. bin مع إعدادات الشبكة العصبية المدربة. هسسكس في اسم الملف هو اسم الأداة المالية. في التشغيل العادي، إي تحميل البيانات من الملف. إذا لم يتم العثور على الملف، فإنه سيتم استخدام الإعدادات الافتراضية. بشكل افتراضي، يتم تدريب إي على أوسجبي والإطار الزمني لمدة ساعة واحدة، يتم اختيار الصفقات في عام 2012. المعلمات المدخلات التالية هي المسؤولة عن التدريب إي: عدد الأوزان لكل عصبون. يساوي طول ما. الافتراضي - 48. عدد دورات التدريب - التخلف عن السداد 100. كلما ارتفعت القيمة، كلما كانت عملية التدريب أطول. في النسخة التجريبية هو 10. عامل ب - تؤثر القيمة على سرعة تصحيح الأوزان من الخلايا العصبية، ويستخدم لتدريب الشبكة. القيمة الافتراضية هي 0.7، لا تحتاج إلى تغيير. وضع التعلم إي - تمكن وضع التدريب من إي. أمثلة على تحديد الصفقات لتدريب إي متوفرة في الشكل. إعدادات الوضع العادي إعدادات المتوسطات المتحركة يمكنك ضبط إعدادات كل متوسط ​​متحرك: الفترة، والسعر، ووضع الحساب. حجم النظام - الافتراضي هو 0،1. قيمة الانزلاق في النقاط - الافتراضي هو 30. عدد المحاولات لفتح موقف - الافتراضي هو 5. مستوى ستوبلوس في نقاط - الافتراضي هو 0. المستوى تاكيبروفيت في نقاط - الافتراضي هو 0. المستوى ترايلينغستوب في نقاط - الافتراضي هو 650. السماح إدارة الأموال - السيطرة على حجم النظام لدخول السوق، التي مكنتها ديفالت. إذا تم تعطيل الوضع، يتم أخذ حجم الطلب من حجم المعلمة النظام. حجم أوامر كنسبة مئوية من الودائع - تستخدم للسيطرة على حجم النظام، والتقصير هو 5 في المئة. إضافة إلى الموقف المفتوح - تمكين افتراضيا. إذا كان هناك إشارة لدخول السوق في اتجاه موقف مفتوح، إي يدخل السوق. إعدادات الشبكة العصبية عدد الأوزان لكل عصبون. يساوي طول ما. وكلما ارتفعت القيمة، كلما تم التعرف على حالة السوق الحالية بشكل أكثر دقة، إلا أنها تقلل من عدد الصفقات. كلما كانت القيمة أقل، كلما تم الاعتراف بالدولة الأقل دقة، فإن عدد الصفقات يزداد. قيمة تنشيط الخلايا العصبية. القيمة هي تقريبا 0.75 من قيمة عدد الأوزان لكل عصبون. كلما كانت القيمة أعلى، كلما كان أكثر صرامة هو اختيار الخلايا العصبية لاتخاذ قرار. في النسخة التجريبية هو 40. عدد دورات التدريب - الافتراضي هو 100. عامل ب سرعة تصحيح الوزن، الافتراضي هو 0.7. وضع التعلم إي وضع التدريب إي. خلال التدريب، سيتم عرض القيم القصوى للخلايا العصبية في التعليقات على الرسم البياني. ويمكن استخدام هذه القيم كقيمة تنشيط للخلايا العصبية. ويرد مثال على ذلك في الشكل. تمكين التعليقات - تمكن التعليقات على الرسم البياني. السحر عدد من المستشارين. توقف مؤقتا بعد التداول بالميلي ثانية. افتراضيا، يتم تدريب إي على أوسجبي H1 على اثنين من الصفقات في عام 2012. ويظهر نتيجة اختبار الخبراء الخبراء في عام 2013. في الشكل. عندما علينا أن نجعل التوقعات، والكتب تخبرنا أن الطريقة الرئيسية هي الانحدار الذاتي المتوسط ​​المتحرك. في رأيي هناك أداة كبيرة أخرى، تغذية الشبكة العصبية إلى الأمام (فن). لذلك أعتقد أننا يمكن أن تستخدم اثنين من الأدوات الرئيسية: الانحدار الذاتي المتوسط ​​المتحرك تغذية الشبكة العصبية إلى الأمام بالطبع يجب أن تكون هناك اختلافات، ولكن أنا لست خبيرا. من الذي لديه خبرة كافية في هاتين