Recherche d'un motif arbitraire à l'aide d'un réseau neuronal
Proposez des idées pour trouver un modèle sur un graphique. Par exemple "tête et épaules".
Je ne sais pas quelles données il faut introduire et comment l'enseigner, car le motif peut occuper un nombre différent de mesures et avoir des formes différentes.
La seule chose qui me vient à l'esprit est un réseau convolutif. Mais on ne sait pas encore exactement ce qu'il faut convoluer et comment.
Comme alternative, je peux suggérer ce qui suit.
Dans un premier temps, nous essayons de déterminer ce modèle sur le graphique aussi clairement que possible en utilisant les mathématiques et les conditions. Il est naturel que, même au maximum, nous ayons un échantillon où il y a des modèles vrais et aussi des modèles faux que les mathématiques et la logique ordinaires ne pourraient pas éliminer. Nous avons donc obtenu un "échantillon sale" et nous devons utiliser les réseaux de classification pour nettoyer complètement cet échantillon. Ou plutôt d'apprendre au réseau à faire un prélèvement propre à partir d'un prélèvement sale, en ne laissant que la tête et les épaules véritables au travail et les déchets à la poubelle. Ou bien...
Proposez des idées pour trouver un modèle sur un graphique. Par exemple "tête et épaules".
Je ne comprends pas quel type de données saisir et comment l'enseigner, car le motif peut occuper un nombre différent de barres et avoir des formes différentes.
La seule chose qui me vient à l'esprit est un réseau convolutif. Mais ce qu'il faut plier et comment le plier n'est pas encore clair.
Comme alternative, je peux suggérer ce qui suit.
Dans un premier temps, en utilisant les mathématiques et les conditions ordinaires, nous essayons de déterminer ce modèle sur le graphique de la manière la plus pure possible. Il est naturel que, même au maximum, nous obtenions un échantillon contenant des modèles vrais et des modèles faux que les mathématiques et la logique standard ne pourraient pas éliminer. Nous avons donc obtenu un "échantillon sale" et nous devons utiliser les réseaux de classification pour nettoyer complètement cet échantillon. Ou plutôt d'apprendre au réseau à faire un prélèvement propre à partir d'un prélèvement sale, en ne laissant que la tête et les épaules vraies pour travailler et les déchets pour la poubelle. Ou bien...
C'était l'idée. Mais il y a une nuance ici, si je comprends bien, vous devez alimenter une certaine fenêtre de données à l'entrée (disons 200 barres, pour être sûr que le modèle entier s'y intègre), ensuite :
1) le motif peut se trouver dans différentes parties de la fenêtre, et le classificateur ne peut pas le comprendre, car la fenêtre avec le motif dans la partie gauche sera différente de la fenêtre avec le motif dans la partie droite ;
2) le classificateur doit être auto-organisé, car un modèle mathématique strict, à l'exception des modèles faux, coupera également une partie des modèles vrais ;
3) l'auto-organisation ne garantit pas qu'un modèle particulier sera classé.
Il est vrai que pour un motif tête et épaules le modèle est compliqué, il se compose de 6 segments, et chaque segment peut être de longueur différente(nombre de barres).Mais il est possible de le faire automatiquement. Bien sûr, il est beaucoup plus pratique de recueillir un tel modèle à partir du portefeuille en utilisant la régression, mais c'est une autre question. Tout dépend du nombre de modèles que nous recherchons. Et il n'est pas certain que l'ogi donne des avantages en matière de musculation.
Le marché est fractal et les segments de niveaux supérieurs se composent de segments de niveaux inférieurs, et nous pouvons le voir comme une ligne brisée.
peut être constitué de plus de segments (nous devons définir ce qu'est un segment), car le marché est fractal et les segments des niveaux supérieurs sont constitués de segments des niveaux inférieurs, que nous pouvons voir comme une ligne brisée.
Proposez des idées pour trouver un modèle sur un graphique. Par exemple "tête et épaules".
