Hoe om te koop / verkoop in Forex Hoe om te koop / verkoop in Forex hoe om te stop verlies te stel en stel neem wins by die aankoop van die verkoop in Forex Van die tegniese oogpunt, dit hang af van die verhandelingsplatform wat jy gebruik. Elke forex makelaar sal met graagte vir jou die forex platform handleiding of in staat is om jou te lei deur die stappe vir die opstel van koop / verkoop bestellings, wins teikens en uitgange per jou versoek sal wees. As 'n voorbeeld, laat se hersiening van die basiese orde stel stappe teen die een van die mees gewilde handel platforms - METATRADER4. Op die prys grafiek - muis regs kliek. Gaan na Trading, New orde. Jy sal 'n nuwe venster met orde spesifikasies hê. Simbool - die geldeenheid wat jy sal word handel volume - hoeveel baie jy sal te koop wees Stop verlies - wat jy nodig het om die prys wat jy wil word gestop by in die geval 'n handelsmerk gaan teen jou sit. Neem wins - jou wins doel. Kommentaar - laat dit leeg. Tipe - dit laat soos Instant uitvoering. Dan moet jy twee knoppies: koop en verkoop. Druk een van hulle. Ok. Jy het 'n nuwe handelsmerk oop. Jy kan dit op jou grafiek te sien sal wees en ook jy kan spyskaart Handel, geleë onder jou grafiek te gaan. As jy nou probeer om Regskliek op die handel, sal jy 'n opsie te verander of order, waar jy sal in staat wees om jou handel voorkeure verander te skrap nie. Forex vir beginners 1. WAT AS 'n handelaar Begin TRADING deur die koop teen die laagste, kan sê, wisselkoers en stop MET hierdie posisie aan die einde van die dag word hy as suksesvol was of nie by die einde van die dag wat ek bedoel IS het hierdie posisie OM TE VOLG / DEUR ANDER EEN GESLUIT OM BESEF 'n wins (ie na verkoop teen 'n hoër LEVER prys) of is dit 'n volledige stel van aksies deur sy eie WAT as hy 'n ander pos 'n ander dag (sê VOLGENDE DAG) ten einde sy vorige DAG se posisie VOLTOOI deur die verkoop teen 'n hoër WISSELKOERS THANX VOORUIT (jammer as my vraag is dom, het ek nog nie begin speel) Die beste ding, natuurlik, 'n Forex demo rekening gekry het en sien hoe bestellings werk. Maar, omdat jy 'n vraag Laan, laat se beantwoord dit. Wanneer jy koop op 'n sekere prys, sit jy sogenaamde Koop orde. Dit beteken dat jy nou 'n geldeenheid wat jy gekoop het, byvoorbeeld EURO hou. Gedurende die dag het die waarde van die geldeenheid sal styg of daal. Met die oog op die wins wat jy vyf verdien besef, D jy nodig het om jou koop sodat sluit. Op die verhandelingsplatform sal dit eenvoudig vertoon so na 'n bevel of beslote n handel, ens Wat eintlik gebeur, jy verkoop 'n geldeenheid wat jy vroeër gekoop het, te kapitaliseer op die veranderinge wat dit geproduseer terwyl u dit hou. Dit kan 'n dag, 'n paar uur, 'n paar minute, 'n week, 'n maand en so aan. Forex vir beginners Ek het hierdie vraag voor gevra, maar ek glo dat die konstruksie van die vraag het my nie verstaan moet word. Let weereens ek wil weet hoe ek kan stel: stop verlies, Neem Wins, Tipe (koop limiet of koop stop), en At prys. Al hierdie is wat om in te vul vir 'n hangende einde handel fundamentele analysis. Please help my hierdie proplem van gaping in kennis te los. Net gister het ek geplaas om 'n handel waar ek tot 80 pitte, maar as gevolg van probleme van nie in staat is om die handel te verlaat, ek verloor die pitte en het selfs 'n paar losses. Trading sonder TP en SL is soos 'n motor sonder onderbreking. Help asseblief. Lionel D. L (Nigerië) Die presiese stappe vir die opstel van 'n stop verlies, neem wins ens sal afhang van die verhandelingsplatform wat jy gebruik. Tipies jy 'n opsie om stop verlies te stel en neem wins bestellings gedurende die oomblik wanneer jy versoek om 'n handelsmerk te open, óf 'n mark orde of 'n beperking ten einde. In die nuwe orde venster moet jy in staat wees om velde vir stop en wins insette te sien. As jy kies om nie te stop en wins teikens in die tyd wanneer jy 'n nuwe orde is die plasing, jy het altyd 'n opsie om jou bestaande orde te wysig. Gewoonlik deur reg doen kliek op 'n bestaande handel lyn op jou rekening wat jy kan sien 'n opsie uit te nooi om die orde te wysig. Ten slotte, jy het altyd die derde opsie om die handel hier naby en nou enige tyd. Dit word ook gedoen deur óf klik op die oop handel oor die grafiek (indien platform ondersteun handel vorm die kaarte) of in jou handel vertoning / rekening venster. Let wel: in die meeste gevalle jy gewen het t in staat wees om jou ambagte met behulp mark orde (bv die hand hier en nou) as jy gaan om dit klaar op die naweek sluit, om presies te wees: van 17:00 Vrydag tot 17:00 Sondag. 