Piligrimus ist ein neuronaler Netzindikator. - Seite 2
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Auf jeden Fall gibt es ein großes Verbesserungspotenzial; man kann die Glätte deutlich erhöhen und zusätzliche Signale einführen.
Unter Glättung versteht man in der Fachsprache das Abschneiden von hochfrequenten Anteilen
Wie viele Dezibel Dämpfung wurden zwischen der maximalen Frequenz des Signals und einer um eine Oktave höheren Frequenz erreicht?
Können Sie mir bitte sagen, wo ich den VFD von Batteraut bekommen kann?
Ja, bitte!
K ist die Ordnung des Filters. Besser nicht mehr als 2 - das erhöht die FS erheblich.
zfs писал(а) >>
В чем смысл вашего индикатора, товарищ... он напоминает обычную среднюю.
Was ist der Grund? Erklären Sie zum Beispiel: .... weil Ihr Indikator wie ein einfacher Durchschnitt aussieht, ...........
Neuronale Netze sind selbstlernende Systeme, die auf Elementen aufbauen, die die Funktionsweise der Neuronen im menschlichen Gehirn simulieren.
Das McCulloch-Pitts-Neuronenmodell besteht aus einem Körper (Soma) und Ausläufern (Axonen), deren Enden an den Körpern anderer Neuronen andocken. Diese Verbindung wird als Synapse bezeichnet. Eine Synapse ist durch die Stärke der synaptischen Verbindung w gekennzeichnet. Wenn Neuron i Synapsen mit Bindungskräften wi1, ...,win hat, werden in ihm die Impulse von anderen Neuronen (Sj) aufsummiert und ausgegeben:
Neuronenmodell.
Als Aktivierungsfunktion (transiente Funktion) f() eines neuronalen Netzes werden in der Regel eine einfache Stufenfunktion, eine symmetrische oder asymmetrische S-Funktion oder eine linear-stufige Funktion gewählt (siehe Abb.).
Abb. Einfacher Schritt, asymmetrische und symmetrische S-förmige Aktivierungsfunktionen.
Wenn wir mit wij die Bindungsstärke des j-ten Neurons an das i-te Neuron bezeichnen, wird ein neuronales Netzwerk, das aus n Neuronen besteht, vollständig durch die Matrix der synaptischen Verbindungen charakterisiert:
In der Regel werden die einfachsten neuronalen Netze, so genannte geschichtete neuronale Netze, verwendet. Die Eingänge der einzelnen Schichten sind nur mit den Ausgängen der vorhergehenden Neuronen verbunden. Die erste Schicht wird als Eingabeschicht, die letzte als Ausgabeschicht und die übrigen als versteckte (innere) Schichten bezeichnet. Ein Beispiel für ein solches neuronales Netz: 4 - 8 - 5 - 3. Das bedeutet, dass das neuronale Netz aus 4 Schichten besteht: Die Eingabeschicht hat 4 Neuronen, die Ausgabeschicht hat 8 und die beiden verborgenen Schichten haben 8 und 5.
Das neuronale Netz wird durch Veränderung der Stärke der synaptischen Verbindungen in der W-Matrix gesteuert (trainiert). Ein neuronales Netz kann als selbsttrainierendes System verwendet werden, oder es kann mit speziell ausgewählten Beispielen voroptimiert werden (Training mit einem Lehrer). Wenn ein neuronales Netz auf einen bestimmten Satz von Eingangssignalen abgestimmt ist, erzeugt das Netz Ausgangssignale, die mit Stichproben verglichen werden, deren Abweichungen mit einer speziell gewählten Verlustfunktion (z. B. gleich der Standardabweichung) bewertet werden. Die Matrix der synaptischen Verbindungen wird dann so verändert, dass die Verlustfunktion minimiert wird (in der Regel durch Gradientenabstieg). Ein neuronales Netz lässt sich somit in additive, nichtlineare und nichtparametrische Regressionsmodelle einteilen.
Abb. Einfacher Schritt, asymmetrische und symmetrische S-förmige Aktivierungsfunktionen.
Die Leistung eines neuronalen Netzes ist eine gewichtete Schätzung seiner drei Eigenschaften:
Konvergenzgrad - die Genauigkeit, mit der sich das Modell an gegebene Eingabewerte angepasst hat;
Der Grad der Verallgemeinerung (Generalisierung) - die Genauigkeit, mit der das Modell auf Eingabesätze reagiert, die über die ihm gegebenen hinausgehen;
Stabilität - das Maß der Streuung (Abweichung) in der Genauigkeit der Vorhersagen.
Die oben genannten Eigenschaften eines neuronalen Netzes können durch die folgenden Verfahren beeinflusst werden:
Auswahl einer geeigneten Aktivierungsfunktion
Auswahl einer geeigneten Verlustfunktion
Auswahl der Architektur (Struktur) des Netzes
Auswahl der Parameter für den Gradientenabstieg
Wahl der Trainingszeit Beispiel für die Anwendung eines neuronalen Netzes in der technischen Analyse Der Hauptzweck des Trainings neuronaler Netze besteht darin, Verbindungen (Assoziationen) zwischen beobachteten Formationen herzustellen. Neuronale Netze sind nützlich, um eine Entscheidung über Signale zu treffen, die von verschiedenen technischen Indikatoren stammen. Verschiedene technische Indikatoren sind unter verschiedenen Marktbedingungen wirksam. Wie bereits erwähnt, sind Trendfolgeindikatoren wirksam, wenn es einen Trend gibt, während Oszillatoren nützlich sind, wenn sich der Markt in einer Spanne bewegt.
