L'étiquette du marché ou les bonnes manières dans un champ de mines - page 34
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
à Neutron
Sergey, voici un graphique de ce que j'ai obtenu dans Matkad. Ici, la ligne rouge est la première différence du sinus à cinq membres, la ligne verte est la tentative du neurone de deviner son comportement à l'étape suivante.
Cela semble fonctionner.
Je vais maintenant faire les minutes AUDUSD dans Matcad. Oh, j'ai oublié de mentionner que c'était un neurone avec des entrées binaires, et l'image ci-dessous est le même neurone avec des entrées réelles
Maintenant je vais faire les minutes de l'AUDUSD dans Matcad.
Attendez.
Présentons les résultats de votre NS sur la série de modèles d'une manière plus informative. Pour les NS avec entrées réelles, nous tracerons la valeur prédite de l'augmentation de la PA en tenant compte du signe et de l'amplitude en abscisse, et la valeur prédite en ordonnée. Avec un nombre suffisant de points d'expérience, nous obtiendrons l'image suivante :
Ici, les points lilas montrent l'échantillon d'entraînement, les points bleus montrent l'échantillon de test, et les points noirs montrent l'échantillon de test sur un RV aléatoire. Des lignes droites sont tracées à travers les nuages de données en utilisant la méthode des moindres carrés. L'angle de pente de cette ligne indique la précision de la prévision (plus elle est proche de 45 degrés, plus la prévision est précise), la dispersion des points autour de la ligne - la variance de la prévision, la différence entre l'angle de pente de la ligne noire et la direction horizontale - la signification statistique des résultats obtenus et en même temps l'absence d'erreurs d'algorithme (par exemple, regarder dans le futur).
Pour un NS travaillant avec des entrées binaires et utilisé pour prédire uniquement le signe du mouvement attendu, nous pouvons évaluer la précision de la prédiction avec un seul paramètre - le % de résultats exacts. Il peut être calculé par la formule suivante :
Où, x[i] est la valeur réelle de l'incrément, y[i] est la valeur prévisionnelle. Cette procédure doit être utilisée à la fois pour la formation et pour les échantillons de test, il est préférable d'avoir un nombre de n supérieur à 100.
Faire. Veuillez clarifier la méthode des moindres carrés - je ne sais pas ce qu'elle est ni comment la calculer. Oh, et une dernière chose : comment coller les images et les formules de Matkad dans le forum ?
Je les copie d'abord dans un éditeur graphique, puis je les recadre selon les besoins.
Oui, de la même façon. J'ai une fonction de capture d'écran dans mon éditeur graphique qui capture la zone en surbrillance de l'écran. Vous pouvez également cliquer sur le graphique et copier à partir du menu contextuel, etc.
Voici la formule du MOOC :
Il faut que les longueurs des vecteurs x et y soient les mêmes. Cette méthode permet de tracer une ligne passant par un ensemble de points de telle sorte que la somme de toutes les distances de chaque point à cette ligne soit le minimum de tous les choix possibles.
Je n'obtiens pas un nuage comme celui de votre photo.
Je comprends celui-là :
Ici, sur l'axe des abscisses figure la première différence du sinus à cinq membres, sur l'axe des ordonnées figure la prévision du réseau.
C'est peut-être le mauvais type de graphique? Il essaie de relier tous les points par des lignes. Je vais essayer autre chose maintenant
Ainsi, dans les paramètres graphiques, sélectionnez la représentation en points au lieu de la représentation en pointillés :
et coloriez ces points comme vous le souhaitez. Et afficher la grille (paramètres dans la fenêtre à gauche).
О ! Une boucle d'hystérésis se dessine cependant !
Sergey, l'échantillon d'entraînement et l'échantillon de test ne sont-ils pas la même chose ?
Mon neurone apprend à chaque fois sur n échantillons de vecteurs de données, et prédit le n+1ème échantillon (du même vecteur de données). La différence entre la prédiction de la grille et la valeur réelle du n+1ème échantillon me sert à calculer la correction. Dans ces conditions, comment puis-je tracer les graphiques pour les échantillons d'entraînement et de test séparément ?
Cette méthode permet de tracer une ligne passant par un ensemble de points de telle sorte que la somme de toutes les distances de chaque point à cette ligne soit la plus faible possible.
Laissez-moi vous corriger. Pas des "distances", mais des "carrés de distances".
Et, d'ailleurs, les coefficients des lignes ne sont pas les seuls à pouvoir être calculés par l'ANC.
Sergey, l'échantillon d'entraînement et l'échantillon de test ne sont-ils pas la même chose ?
Mon neurone apprend à chaque fois sur n échantillons de vecteurs de données, et prédit le n+1ème échantillon (du même vecteur de données). La différence entre la prédiction de la grille et la valeur réelle du n+1ème échantillon me sert à calculer la correction. Dans ces conditions, comment tracer séparément les graphiques pour les échantillons d'entraînement et de test ?
La façon dont nous les définissons importe peu, ce qui est important, c'est qu'il existe des échantillons sur lesquels le SN a été formé et qui ont été prédits. C'est comme ça qu'on obtient deux rangées de points.
Laissez-moi vous corriger. Pas des "distances", mais des "carrés de distances".
Et, soit dit en passant, il n'y a pas que les coefficients de ligne droite qui peuvent être calculés à l'aide de l'ANC.