4-de opsie in om u makelaar bel per telefoon en vra om 'n handelsmerk te sluit. Ook jou forex makelaar kan altyd gee jou stap-vir-stap verduideliking van hoe om hul verhandelingsplatform gebruik en die opstel / beslote bestellings. Forex vir beginners i dont weet wanneer reg om 'n koop of 'n verkoop pls help plaas is. Valuta handel is 'n spekulatiewe mark. Jy wil om te koop wanneer die geldeenheid is goedkoop en verkoop dit dan wanneer dit duurder. Byvoorbeeld, die koop van euro / dollar paar (as jy EUR koop vir Amerikaanse dollars), handelaars verwag euro te styg in waarde, want as dit die geval is, kan hulle dit terug te verkoop en ontvang meer Amerikaanse dollar in ruil. Met betrekking tot die onderwerp van waar om goeie koop en verkoop geleenthede te vind, eerste oopmaak enige gratis live kaarte van enige geldeenheid paar. Neem 'n eenvoudige kyk en probeer om te verwag die volgende moontlike beweeg. As dit laat jou opgewonde en jy wil om te leer wat evalueringsmetodes staan agter voorspellings mark, vyf jy het 'n opwindende wêreld van Forex wat is alles oor hoe en wanneer om te koop en te verkoop. Lees net oor alles wat jy kan vind. Begin van: forex-kaarte-boek / Geskep deur Kumba op Do, 2009/11/19 - 11:39. Geskep deur Ivan op Tue, 2011/02/08 - 21:13. Hallo, Ek is nuut op die mark Forex so naturaly Ek het 'n massa van die vrae natuurlik sal ek net 'n paar :) stel. 1. Moet ek gebruik altyd stop en beperk. Is dit meer veilig op die manier 2. Hoe lank moet ek wag tot die posisie 3. sluit As ek begin met 'n 100EUR deposito hoe groot my marge 4. behoort te wees is dit OK is om die posisie te sluit as dit is 4.01 tot die PF neem 5 . As my handel gaan teen my as die beste tyd om dit te stop. Moet ek gee dit 'n kans om terug te kry op sy voete en weer begin styg. Is dit so groot risiko 6. Wat is VIPS 7. Kandelaars, moet ek bestudeer dit baie goed 8. Is daar enige winsgewende strategieë of is dit slegs gebaseer acording ons eie afwagting en spectulative vermoëns By voorbaat baie dankie by voorbaat. Ivan Deur Beginner Trader op Do, 2011/06/09 - 10:41. ive net verloor 20 dollar in buitelandse valuta. maar ek sal terug om wraak te neem nie. hmmmm Deur Beginner Trader op Sun, 2011/06/26 - 10:22. Deur Beginner Trader op Sat, 2011/07/30 - 10:13. My broer, die goeie nuus is dat ek 'n kenner in forex oor die jare ná verloor drie duisend vyf honderd dollar geword. Om eers beantwoord die kleinste vraag. As jy die aankoop van die dollar en die geldeenheid paar is euro / dollar, sal jy hierdie paar verkoop. As die geldeenheid paar reëling is USD / CAD en jy wil die dollar te koop, hulle sal jy die paar te koop. Dit hang alles af van watter geldeenheid kom eerste in die reëling. Oor wanneer om te koop of te verkoop, moet ek jou vertel dat al die aanwysers is bedoel om jou te mislei. Geen makelaar wil hê jy moet 'n pennie ooit in forex maak nie saak jou verliese. Selfs die handel stelsels wat jy koop is slegs 'n ooreenkoms om geld in die sak van die seller. No een sal jy al ooit vertel hoe om handel te dryf en 'n wins maak nie, behalwe my sit. Niemand het my ooit vertel. My betaalde opleiers nooit gedoen het nie. So ek geleer deur middel van die harde manier en natuurlik, God se leiding. Die enigste stelsel wat vir jou vertel wanneer om te koop of te verkoop is JY. Nou hoef teleurgesteld wees met my antwoord as ek sal jou vertel wat om te doen. Die regte besluit is die eenvoudigste. Nou kyk na die grafiek. Is dit opwaarts of afwaarts As opwaartse neigende, koop en omgekeerd. kyk dan of die tendens onlangs begin of sal binnekort kry om weerstandvlak. Dit sal jou lei in die neem van jou besluit. Kyk ook of die grafiek nie, dit is is trending, 'n wissel mark. Nou te koop en te verkoop tussen die weerstand vlakke. Bevestig altyd die verandering van rigting voordat jy dit doen. Dit is die beste gids wat jy kan kry en dit is gratis. God seën ons. Tolu Bamisile. 