Je n'arrive pas à comprendre quel type de données il est préférable de saisir et comment les enseigner, car un motif peut occuper un nombre différent de barres et avoir des formes différentes.
La seule chose qui me vient à l'esprit est le réseau de convolution. Mais ce qu'est exactement la convolution et comment la réaliser n'est pas encore clair.
J'ai un système complet pour classer (reconnaître) les modèles. Il est entièrement écrit en MQL5.
Si cela vous intéresse, je peux le mettre sur le marché. Sinon, trop paresseux pour se donner la peine.
Il existe un système complet de classification (reconnaissance) des modèles. Entièrement écrit en MQL5.
Si vous êtes intéressé, je peux le mettre sur le marché. Sinon, trop paresseux pour se donner la peine.
Mettez-le sur le marché.
Mais personnellement, je ne l'achèterai pas. C'est le principe qui m'intéresse. L'auteur du sujet a posé une bonne question et cela m'intéresse.
Etes-vous sûr que votre classificateur répond aux besoins du topicstarter et à mes intérêts ?
Mettez-le sur le marché.
Mais personnellement, je n'achèterai pas. Je m'intéresse au principe lui-même. L'auteur du sujet a posé la bonne question, et cela m'intéresse.
Etes-vous sûr que votre classificateur répond aux besoins du topicstarter et à mes intérêts ?
En fait, je n'ai pas la tâche de satisfaire vos besoins) La méthode DTW est utilisée pour la comparaison. Cette méthode est invariante aux "distorsions" des motifs verticalement/horizontalement par rapport à l'original.
Il comprend également un système de stockage et de comptabilisation des modèles spécifiés et un système de vérification préliminaire des caractéristiques commerciales d'un modèle.
Je ne me souviens de rien d'autre - cela fait longtemps).
En général, je n'ai pas la tâche de satisfaire vos demandes) La méthode DTW est utilisée pour la comparaison. Cette méthode est invariante aux "distorsions" des motifs verticalement/horizontalement par rapport à l'original.
Il comprend également un système de stockage et de comptabilisation des modèles spécifiés et un système de vérification préliminaire des compromis entre les modèles.
Je ne me souviens de rien d'autre - cela fait longtemps).
Je ne connaissais pas la méthode DTW, merci !
Je n'ai pas encore compris comment mieux l'appliquer avec les réseaux neuronaux. Le motif peut non seulement se déformer le long des axes, mais aussi changer de forme lui-même (avoir des imbrications, des variantes de développement).
Proposez des idées pour trouver un modèle sur un graphique. Par exemple "tête et épaules".
Je ne comprends pas quel type de données saisir et comment l'enseigner, car le motif peut occuper un nombre différent de barres et avoir des formes différentes.
La seule chose qui me vient à l'esprit est un réseau convolutif. Mais ce qu'il faut emballer exactement et comment l'emballer n'est pas encore clair.
Un réseau neuronal n'est pas nécessaire pour la recherche d'un motif. Il peut être recherché dans un conseiller expert ordinaire. Mets un zigzag dessus. Pour détecter la présence d'un motif Tête-Epaule, nous devons contrôler 1) la position des extrema l'un par rapport à l'autre (plus haut, plus bas) et 2) (plus éloignés par rapport à la barre de zéro) dans la condition.
Peu importe le nombre de mesures que dure le motif, il suffit de contrôler la position des extrema les uns par rapport aux autres, verticalement et horizontalement.
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Vous acceptez la politique du site Web et les conditions d'utilisation
Proposez des idées pour trouver un modèle sur un graphique. Par exemple "tête et épaules".
Je ne comprends pas quel type de données saisir et comment l'enseigner, car le motif peut occuper un nombre différent de barres et avoir des formes différentes.
La seule chose qui me vient à l'esprit est un réseau convolutif. Mais ce qu'il faut plier et comment le plier n'est pas encore clair.