Prueba de los sistemas de previsión en tiempo real - página 27
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
Lo siento :-) Esta es la predicción del principio:
gpwr aparentemente cocina Fourier de manera diferente, mi método no tiene parámetros.
:о)))
pero, ¿en qué se diferencia el GRNN de Fourier? ¿Y qué es ese GRNN? No lo sé. :о(
No, no, no,
Estoy publicando un pronóstico al principio, no mostrándolo al final.
Además, si no hay parámetros, ¿cómo obtiene gpwr otra línea?
La GRNN puede codificarse de diferentes maneras. Utilicé el código más sencillo con sigma fijo (tamaño del clúster). La longitud del patrón es otro parámetro. Lo optimicé usando datos anteriores y obtuve 140 barras. Los precios sin suavizar se utilizaron como entrada. Por cierto, el tercer método (autoregresión no lineal) dio resultados similares.
Según los nuevos datos, estos dos métodos dan las siguientes predicciones
GRNN:
AR no lineal:
grasn, GRNN es un tipo de red nerviosa. Aquí hay un enlace a la definición. O aquí hay algo más inteligente.
Sí, sí - ya lo he descubierto, gracias... por participar :o))))))
Adenda: Me confundió la frase "falta de parámetros". Cualquier NS tiene "parámetros siempre".
:о)))
¿En qué se diferencia GRNN de Fourier? ¿Y qué es ese GRNN? No lo sé. :о(
Desde el punto de vista matemático, la GRNN (red neuronal de regresión general) es la red neuronal más sencilla, pero muy eficaz, que fue propuesta por Specht en 1991. Vea el enlace aquí
http://people.cecs.ucf.edu/georgiopoulos/eel6812/papers/general_regression_network.pdf
No tiene nada que ver con Fourier. La GRNN se refiere a las redes neuronales probabilísticas, como los vecinos más cercanos. Toma todos los patrones pasados y calcula la distancia euclidiana de los patrones actuales a los pasados de esta manera
D[n] = SUM( (Open[i] - Open[n+i])^2, i=0...PatternLength )
A continuación, se calcula una predicción de tipo medio ponderado a partir de los precios "futuros" pasados
Open[-1] = SUM( Open[n-1]*exp(D[n]/(2*Sigma), n=0...AllPastPatterns) / SUM( exp(D[n]/(2*Sigma)), n=0...AllPastPatterns)
En el caso de los vecinos más cercanos, tras calcular las distancias euclidianas a los patrones anteriores, se selecciona el patrón más cercano y sus valores "futuros" se utilizan como predicciones para el patrón actual. Esto es en la versión simple, que rara vez se utiliza. Normalmente se encuentran los vecinos más cercanos y sus valores "futuros" se promedian o ponderan para encontrar predicciones para el patrón actual.
Sí, lo entiendo,
Para que quedeclaro, la pregunta se la hice a neoclásico, sólo para recordarle el contenido de su post:
gpwr видимо, по другому готовит Фурье, у моего метода нет параметров
Eso es lo que he preguntado a neoclásico:o))))) Cuál es la diferencia, porque su previsión un poco como la de Fourier, remotamente.
a gpwr
gracias por la sinopsis.
a las Matemáticas
Ya he dado las gracias pero siempre estoy dispuesto a repetirlo :o)))
Grasn, véase "Extrapolador dinámico basado en transformadas de Fourier".
Aquí puede ver el principio de funcionamiento y el propio indicador :-)
Grasn, véase "Extrapolador dinámico basado en transformadas de Fourier".
Aquí puede ver el principio de funcionamiento y el propio indicador :-)
y luego:
Parece que a GRNN le ha tocado el premio gordo :-)
¿O has decidido que el día será realmente un día perdido si no me confundes innecesariamente? :о)))))
No pretendía confundirte :-)
Похоже GRNN сорвала куш
Dije que me refería a que el pronóstico de gpwr GRNN era el más preciso, y mi imagen era sólo un seguimiento.
No pretendía confundirte :-)
Dije, queriendo decir que el pronóstico de gpwr GRNN resultó ser el más acertado, y di mi imagen sólo como seguimiento del tema.
>> todo despejado :o))))))
P.D.: Excepto por una cosa: GRNN dio una de las peores predicciones. Pero eso es lo mío, IMHO. Es decir, es obvio.