08185585307. Nigerië. Deur Beginner Trader op Vrydag, 2011/08/19 - 11:43. Ek gebruik MT4 platform, maar dit lyk dit is geprogrammeer om te gee my 'n outomatiese stop verlies van sowat 100 pitte. Die verander / verwyder knoppie steek nooit as ek probeer om te tik op my eie stop verlies figure. Soms is die Dieselfde geld vir Neem Wins. MT4 is geneig om my te dwing om sy eie figure neem. Wat is die verduideliking. Ek is op 'n demo rekening. Peter - Uganda. Deur Beginner Trader op Do, 2011/09/29 - 17:39. Hoe lank neem 'n mark handel laaste sê ek verkoop Euro / dollar vandag by. hoe lank sal daardie volgorde staan dae, weke, vir ewig Tans ek m handel oor CNBC demo rekening en van tyd tot tyd my poste verdwyn, asof verval, maar ek kan nie uitvind wat die term is ook, as ek verkoop Euro / dollar en dit verval in een of ander manier, is dit effektief 'n einde wat my wins / verlies Geskep deur Beginner Trader op Ma, 2011/10/24 besef - 23:43. Hoe bereken ek stop verlies en neem wins wanneer die handel geldeenhede jy hulp sal opreg waardeer word. 10 wanopvattings oor Neurale Netwerke Neurale netwerke is een van die mees gewilde en kragtige klasse masjienleer algoritmes. In kwantitatiewe finansies neurale netwerke word dikwels gebruik vir die tyd-reeks vooruitskatting, bou eie aanwysers, algoritmiese handel, sekuriteite klassifikasie en kredietrisiko modellering. Hulle is ook gebruik om te bou stogastiese proses modelle en prys afgeleides. Ten spyte van hul nut neurale netwerke is geneig om 'n slegte reputasie het as gevolg van hul prestasie is temperamenteel. Na my mening kan dit toegeskryf word aan swak netwerk ontwerp weens wanopvattings oor hoe neurale netwerke werk. Hierdie artikel bespreek 'n paar van die wanopvattings. 1. Neurale netwerke is nie modelle van die menslike brein Die menslike brein is een van die groot raaisels van ons tyd en wetenskaplikes het nie 'n konsensus bereik oor presies hoe dit werk. Twee teorieë van die brein bestaan naamlik die ouma selteorie en die versprei verteenwoordiging teorie. Die eerste teorie beweer dat individuele neurone het 'n hoë inligting kapasiteit en is in staat om wat komplekse konsepte soos jou ouma of selfs Jennifer Aniston. Die tweede teorie neurone beweer dat neurone is baie meer eenvoudig en uitbeeldings van komplekse voorwerpe versprei oor baie neurone. Kunsmatige neurale netwerke is losweg geïnspireer deur die tweede teorie. Een van die redes waarom ek glo huidige generasie neurale netwerke is nie in staat om waarneming vermoë ( 'n ander konsep intelligensie) is omdat ek glo dat biologiese neurone is veel meer kompleks as kunsmatige neurone. Nog 'n groot verskil tussen die brein en neurale netwerke is groot en organisasie. Menslike brein bevat baie meer neurone en sinapse as neurale netwerk en hulle is self-organisering en aanpasbaar. Neurale netwerke, in vergelyking, georganiseer volgens 'n argitektuur. Neurale netwerke is nie self-organiserende in dieselfde sin as die brein wat baie meer nou lyk 'n grafiek as 'n geordende netwerk. 'N paar baie interessante siening van die brein as wat deur die staat van die kuns brein dink tegnieke. Klik op die beeld vir meer inligting. So wat beteken dit Dink dit op hierdie manier: 'n neurale netwerk is geïnspireer deur die brein in die dieselfde manier as wat die Olimpiese stadion in Beijing is geïnspireer deur 'n voël se nes. Dit beteken egter nie dat die Olimpiese stadion is-'n voël se nes, beteken dit dat sommige elemente van voëls neste teenwoordig is in die ontwerp van die stadion is. Met ander woorde, elemente van die brein teenwoordig is in die ontwerp van neurale netwerke, maar hulle is 'n baie minder soortgelyke as wat jy dink. Om die waarheid te neurale netwerke is nader verwant aan statistiese metodes soos krommepassing en regressie-analise as die menslike brein. In die konteks van kwantitatiewe finansies dink ek dit is belangrik om te onthou dat, omdat, terwyl dit mag klink koel om te sê dat daar iets is geïnspireer deur die brein, kan hierdie stelling lei onrealistiese verwagtinge of vrees. Vir meer inligting sien geen kunsmatige intelligensie is nie 'n eksistensiële bedreiging. 'N Voorbeeld van krommepassing ook bekend as funksie benadering. Neurale netwerke is dikwels gebruik om komplekse wiskundige funksies te benader. 