作为对该领域的精彩介绍,您可以尝试Stuart REID 的“关于神经网络的 10 个误解”。
虽然是一个非常笼统的问题,但这些是我的观点:
fast learning curve
(在“产品”上花费了无数时间并不容易被证明是合理的。产品可能会引用速度,但要注意他们谈到在生产阶段在经过良好预训练的 ANN 上进行预测时节省毫秒/秒,但你的时间将是主要分配在除此之外的其他活动上——首先学习和深入了解产品及其功能和弱点,然后是 ANN 模型原型设计,最重要的是,ANN-Feature-Engineering,然后是设计-候选人-ANN 超参数化网格搜索以调整它的最佳泛化和 CrossValidation 属性)
support and tools for rapid prototyping
(一旦超越了学术阐述的 ANN-mimicking-XOR,原型设计阶段就是创新的游乐场,因此在时间和 CPU 资源方面都非常昂贵)
support for smart automated feature scaling
(对于稳健网络的进化(遗传等)搜索处理是不可避免的,在给定的精度目标下,减少到足够的规模(以在可接受的时间范围内实现可计算性))
- 支持用于高偏差/过拟合调整的自动超参数控制
- 支持“覆盖”(超)参数化空间的全网格正交、梯度驱动和随机处理
- 支持本地矢量化处理,用于快速分布式处理的手段(不是出于营销动机的废话,而是公平合理的架构(因为GPGPU I/O 延迟对训练有素的网络没有多大帮助(最后它是低计算强度任务,仅此而已)而不是一组单一的 sumproduct 决策,因此高 GPU IO-bound 延迟掩码不能涵盖巨大的延迟,因此与普通、配置良好、基于 CPU 的 ANN 相比,GPU“帮助”甚至可能成为灾难性 [可用的定量引用] -计算)
AI/ML NN-特征工程!...忘记6:?[:?[:?]]:1
架构
这是钥匙。
无论您选择什么 AI/ML-Predictor,
无论是 ANN 还是 SVM,甚至是基于集成的“弱”学习器,主要问题都不是引擎,而是驱动程序——一组特征的预测能力。
不要忘记,外汇多工具市场实时展示的复杂性。绝对比 6:1 复杂许多数量级。你渴望创造一个Predictor
能够预测会发生什么的存在。

如何在合理的可计算性成本范围内做到这一点?
smart tools exist:
feature_selection.RFECV( estimator, # loc_PREDICTOR
step = 1, # remove 1 FEATURE at a time
cv = None, # perform 3-FOLD CrossValidation <-opt. sklearn.cross_validation
scoring = None, # <-opt. aScoreFUN with call-signature aScoreFUN( estimator, X, y )
estimator_params = None, # {}-params for sklearn.grid_search.GridSearchCV()
verbose = 0
)
# Feature ranking with recursive feature elimination
# and cross-validated selection of the best number of features.
|>>> aFeatureImportancesMAP_v4( loc_PREDICTOR, X_mmap )
0. 0.3380673 _ _ _____________________f_O.............RICE_: [216]
1. 0.0147430 _ _ __________________________________f_A...._: [251]
2. 0.0114801 _ _ ___________________f_............ul_5:3_8_: [252]
3. 0.0114482 _ _ ______________________________H......GE_1_: [140]
4. 0.0099676 _ _ ______________________________f_V....m7_4_: [197]
5. 0.0083556 _ _ ______________________________f.......7_3_: [198]
6. 0.0081931 _ _ ________________________f_C...........n_0_: [215]
7. 0.0077556 _ _ ______________________f_Tr..........sm5_4_: [113]
8. 0.0073360 _ _ _____________________________f_R.......an_: [217]
9. 0.0072734 _ _ ______________________f_T............m5_3_: [114]
10. 0.0069267 _ _ ______________________d_M.............0_4_: [ 12]
11. 0.0068423 _ _ ______________________________f_......._1_: [200]
12. 0.0058133 _ _ ______________________________f_......._4_: [201]
13. 0.0054673 _ _ ______________________________f_......._2_: [199]
14. 0.0054481 _ _ ______________________f_................2_: [115]
15. 0.0053673 _ _ _____________________f_.................4_: [129]
16. 0.0050523 _ _ ______________________f_................1_: [116]
17. 0.0048710 _ _ ________________________f_..............1_: [108]
18. 0.0048606 _ _ _____________________f_.................3_: [130]
19. 0.0048357 _ _ ________________________________d_......1_: [211]
20. 0.0048018 _ _ _________________________pc.............1_: [ 86]
21. 0.0047817 _ _ ________________________________d.......3_: [212]
22. 0.0045846 _ _ ___________________f_K..................8_: [260]
23. 0.0045753 _ _ _____________________f_.................2_: [131]
1st.[292]-elements account for 100% Importance Score ________________
1st. [50]-elements account for 60%
1st. [40]-elements account for 56%
1st. [30]-elements account for 53% . . . . . . . . . . . . . . . . .
1st. [20]-elements account for 48%
1st. [10]-elements account for 43%
精确?
汇编人员和 C 专家第一眼就会反对,但是让我声明,数值 (im) 精度在 FX/ANN 解决方案中不会成为问题。
维度诅咒确实...... O(2)
&O(3)
类问题并不罕见。
可同时使用智能/高效(快速读取...)表示,即使对于纳秒分辨率时间戳 HFT 数据流 I/O 软管也是如此。
有时,甚至需要降低输入(子采样和模糊)的数值“精度”,以避免(不合理的计算昂贵)高维的不利影响,并避免过度拟合的趋势,从更好的泛化能力中受益调整良好的 AI/ML 预测器。
(im)PRECISION JUST-RIGHT FOR UNCERTAINTY LEVELs MET ON .predict()-s
___:__:___________MANTISSA|
| v | v|_____________________________________________________________________________________
0.001 | 1023| np.float16 Half precision float: 10 bits mantissa + sign bit| 5 bits exp|
1.02? |
v 123456:|_____________________________________________________________________________________
E00 0.000001 8388607| np.float32 Single precision float: 23 bits mantissa + sign bit| 8 bits exp|
+00 12345.6? DAX ^
+05 1.23456? DAX
123456789012345:|_____________________________________________________________________________________
4503599627370495| np.float64 Double precision float: 52 bits mantissa + sign bit| 11 bits exp|
^|
无论如何,一个迷人的 FX 项目,如果入职请告诉我:

要从另一个人那里获得关于自上而下的类似情况的另一种、公正的看法,可能需要阅读并思考一下这种经历,然后只计算几周和几个月的估计,以便掌握列出的列表自上而下并完整地做出最终决定。