الطريقتين، يمكن أن يفسر لي الاختلافات بين هاتين الطريقتين على جعل التوقعات طلب فب 20 14 14 في 14: 53I فهم الشبكات العصبية مع أي عدد من الطبقات المخفية يمكن تقريب الدالات غير الخطية، ومع ذلك، يمكن أن تقريبية : لا أستطيع التفكير في كيفية ذلك. يبدو وكأنه تقييد واضح جدا من الشبكات العصبية التي يمكن أن تحد من ما يمكن القيام به. على سبيل المثال، بسبب هذا القيد، الشبكات العصبية ربما غير قادر بشكل صحيح تقريب العديد من الوظائف المستخدمة في إحصاءات مثل المتوسط ​​المتحرك الأسي، أو حتى التباين. في حديثه عن المتوسط ​​المتحرك، يمكن للشبكات العصبية المتكررة تقريب صحيح أن أفهم كيف يمكن للشبكة العصبية فيدفوروارد أو حتى الخلايا العصبية الخطي واحد إخراج متوسط ​​متحرك باستخدام تقنية نافذة انزلاق، ولكن كيف يمكن للشبكات العصبية المتكررة تفعل ذلك دون X كمية من طبقات خفية (X كونها متوسط ​​حجم متحرك) أيضا، دعونا نفترض أننا لا نعرف وظيفة الأصلي f. والذي يحدث للحصول على متوسط ​​آخر 500 المدخلات، ومن ثم إخراج 1 إذا كان أعلى من 3، و 0 إذا لم يكن. ولكن للمرة الثانية، التظاهر أننا لا نعرف ذلك، لها مربع أسود. كيف تقترب الشبكة العصبية المتكررة من أننا سنحتاج أولا إلى معرفة عدد الجداول الزمنية التي يجب أن يكون، والتي نحن لا. ربما يمكن لشبكة لستم، ولكن حتى ذلك الحين، ماذا لو لم يكن المتوسط ​​المتحرك بسيط، لها المتوسط ​​المتحرك الأسي أنا لا أعتقد حتى لستم يمكن أن تفعل ذلك. بل والأسوأ من ذلك، ماذا لو f (x، x1) التي نحاول أن نتعلمها ببساطة هو أن يبدو بسيطا جدا ومباشرة. يمكن الشبكة العصبية تعلم ذلك أنا لا أرى كيف. أنا في عداد المفقودين شيء ضخم هنا أو هي خوارزميات التعلم الآلي محدودة للغاية هل هناك تقنيات التعلم الأخرى إلى جانب الشبكات العصبية التي يمكن أن تفعل أي من هذه النقطة الأساسية لفهم هو المدمجة. الشبكات العصبية (كما نحن مثل أي بنية تقريبية أخرى مثل، متعددو الحدود، الخطوط العريضة، أو وظائف أساس شعاعي) يمكن تقريب أي وظيفة مستمرة فقط ضمن مجموعة مدمجة. وبعبارة أخرى، تنص النظرية على أنه: عندئذ توجد شبكة عصبية تقارب f (x) مع خطأ تقريبي أقل من إبسيلون. في كل مكان داخل، ب. فيما يتعلق بالمثال الخاص بك f (x) x 2. نعم يمكنك تقريب ذلك مع الشبكة العصبية ضمن أي مجموعة محدودة: -1،1. 0، 1000. الخ لتصور هذا، تخيل أنك تقريبي و (س) ضمن -1،1 مع وظيفة الخطوة. يمكنك أن تفعل ذلك على الورق لاحظ أنه إذا قمت بإجراء الخطوات الضيقة بما فيه الكفاية يمكنك تحقيق أي دقة المطلوب. طريقة الشبكات العصبية تقريبية و (س) لا يختلف كثيرا عن هذا. ولكن مرة أخرى، لا توجد شبكة عصبية (أو أي بنية تقريبية أخرى) مع عدد محدود من المعلمات التي يمكن تقريب و (x) x 2 لجميع x في -،. أجاب مار 20 15 في 18:06 وأنا أفهم الشبكات العصبية مع أي عدد من الطبقات المخفية يمكن تقريب وظائف غير الخطية، ومع ذلك، يمكن أن تقريبية: الطريقة الوحيدة التي يمكن أن تجعل معنى هذا السؤال هو أنك تتحدث عن الاستقراء. على سبيل المثال نظرا لعينات التدريب في المدى -1 لوت س لوت 1 يمكن للشبكة العصبية تعلم القيم الصحيحة ل x غ 100. هل هذا ما تعنيه إذا كان لديك معرفة مسبقة، أن الوظائف التي تحاول تقريبي من المرجح أن تكون منخفضة الترتيب متعدد الحدود (أو أي