2. Neurale netwerke sondaars t n swak vorm van statistiek Neurale netwerke bestaan uit lae van mekaar verbind nodusse. Individuele nodes is perceptrons genoem en lyk 'n meervoudige lineêre regressie. Die verskil tussen 'n meervoudige lineêre regressie en 'n perceptron is dat 'n perceptron voed die sein wat deur 'n meervoudige lineêre regressie na 'n aktivering funksie wat mag of nie mag nie-lineêre nie. In 'n multi layered perceptron (MLP) perceptrons gerangskik in lae en lae verband hou met ander 'n ander. In die MLP is daar drie tipes lae naamlik die insette laag, verborge laag (s), en die uitset laag. Die insette laag ontvang insette patrone en die uitset laag kan 'n lys van klassifikasie of uitset seine waarop daardie insette patrone kan karteer bevat. Verborge lae pas die gewigte op die insette tot die dwaling van die neurale netwerk is tot die minimum beperk. Een interpretasie hiervan is dat die verborge lae onttrek hooftrekke in die insette data wat voorspellende krag het met betrekking tot die uitsette. Kartering insette. Uitsette A perceptron n vektor van insette ontvang,. bestaande op eienskappe. Dit vektor van insette genoem insette patroon. Hierdie insette word geweeg volgens die gewig vektor wat deel uitmaak van wat perceptron,. In die konteks van meervoudige lineêre regressie kan dit beskou word as regressie koëffisiënte of beta s. Die netto insetsein,. van die perceptron is gewoonlik die som produk van die insette patroon en hul gewigte. Neurone wat die som-produk gebruik vir geroep opsomming eenhede. Die netto insetsein, minus 'n vooroordeel is dan gevoer in 'n paar aktivering funksioneer. Aktivering funksies word gewoonlik Monotoon toenemende funksies wat begrens tussen een of (dit is bespreek verder in hierdie artikel). Aktivering funksies kan lineêre of nie-lineêre wees. Sommige gewilde aktivering funksies gebruik word in neurale netwerke word hieronder getoon, Die eenvoudigste neurale netwerk is een wat net een neuron wat insette kaarte om 'n uitset het. Gegewe 'n patroon. Die doel van hierdie netwerk sal wees om die fout van die uitsetsein verminder. relatief tot 'n paar bekende teiken waarde vir 'n paar gegee opleiding patroon. Byvoorbeeld, as die neuron was veronderstel om die kaart te -1 maar dit gekarteer dit tot 1 dan die fout, soos gemeet deur som-kwadraat afstand, van die neuron sou wees 4,. Gelaagdheid Soos getoon in die prent hierbo perceptrons is georganiseer in lae. Die eerste laag of perceptrons, die insette later genoem, ontvang die patrone,. in die opleiding stel,. Die laaste laag kaarte om die verwagte uitsette vir diegene patrone. 'N Voorbeeld hiervan is dat die patrone van 'n lys van hoeveelhede vir verskillende tegniese aanwysers met betrekking tot 'n sekuriteit en die potensiële uitsette kan die kategorieë kan wees. 'N verborge laag is een wat ontvang as insette die uitgange van nog 'n laag en waarvoor die uitgange vorm die insette in nog 'n laag. So, wat doen hierdie verborge lae doen Een interpretasie is dat hulle onttrek hooftrekke in die insette data wat voorspellende krag het met betrekking tot die uitsette. Dit staan bekend as funksie ontginning en op 'n manier wat dit verrig 'n soortgelyk funksie om statistiese tegnieke soos hoofkomponent-analise. Diep neurale netwerke het 'n groot aantal verborge lae en in staat is om baie dieper funksies uittreksel uit die data. Onlangs het diep neurale netwerke besonder goed presteer vir probleme beeldherkenning. 'N illustrasie van funksie ontginning in die konteks van beeldherkenning word hieronder getoon, ek dink dat een van die probleme van die gebruik van diep neurale netwerke vir verhandeling (bo en behalwe die voor die hand liggend risiko van overfitting) is dat die insette in die neurale netwerk is byna altyd swaar pre-verwerkte beteken dat daar dalk 'n paar funksies om werklik te onttrek omdat die insette is reeds tot 'n mate funksies. Leer Reëls Soos voorheen genoem die doel van die neurale netwerk is om 'n mate van fout te minimaliseer. Die mees algemene maatstaf van die fout is-som kwadraat-fout hoewel hierdie metrieke is sensitief vir uitskieters en kan minder geskik as die dop fout in die konteks van finansiële markte wees. Som kwadraat fout (SSE), gegee dat die doel van die netwerk is om te verminder kan ons 'n optimeringsalgoritme gebruik om die gewigte te pas in die neurale netwerk. Die mees algemene leer algoritme vir neurale netwerke is die gradiënt afkoms algoritme hoewel ander en potensieel beter