"New Neural" es un proyecto de motor de red neuronal de código abierto para la plataforma MetaTrader 5. - página 77
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
La tarea consiste en encontrar un vector que divida el mercado en grupos de tendencia al alza, tendencia a la baja y tendencia al alza.
Por ejemplo, formemos una matriz de vectores según nuestra fantasía X{x1,x2,x3,x4,x5,x6,x7}
x1= periodo MA
x2= periodo de MA
x3= valor de MA
x4= valor de RAR
x5=dispersión, por ejemplo
x6= componente de tendencia de MA(N)-MA(N-1)
x7=número de intersecciones de MA y precio
Si agrupamos la matriz de estos vectores utilizando el mapa de Kohonen, veremos vectores cercanos. Resulta que x1,x2,x4,x7 influyen más en las distancias euclidianas. Aunque las características x3,x5,x6 no son menos, si no más importantes. Podemos normalizar todas las x en el rango -1...1, pero no veo cómo. O bien podemos tomar características del mercado que estén próximas entre sí, en este caso tenemos una comparación de moscas con chuletas.
Los vectores estarán cerca de :
X1{10,13,26,12,42,48,98} y
X2{11,12,27,14,43,46,88} y el vector X3 estará en otro cluster
X3{101,12,27,14,43,46,88}
aunque no es un hecho, fui yo quien mostró cómo se separarían los clusters por la distancia Hamming, cómo serían los parámetros de los vectores si se separaran por "Trend Veer, Trend Down, Trend Lateral" uno FF sabe :)
Básicamente, lo he resuelto. No puedo prescindir del racionamiento. Supongamos tres vectores
Х1 {10,10,0.1}
Х2 {11,10,0.3}
X3 {10,12,-0.2} Parece que los tres vectores pertenecen al mismo cluster
En la muestra de entrenamiento x1= min 0 max 20, x2= min -10 max 40 x3= min -0.5 max 0.5 Ahora normalice los vectores iniciales
Х1 {0.5, 0.2, 0.1}
Х2 {0.55, 0.2, 0.3}
X3 {0,5 , 0,24, -0,2} son diferentes, podemos normalizar estos vectores a un vector unitario, pero no será necesario. Creo que debería funcionar.
Básicamente, lo he resuelto. No se puede prescindir del racionamiento...
En principio todo es correcto, no se puede prescindir de la normalización, de lo contrario habría que buscar pesos en un rango muy grande (es decir, trasladar el tema de la normalización a los hombros de la cuadrícula). Pero no hay que olvidar que la distribución en clusters no se basa en la proximidad directa de los vectores de entrada, sino en los coeficientes de ponderación. Puede ocurrir que dos vectores situados cerca el uno del otro (por los parámetros) estén en clusters diferentes y los distantes estén en el mismo cluster. Todo depende de las FF.
Estoy pensando si escribir una dll para trabajar con CUDA o esperar, tengo otro tema de GPU además de neuro.
Renat, ¿cómo van las cosas con la integración de OpenCL y el almacenamiento en ME?
Estoy pensando si escribir una dll para trabajar con CUDA o esperar, tengo un tema más de GPU además de neuro.
OpenCL en beta se está desarrollando, el repositorio también está en beta.
En la próxima compilación de la semana que viene vamos a complacer con la inclusión de Mercado y tal vez el almacenamiento en el editor.
OpenCL en beta - en desarrollo...
La construcción de la próxima semana incluirá el Mercado y tal vez el almacenamiento en el editor.
¿Beta o versión completa?
El mercado está completo.