مجموعة أخرى من الوظائف)، ثم هل يمكن بالتأكيد بناء شبكة العصبية التي يمكن أن تمثل هذه الوظائف، واستقراء X2 في كل مكان. إذا لم يكن لديك معرفة مسبقة، والأشياء هي أكثر صعوبة قليلا: هناك عدد لا نهائي من الوظائف السلسة التي تناسب x2 في نطاق -1.1.1 تماما، و ثيريس أي سبب وجيه لماذا نتوقع X2 لإعطاء توقعات أفضل من أي دولة أخرى وظيفة. وبعبارة أخرى: إذا كان لدينا أي معرفة مسبقة حول وظيفة كانوا يحاولون تعلم، لماذا نريد أن نتعلم x - gt X2. في مجال مجموعات التدريب الاصطناعي، قد يكون X2 وظيفة محتملة، ولكن في العالم الحقيقي، فإنه على الأرجح ليس. على سبيل المثال: دعونا نقول أن درجة الحرارة يوم الاثنين (t0) هي 0، يوم الثلاثاء يوم 1، يوم الأربعاء 4. ليس لدينا أي سبب للاعتقاد درجات الحرارة تتصرف مثل متعدد الحدود منخفضة الترتيب، لذلك نحن لا نريد أن نستنتج من تلك البيانات أن درجة الحرارة يوم الاثنين المقبل ربما يكون حوالي 49. أيضا، دعونا نفترض أننا لا نعرف وظيفة الأصلي و، والذي يحدث للحصول على متوسط ​​آخر 500 المدخلات، ثم إخراج 1 إذا كان أعلى من 3، و 0 إذا ليست كذلك. ولكن للمرة الثانية، التظاهر أننا لا نعرف ذلك، لها مربع أسود. كيف يمكن للشبكة العصبية المتكررة تقريب أن أعتقد أن هذا سؤالين: أولا، يمكن أن الشبكة العصبية تمثل تلك الوظيفة I. e. هل هناك مجموعة من الأوزان التي من شأنها أن تعطي بالضبط هذا السلوك ومن الواضح أن يعتمد على بنية الشبكة، ولكن أعتقد أننا يمكن أن تأتي مع معماريات التي يمكن أن تمثل (أو على الأقل تقريبي بشكل وثيق) هذا النوع من وظيفة. السؤال الثاني: هل يمكن أن تتعلم هذه الوظيفة، مع إعطاء عينات تدريب كافية حسنا، إذا لم تتعثر خوارزمية التعلم الخاصة بك في الحد الأدنى المحلي، تأكد: إذا كان لديك ما يكفي من عينات التدريب، أي مجموعة من الأوزان التي لا تقارب الدالة يعطي خطأ التدريب أكبر أن 0، في حين أن مجموعة من الأوزان التي تناسب وظيفة كنت تحاول تعلم لديه خطأ التدريب 0. لذلك إذا وجدت الأمثل العالمي، يجب أن الشبكة تناسب وظيفة. السبب كنت أفكر في X2. والمتوسطات المتحركة البسيطة أو الأسية خاصة لأنها تستخدم صفقة جيدة في التنبؤ بالأسواق المالية في التحليل الفني. كنت آمل أن الشبكة العصبية يمكن أن تتعلم تلك الخوارزميات والتجارة على أساسها دون الحاجة أولا إلى التعليمات البرمجية الصلبة لهم وإدخال نتائجها. ومع ذلك، I39m في محاولة لمعرفة ما إذا كان يمكن للشبكة العصبية حتى تعلم وظيفة من هذا القبيل. نداش عصام المنصوري سيب 1 14 في 18:29 أنا أفهم كيف X2 ليست مفيدة تماما للتنبؤ بالطقس، ويمكن أن يسبب الشبكة للتنبؤ 49 درجة يوم الاثنين المقبل، ولكن I39m متأكد من أن تكون قادرة على تعلم وظيفة متعدد الحدود يمكن أن تكون مفيدة للتنبؤ بسعر الفوركس، على سبيل المثال. أنا أفهم ربما بنية شبكة مختلفة مما كان في ذهني يمكن أن تكون قادرة، ولكن أنا لا أعرف 39 أي بنية يمكن أن تمثل و (س، x1) xx1 أعتقد أنني قد يكون سوء استخدام كلمة تقريبية بدلا من تمثيل، ولكن أعتقد أنك لا يزال يفهم ما كنت أحاول أن أقول على ما يرام. آسف أنا cann39t تحرير آخر مشاركة في الوقت المناسب. نداش عصام المنصوري سيب 1 14 في 18:41 أنا أفهم الشبكات العصبية مع أي عدد من الطبقات المخفية يمكن تقريب وظائف غير الخطية، ومع ذلك، يمكن