optimalisering algoritmes gebruik kan word. Gradient afkoms werk deur die berekening van die parsiële afgeleide van die fout met betrekking tot die gewigte vir elke laag in die neurale netwerk en dan beweeg in die teenoorgestelde rigting as die gradiënt (want ons wil die dwaling van die neurale netwerk te verminder). Deur die vermindering van die fout te maksimeer ons die prestasie van die neurale netwerk in-monster. wiskundig uitgedruk die update reël vir die gewigte in die neurale netwerk () word gegee deur, waar is die leer koers wat beheer hoe vinnig of stadig die neurale netwerk konvergeer. Dit is niks werd nie dat die berekening van die parsiële afgeleide van met betrekking tot die netto insetsein om 'n voorbeeld stel 'n probleem vir 'n diskontinue aktivering funksies wat is een rede waarom alternatiewe optimeringsalgoritmes mag gebruik word. Die keuse van leer koers het 'n groot impak op die prestasie van die neurale netwerk. Klein waardes vir kan lei tot 'n baie stadige konvergensie terwyl hoë waardes vir daartoe kan lei dat 'n baie variasie in die opleiding. Opsomming Ten spyte van wat sommige van die statistici wat ek ontmoet het in my tyd glo, neurale netwerke is nie net 'n swak vorm van statistiek vir lui ontleders (Ek het eintlik al hierdie het voor en dit was nogal snaaks) neurale netwerke verteenwoordig 'n onttrekking van soliede statistiese tegnieke wat dateer honderde jare. Vir 'n fantastiese verduideliking van die statistieke agter neurale netwerke raai ek lees van hierdie hoofstuk. Dit het gesê ek stem saam dat sommige praktisyns graag neurale netwerke te hanteer as 'n swart boks wat op enige probleem kan gegooi word sonder om eers die tyd neem om die aard van die probleem te verstaan en of neurale netwerke is 'n gepaste keuse. 'N Voorbeeld hiervan is die gebruik van neurale netwerke vir handel markte is dinamiese nog neurale netwerke aanvaar die verspreiding van insette patrone stilstaande met verloop van tyd bly. Dit word in meer detail hier. 3. Neurale netwerke kom in baie platforms Tot nou toe het ons net die mees eenvoudige neurale netwerk argitektuur, naamlik die multi-laag perceptron bespreek. Daar is baie verskillende neurale netwerk argitektuur (te veel om hier te noem) en die verrigting van enige neurale netwerk is 'n funksie van sy argitektuur en gewigte. Baie hedendaagse vooruitgang op die gebied van masjienleer kom nie van rethinking die pad wat perceptrons en optimeringsalgoritmes werk nie, maar eerder uit om kreatief te wees met betrekking tot hoe hierdie komponente in mekaar pas. Hier het ek bespreek 'n paar baie interessante en kreatiewe neurale netwerk argitektuur wat met verloop van tyd ontwikkel het, herhaalde neurale netwerke - sommige of alle verbindings vloei agtertoe beteken dat terugvoer lusse bestaan in die netwerk. Hierdie netwerke word geglo om beter te presteer op tydreeksdata. As sodanig, kan hulle veral relevant in die konteks van die finansiële markte. Vir meer inligting hier is 'n skakel na 'n fantastiese artikel getiteld, Die onredelike prestasie van herhalende diep neurale netwerke. Hierdie diagram toon drie gewilde herhaalde neurale netwerk argitektuur naamlik die Elman neurale netwerk, die Jordaan neurale netwerk, en die Hopfield enkel-laag neurale netwerk. 'N Meer onlangse interessante herhaalde neurale netwerk argitektuur is die Neurale Turingmasjien. Hierdie netwerk kombineer 'n herhalende neurale netwerk argitektuur met geheue. Dit het getoon dat hierdie neurale netwerke volledige word Turing en was in staat om te sorteer-algoritmes en ander rekenaar take te leer. Boltzmann neurale netwerk - een van die eerste ten volle verbind neurale netwerke was die Boltzmann neurale netwerk a. k.a Boltzmann masjien. Hierdie netwerke was die eerste netwerke in staat te leer interne voorstellings en die oplossing van baie moeilike combinatoric probleme. Een interpretasie van die Boltzmann masjien is dat dit 'n Monte Carlo-weergawe van die Hopfield herhaalde neurale netwerk. Ten spyte hiervan, kan die neurale netwerk baie moeilik om op te lei, maar toe beperk kan hulle meer doeltreffend as tradisionele neurale netwerke te bewys. Die gewildste beperking op Boltzmann masjiene is om direkte verbindings tussen verborge neurone weier. Hierdie spesifieke argitektuur word na verwys as 'n beperkte