Wir wollen anhand eines einfachen Beispiels (A.-P. Refenes, A. Zaidi ) zeigen, wie ein neuronales Netz in diesem Fall eingesetzt werden kann. Nehmen wir an, die nächste Aufgabe besteht darin, eine gemischte Strategie zu finden, die auf einer Kombination von zwei Strategien basiert, die jeweils auf den Signalen von zwei einfachen Indikatoren beruhen: dem gleitenden Durchschnitt (MA) und der Abweichung vom Mittelwert (MV).
MA ist ein einfacher Indikator, der zwei gleitende Durchschnitte mit unterschiedlichen Mittelungszeiträumen vergleicht und ein Kaufsignal gibt, wenn der schnelle MA den langsamen von unten nach oben kreuzt, und ein Verkaufssignal, wenn er ihn von oben nach unten kreuzt.
MV ist ein einfacher Indikator, der ein Verkaufssignal gibt, wenn der Kurs über seinem Durchschnitt liegt, und andernfalls ein Kaufsignal.
Die Systemstruktur ist in Abbildung 91 dargestellt.
Das System erhält Indikatorsignale (0 - Short-Position, 1 - Long-Position) und Informationen über die Performance der Indikatoren der letzten 2 Tage (Gewinn oder Verlust) sowie die aktuellen Marktinformationen.
Am Ausgang sind drei Signale vorhanden:
MA: folgen Sie der Empfehlung des MA-Indikators
MV: Empfehlung des MV-Indikators befolgen
NP: nichts tun
Jeder Ausgang nimmt einen Wert zwischen 0 und 1 an.
Abb. Schematische Darstellung eines neuronalen Netzes für die Analyse von zwei Indikatoren.
Wenn sowohl die MA- als auch die MV-Signale eingeschaltet sind (Werte größer als 0,5), wird die Signalempfehlung mit dem höchsten Wert ausgewählt, aber wenn NP eingeschaltet ist, wird nichts unternommen.
Diese Beispielanwendung eines neuronalen Netzes hat ein Beispiel für seine Verwendung, ..... und wovon gehen Sie aus?
Ist das nicht Butterworth?
In der Tat zeigt der Butterworth-LPF 2. Ordnung (rote Linie) nicht viel schlechtere Ergebnisse als der Filter des neuronalen Netzes. Übrigens, wo befindet sich der NS im Code, und warum wird Ihr Kind neu gezeichnet? Dies ist eine rhetorische Frage. Da das, was wir in der Geschichte sehen, nicht der Realität entspricht, stellt sich die eigentliche Frage: Warum zeigen Sie uns etwas, das nicht wirklich existiert?
Die gesamte Formel ist ein Zusammenschluss mehrerer Netze, die mit unterschiedlichen Parametern trainiert und auf ein einziges Polynom mit ihren Gewichtskoeffizienten im Verhältnis zueinander reduziert wurden.
Das gesamte Polynom wird bei jedem Tick neu berechnet, da sich die Historie nicht ändert und sich nur die Null-Bar-Kurse ändern, während die Ergebnisse der Neuberechnung beim Null-Bar unverändert bleiben. Es wird nicht neu gezeichnet.
Dämpfung - in der Fachsprache: Absenkung der hochfrequenten Anteile
Wie viele Dezibel Dämpfung wurden in der aktuellen Version von der Maximalfrequenz des Nutzsignals zu einer Frequenz, die z.B. eine Oktave höher liegt, erreicht?
Das habe ich nicht überprüft.
Es gibt ein Beispiel für die Verwendung eines neuronalen Netzes in diesem Beispiel, ..... und was schwebt Ihnen vor?
Ich verwende ein neuronales Netz als Filter. Das ist eine etwas andere Aufgabe als die, die Sie beschreiben.
Das habe ich nicht überprüft.
>> So ist das nun mal... alles nach Augenmaß.
Ich verwende ein neuronales Netz als Filter, was eine etwas andere Aufgabe ist als die, die Sie beschreiben.
Sie haben einige Koeffizienten für Ihren digitalen Filter. Im Grunde handelt es sich um einen MA mit lächerlichen Koeffizienten, genau wie bei jedem digitalen Filter. Was wollen Sie eigentlich damit erreichen? Was soll gefiltert werden und wie schnell soll das System auf Änderungen reagieren?
Und wie optimiert man sie?
Infinity, vielen Dank für die Erklärung. Sehr einfach, klar und logisch.
Ich weiß, was ein neuronales Netz ist, und ich sehe in dem Beispiel mehr Sinn als in diesem Indikator.
Die Eingabe besteht aus einem Haufen unverständlicher Koeffizienten. Die Ausgabe ist ein Durchschnittswert. Es macht nicht einmal als Expa Sinn.