أن تقريبية: نعم يمكن. أنا لا أعرف ما يجعلك تعتقد أن هو وظيفة صعبة لتقريب، من السهل جدا واحد. وبالنظر إلى وحدات مخفية كافية يمكن للشبكة العصبية تقريب أي وظيفة إلى دقة تعسفية على نطاق تعسفي. الحديث عن المتوسط ​​المتحرك، يمكن تكرار الشبكات العصبية تقريب بشكل صحيح أن نعم، فإنه يمكن. بل هو مرة أخرى مشكلة بسيطة جدا أن يبدو أنك تعتقد أنه من الصعب لسبب ما كنت لا تقاسم. يمكنك أن ترى الحل تافهة فقط عن طريق خلق حالة خفية كبيرة بما فيه الكفاية لاحتواء التاريخ كله وبقية الشبكة لحساب المتوسط ​​من حالة مخفية المتكررة. سنحتاج أولا إلى معرفة عدد الجداول الزمنية التي يجب أن يكون، ونحن لا. ثاتس مشكلة ضبط المعلمة، وقد تم التعامل مع هذه من قبل. يمكنك البحث بسهولة عن مزيد من المعلومات عنها. أنا في عداد المفقودين شيء ضخم هنا أو خوارزميات تعلم الآلة محدودة للغاية هل هناك تقنيات التعلم الأخرى إلى جانب الشبكات العصبية التي يمكن أن تفعل في الواقع أي من هذا نعم، يبدو أنك تفتقد أي فهم حقيقي للشبكات العصبية. أول بيان من أنا فهم الشبكات العصبية مع أي عدد من الطبقات المخفية يمكن تقريبي وظائف غير الخطية، ومع ذلك، يمكن أن تقريبية يظهر لك لا تفهم حقا الكلمات التي تستخدمها. هناك مجموعة واسعة من المواضيع التي يمكن أن تكون الفشل في فهم أو تختلط مع بعضها البعض، ولا أحد سوف تكون قادرة على تعيين لكم مباشرة في شكل قمبا بسيط. إذا كنت تريد حقا أن نفهم ما يجري، واتخاذ بعض دورات الدراسات العليا في آلة التعلم والشبكات العصبية على وجه الخصوص. ستكون نقطة البداية الجيدة هي مقاطع الفيديو هذه إذا كانت لديك المعرفة الأساسية بالفعل. أجاب سيب 1 14 في 16:37 هذا ليس المكان المناسب لتعليم. الاستيلاء على واحدة من العديد من الكتب حول هذا الموضوع وقراءة ذلك. كنت aren39t حتى النظر في نوع وظيفة التنشيط أو أن هناك أكثر من وحدة واحدة لكل مدخلات أو أنه يمكن أن يكون هناك العديد من الطبقات المخفية (وليس أن هناك حاجة إليها، ولكن تساعد على فهم). ndash Raff. Edward 1 سبتمبر 14 في 19:09 راف إدوارد، كنت وقحا وتخفيضا في إجاباتك ببساطة لأنك، وليس عصام، لا يفهمون القيود النظرية للشبكات العصبية. نو، نو، نو لا يمكن للشبكة العصبية تعلم أي وقت مضى وظيفة و (س) شكس ولا يمكن أن تتعلم عددا لا حصر له من وظائف أخرى، إلا إذا كنت تفترض غير عملي: 1- عدد لا حصر له من أمثلة التدريب 2- عدد لا حصر له من الوحدات 3 - كمية لا حصر لها من الوقت لتلاقيم ننس جيدة في تعلم مشاكل التعرف على نمط منخفض المستوى (الإشارات التي في النهاية لديها بعض النمط الإحصائي التي يمكن أن تمثلها بعض وظيفة مستمرة)، ولكن هذا لا يوجد أكثر هيريس تلميحا: حاول لبناء ن الذي يأخذ مدخلات البيانات n1 (x0، x1، x2. شن) وسوف يعود صحيح (أو 1) إذا كان (2 x0) في بقية التسلسل. وحظا سعيدا. لا يمكن تعلم الوظائف اللانهائية خاصة تلك التي تتكرر. هم مجرد راف إدوارد أساء فهم سؤالي. كان من الصحيح تماما في القول بأن الشبكات العصبية يمكن أن تقارب أي وظيفة، ولكن جزءا كبيرا أن كلا وأنا لم تحدد بشكل صحيح هو أنه يمكن تقريب أي وظيفة كاتبوندكوت. وهذا يعني أنه يمكن أن يكون 39t تقريبي f (x) إذا كان x له مجموعة لانهائية، كما أشار باناجيوتيس خارج. نداش عصام المنصوري 10 يناير، الساعة 09:03