Boltzmann masjien. wat gebruik word in diep Botlzmann masjiene. Hierdie diagram toon hoe verskillende Boltzmann Masjiene met verbande tussen die verskillende knope aansienlik die resultate van die neurale netwerk kan beïnvloed (grafieke aan die regterkant van die netwerke) Diep neurale netwerke - daar neurale netwerke met verskeie versteekte lae. Diep neurale netwerke het baie gewild in meer onlangse jare geword as gevolg van hul ongekende sukses in beeld en stem erkenning probleme. Die aantal diep neurale netwerk argitektuur is redelik vinnig groeiende, maar 'n paar van die mees gewilde platforms sluit diep geloof netwerke. convolutional neurale netwerke. diep beperk Boltzmann masjiene, gestapel motor-opnemers, en nog vele meer. Een van die grootste probleme met diep neurale netwerke, veral in die konteks van die finansiële markte, wat nie-stasionêre is, is overfitting. Meer meer inligting sien DeepLearning. Die diagram toon 'n diep neurale netwerk wat bestaan uit verskeie versteekte lae. Adaptive neurale netwerke - is neurale netwerke wat gelyktydig aan te pas en te optimaliseer hul argitektuur terwyl leer. Dit word gedoen deur óf die groei van die argitektuur (die toevoeging van meer verborge neurone) of krimp dit (snoei onnodige verborge neurone). Ek glo dat aangepaste neurale netwerke is die meeste geskik is vir die finansiële markte, want markte is nie-stasionêre. Ek sê dit omdat die funksies onttrek deur die neurale netwerk kan versterk of verswak met verloop van tyd, afhangende van die mark dinamika. Die implikasie hiervan is dat enige argitektuur wat optimaal in die verlede gewerk sal moet verander word om optimaal te werk vandag. Hierdie diagram toon twee verskillende tipes adaptive neurale netwerk argitektuur. Die beeld links is 'n waterval neurale netwerk en die regte beeld is 'n self-organiserende kaart. Radiale basis netwerke - hoewel nie 'n ander tipe van argitektuur in die sin van perceptrons en verbindings, radiale basis funksies gebruik maak van radiale basis funksioneer as hul aktivering funksies, dit is werklike waarde funksies, waarvan die opbrengs hang af van die afstand vanaf 'n bepaalde punt. Die mees algemeen gebruikte radiale basis funksies is die Gaussiese verspreiding. Omdat radiale basis funksies veel meer komplekse vorms op kan neem, is dit oorspronklik gebruik vir die uitvoer van funksie interpolasie. As sodanig, kan 'n radiale basis funksie neurale netwerk 'n veel hoër inligting kapasiteit het. Radiale basis funksies word ook gebruik in die kern van 'n Support Vector Machine. Hierdie diagram wys hoe krommepassing kan gedoen word met behulp van radiale basis funksies In opsomming, baie honderde neurale netwerk argitektuur bestaan en die verrigting van 'n neurale netwerk kan aansienlik beter as 'n ander nie. As sodanig, kwantitatiewe analiste wat belangstel in die gebruik van neurale netwerke moet waarskynlik toets verskeie neurale netwerk argitektuur en oorweeg hul uitgange saam kombinasie in 'n ensemble om hul belegging prestasie te maksimeer. Ek beveel die lees van my artikel, Alle jou modelle is verkeerd, 7 Bronne van Model Risiko. voordat die gebruik van neurale netwerke vir verhandeling, want baie van die probleme steeds van toepassing. 4. Grootte sake, maar groter isnt altyd beter Nadat gekies 'n argitektuur moet 'n mens dan besluit hoe groot of klein die neurale netwerk moet wees. Hoeveel insette is daar hoeveel verborge neurone gebruik moet word hoeveel verborge lae gebruik moet word (as ons met behulp van 'n diep neurale netwerk) En hoeveel uitsette neurone vereis Die redes waarom hierdie vrae is belangrik is, want as die neurale netwerk is te groot (te klein) die neurale netwerk kan potensieel overfit (underfit) die data wat beteken dat die netwerk nie goed sou veralgemeen uit monster. Hoeveel en wat insette gebruik moet word Die aantal insette afhanklik van die probleem word opgelos, die hoeveelheid en gehalte van die beskikbare data, en miskien 'n paar kreatiwiteit. Insette is eenvoudig veranderlikes wat ons glo 'n paar voorspelbare mag oor die afhanklike veranderlike voorspel. As die insette om 'n probleem is nie duidelik nie, kan jy stelselmatig te bepaal watter veranderlikes moet ingesluit word deur te kyk na die korrelasies en kruis-korrelasie tussen potensiële onafhanklike veranderlikes en die afhanklike veranderlikes. Hierdie benadering is uiteengesit in die artikel, wat dryf reële BBP-groei Daar is twee probleme met die gebruik van korrelasies om insette veranderlikes te kies. Eerstens, as jy 'n lineêre korrelasie metrieke jy kan per ongeluk sluit nuttige veranderlikes. In die tweede plek kan twee relatief ongekorreleerd veranderlikes potensieel gekombineer word om 'n sterk gekorreleer veranderlike produseer. As jy kyk na die veranderlikes in isolasie jy kan hierdie geleentheid misloop nie. Om die tweede probleem te oorkom wat jy kan hoofkomponent-analise gebruik om nuttige eievektore (lineêre kombinasies van die veranderlikes) as insette te onttrek. Dit gesê 'n probleem met hierdie is dat die eievektore nie goed kan veralgemeen en hulle aanvaar ook die verspreiding van insette patrone stilstaan. Nog 'n probleem by die kies van veranderlikes is multikollineariteit. Multikollineariteit is wanneer twee of meer van die onafhanklike veranderlikes word gevoed in die model is hoogs gekorreleer. In die konteks van regressiemodelle kan Hieroor regressie koëffisiënte om onreëlmatige verander in reaksie op klein veranderinge in die model of die data. Gegewe dat neurale netwerke en regressiemodelle is soortgelyk Ek vermoed dit is ook 'n probleem vir neurale netwerke. Laaste, maar nie die minste nie, 'n statistiese vooroordeel wat kan ingestel word wanneer die keuse van veranderlikes is uitgelaat-veranderlike vooroordeel. Weggelaat veranderlike vooroordeel ontstaan wanneer 'n model geskep wat blare uit een of meer belangrike oorsaaklike veranderlikes. Die vooroordeel ontstaan wanneer die model verkeerd vergoed vir die vermiste veranderlike met meer as of onderskat die krag van een van die ander veranderlikes maw die gewigte te groot op hierdie veranderlikes kan word of SSE sal groot wees. Hoeveel verborge neurone moet ek gebruik Die optimale aantal verborge eenhede is probleem spesifiek. Dit gesê, as 'n algemene reël, hoe meer verborge eenhede gebruik die meer waarskynlike die risiko van overfitting word. Overfitting is wanneer die neurale netwerk nie die onderliggende statistiese eienskappe van die data te leer nie, maar eerder stoor die patrone en enige geraas hulle kan bevat. Dit lei tot neurale netwerke wat goed presteer in die monster, maar swak uit monster. So, hoe kan ons dit vermy overfitting Daar is twee gewilde benaderings in die industrie gebruik naamlik vroeë stop en regulering en dan is daar my persoonlike gunsteling benadering, globale soek, Vroeë staking behels verdeel jou opleiding stel in die hoof opleiding stel en 'n bevestiging stel. Dan plaas van opleiding 'n neurale netwerk vir 'n vaste aantal iterasies, lei jy dan tot die prestasie van die neurale netwerk op die bekragtiging stel begin om te versleg. In wese dit verhoed dat die neurale netwerk van die gebruik van al die beskikbare parameters en beperk dit se vermoë om elke patroon dit sien net memoriseer. Die beeld op die regte toon twee moontlike staking punte vir die neurale netwerk (a en b). Die onderstaande foto toon die prestasie en oor-pas van die neurale netwerk wanneer gestop by A of B, Regularisatie penaliseer die neurale netwerk vir die gebruik van komplekse argitekture. Kompleksiteit in hierdie benadering word gemeet aan die grootte van die neurale netwerk gewigte. Regularisering word gedoen deur die toevoeging van 'n term om kwadraat fout doelfunksie wat afhanklik is van die grootte van die gewigte op te som. Dit is die ekwivalent van die toevoeging van 'n vorige, wat in wese maak die neurale netwerk is van mening dat die funksie dit benader is glad, waar is die aantal gewigte in die neurale netwerk. Die parameters en beheer oor die mate waarin die neurale netwerk underfits oor of die data. Goeie waardes vir en afgelei kan word met behulp van Bayesiaanse analise en optimalisering. Dit, en die bokant, word in heelwat meer detail in hierdie briljante hoofstuk. My gunsteling tegniek, wat ook by verre die mees bestryk duur, is globale soek. In hierdie benadering 'n soektog algoritme word gebruik om verskillende neurale netwerk argitektuur probeer by 'n nabye optimale keuse. Dit is meestal gedoen met behulp van genetiese algoritmes wat verder bespreek word in hierdie artikel. Wat is die Uitsette Neurale netwerke kan gebruik word vir óf regressie of klassifikasie. Onder regressiemodel 'n enkele waarde is outputted wat kan koppel aan 'n versameling reële getalle wat beteken dat slegs een uitset neuron word vereis. Onder klassifikasie model 'n uitset neuron word vir elke potensieel kategorie waarop die patroon mag behoort. As die klasse is onbekend sonder toesig neurale netwerk tegnieke soos self organiseer kaarte gebruik moet word. Ten slotte, die beste benadering is om te volg Ockhams Razor. Ockham se skeermes argumenteer dat vir twee modelle van ekwivalente prestasie, die model met minder vrye parameters sal beter veralgemeen. Aan die ander kant, moet 'n mens nooit te kies vir 'n té simplisties model ten koste van prestasie. Net so moet 'n mens nie aanvaar dat net omdat 'n neurale netwerk het meer verborge neurone en miskien meer verborge lae dit sal 'n baie makliker netwerk te klop. Ongelukkig lyk dit vir my dat daar te veel klem op groot netwerke geplaas en te min klem geplaas op die maak van 'n goeie ontwerp besluite te neem. In die geval van neurale netwerke, groter isnt altyd beter. Entiteite moet nie vermenigvuldig buite noodsaaklikheid - Willem van Ockham entiteite moet nie verminder word tot op die punt van ontoereikendheid - Karl Menger 5. Baie opleiding algoritmes bestaan vir neurale netwerke Die leer algoritme van 'n neurale netwerk probeer gewigte die neurale netwerk se optimaliseer tot 'n stop voorwaarde vervul is. Hierdie toestand is tipies óf wanneer die fout van die netwerk 'n aanvaarbare vlak van akkuraatheid op die opleiding stel, wanneer die fout van die netwerk op die bekragtiging stel begin om te versleg, of wanneer die gespesifiseerde computational begroting uitgeput is bereik. Die mees algemene leer algoritme vir neurale netwerke is die backpropagation algoritme wat stogastiese helling afkoms wat vroeër in hierdie artikel bespreek gebruik. Backpropagation bestaan uit twee stappe: Die waards pas - die opleiding datastel is geslaag het deur die netwerk en die uitvoer van die neurale netwerk is aangeteken en die dwaling van die netwerk word bereken agtertoe voortplanting - die fout sein terug het deur die netwerk en die gewigte van die neurale netwerk is gemaak met behulp van gradiënt afkoms. Die is 'n paar probleme met hierdie benadering. al die gewigte aanpassing in 'n keer kan lei tot 'n beduidende beweging van die neurale netwerk in gewig ruimte, die helling afkoms algoritme is baie stadig, en is vatbaar vir plaaslike minima. Plaaslike minima is 'n probleem vir spesifieke tipes neurale netwerke, insluitend alle produk skakel neurale netwerke. Die eerste twee probleme aangespreek kan word deur die gebruik van variante van gradiënt afkoms insluitend momentum helling afkoms (QuickProp), Nesterov se Versnelde Momentum (NAG) helling afkoms, die Adaptive Gradient Algoritme (AdaGrad), Resilient Voortplanting (RProp), en wortel van gemiddelde Squared Voortplanting (RMSProp). Soos gesien kan word uit die onderstaande beduidende verbeterings beeld gemaak kan word op die klassieke helling afkoms algoritme. Dit het gesê, hierdie algoritmes kan plaaslike minima nie oorkom en is ook minder nuttig wanneer ek probeer om beide die argitektuur en gewigte van die neurale netwerk gelyktydig te optimaliseer. Ten einde hierdie globale optimalisering algoritmes benodig bereik. Twee gewilde globale optimalisering algoritmes is die Deeltjie Swarm Optimization (PSO) en die genetiese algoritme (GA). Hier is hoe dit gebruik kan word om neurale netwerke op te lei: Neurale netwerk vektor voorstelling - deur kodering die neurale netwerk as 'n vektor van gewigte, elkeen verteenwoordig die gewig van 'n verband in die neurale netwerk, ons kan neurale netwerke op te lei met behulp van die meeste meta-heuristiese soekalgoritmes. Hierdie tegniek werk nie goed met diep neurale netwerke, want die vektore te groot. Hierdie diagram illustreer hoe 'n neurale netwerk in 'n vektornotasie voorgestel kan word en wat verband hou met die konsep van 'n soektog ruimte of fiksheid landskap. Deeltjie Swarm Optimization - 'n neurale netwerk op te lei met behulp van 'n PSO ons bou 'n bevolking / swerm diegene neurale netwerke. Elke neurale netwerk is voorgestel as 'n vektor van gewigte en is aangepas volgens dit se posisie van die globale beste deeltjie en dit is persoonlike beste. .
No comments:
Post a Comment