FR H-Volatilità - pagina 10
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Non so come cogliere, soprattutto in una fase iniziale, l'emergere dell'arbitrarietà.
L'ingresso della rete dovrebbe essere il N penultimo segmento del WP, e l'uscita dovrebbe essere l'ultimo segmento del WP. Quindi, con una configurazione di rete adatta, una scelta adeguata della funzione di attivazione e un addestramento riuscito, se solo N ultimi segmenti sono alimentati all'ingresso, la rete recupererà questi N e anche il prossimo (cioè il prossimo). Non c'è niente da smanettare con la sua direzione - è chiaro come è, ma la dimensione ...
Forse ne verrà fuori qualcosa.
Non so come cogliere, soprattutto in una fase iniziale, l'emergere dell'arbitrarietà.
L'ingresso della rete dovrebbe essere il N penultimo segmento del WP, e l'uscita dovrebbe essere l'ultimo segmento del WP. Quindi, con una configurazione di rete adeguata, con una scelta adeguata della funzione di attivazione, e con un addestramento riuscito, se solo N ultimi segmenti sono alimentati all'ingresso, la rete recupererà questi N e anche il prossimo (cioè il prossimo). Non c'è niente da smanettare con la sua direzione - è chiaro come è, ma la dimensione ...
Forse ne verrà fuori qualcosa.
E gli zigzag in quale forma è meglio, assoluta o relativa? E avrà bisogno di normalizzazione? Penso di volere uno strato di Kohonen e la stella di Grossberg. Anche se potrei sbagliarmi.
...penso che implori uno strato Kohonen e una stella Grossberg.
E la Medaglia d'Onore).
Vinin, cos'è una stella di Grossberg?
Yurixx, suggerisci uno schema a blocchi NS per questo caso, mi piacerebbe pensarci.
...credo che lo strato Kohonen e la stella Grossberg se lo stiano chiedendo.
E la medaglia d'onore :-)
Vinin, che tipo di stella è questa?
Yurixx, suggerisci uno schema a blocchi NS a tua discrezione per questo caso, mi piacerebbe pensarci.
È circa qui http://ann.hotmail.ru/vs03.htm
Ma mi ripeterò (anche se non sono più io), solo una citazione:
Durante l'addestramento di una rete di contropropagazione, i vettori di ingresso sono associati a vettori di uscita corrispondenti. Questi vettori possono essere binari o continui. Dopo l'addestramento, la rete genera segnali di uscita che corrispondono ai segnali di ingresso. La generalità della rete permette di ottenere l'uscita corretta quando il vettore di ingresso è incompleto o distorto.
In modalità di apprendimento, il segnale d'ingresso viene alimentato alla rete e i pesi vengono corretti in modo che la rete produca il segnale di uscita desiderato.
Il livello Kohonen funziona secondo la regola "chi vince prende tutto". Per un dato vettore di input, solo un neurone di questo strato produce un uno logico, tutti gli altri producono degli zeri. L'uscita di ogni neurone di Kohonen è solo la somma degli elementi ponderati dei segnali di ingresso.
L'uscita dei neuroni del livello Grossberg è anche una somma pesata delle uscite dei neuroni del livello Kohonen. Ma ogni neurone del livello Grossberg genera un peso che collega questo neurone con l'unico neurone Kohonen la cui uscita non è zero.
Nella fase di pre-elaborazione i segnali di ingresso sono normalizzati per i vettori di ingresso.
Nella fase di apprendimento, lo strato Kohonen classifica i vettori di input in gruppi di vettori simili. Questo viene fatto regolando i pesi dello strato di Kohonen in modo che vettori di input simili attivino lo stesso neurone dello strato. Quale neurone sarà attivato da un particolare segnale d'ingresso è difficile da prevedere in anticipo poiché lo strato Kohonen impara senza un insegnante.
Il compito dello strato di Grossberg è quindi quello di produrre gli output desiderati. L'addestramento dello strato di Grossberg è un apprendimento assistito dall'insegnante. Le uscite dei neuroni sono calcolate come nel funzionamento normale. Poi ogni peso è corretto solo se è collegato a un neurone di Kohonen che ha un'uscita non zero. La quantità di correzione del peso è proporzionale alla differenza tra il peso e l'uscita desiderata del neurone di Grossberg.
Nella modalità di funzionamento della rete, viene presentato il segnale di ingresso e viene generato il segnale di uscita.
Nel modello di rete a contropropagazione completa, è possibile produrre segnali di uscita dai segnali di ingresso e viceversa. Queste due azioni corrispondono alla propagazione in avanti e all'indietro dei segnali.
E gli zigzag in quale forma è meglio alimentare, assoluta o relativa? E sarà necessaria una normalizzazione? Credo che si chiami lo strato di Kohonen e la stella di Grossberg. Anche se potrei sbagliarmi.
Yurixx, suggerisci a tua discrezione lo schema a blocchi NS per questo caso, mi piacerebbe pensarci.
Non posso offrire un diagramma di flusso. La storia di questo pensiero è la seguente.
All'inizio pensavo davvero che NS dovesse consistere di 2 strati - Kohonen e Grosberg. Il problema era solo che per kaga ogni segmento può essere qualsiasi, da 1 e ... Supponiamo che io voglia inserire N segmenti di WP e limitare la dimensione del sigmento da 1 a 50. Allora il numero di neuroni massimi nello strato Kohonen (prima del clustering) è 50^N. E' molto. Ecco perché stavo pensando a Renko. Con H=10, la dimensione del segmento simile di ZZ varia da 1 a 5. Sono solo 5^N neuroni - già accettabili per piccoli valori di N. E tutti i segmenti più grandi di 5H possono essere tagliati con 5H.
Successivamente, lo strato Kohonen riconosce il modello ed eccita il neurone corrispondente. L'ultimo segmento di ZZ (non incluso in questa N) è alimentato al livello Grosberg. Lo strato Grosberg contiene, diciamo, 100 neuroni, ognuno dei quali corrisponde alla dimensione dell'ultimo segmento ZZ, da 1 a 100. Così viene eccitato un neurone dello strato Grosberg. Durante l'apprendimento, il peso della connessione dal neurone eccitato di Kohonen al neurone eccitato dello strato Grosberg è aumentato di 1. Quindi non è una rete di contropropagazione. Ma questo era il mio "piano" :-))
E poi mi sono reso conto che dopo l'addestramento, quando si inserisce il WP, lo strato Grosberg mi mostrerebbe solo in uscita una funzione di distribuzione per il futuro segmento WP. Questo è fondamentalmente quello a cui miravo. Tuttavia, ci sono 2 "ma" qui.
1. Posso costruire una tale distribuzione molto più velocemente e senza alcun NS.
2. La storia di quasi due anni di minuzie contiene circa 630000 barre. Kagi ZZ con il parametro H=10 ha circa 17400 segmenti in quella storia. E il numero di neuroni nello strato di Kohonen con N=6 sarà 15625, cioè ci sarà una media di 1,1 valori sperimentali per ogni modello. Che tipo di distribuzione è questa? :-)
Così, il raggruppamento associato al passaggio al partizionamento renko è disastrosamente insufficiente. Abbiamo bisogno o di raggruppare la FP usando il livello Kohonen, o (cosa più probabile) di passare a idee più costruttive.
PS
Non giudicarmi duramente per essere ingenuo. La mia esperienza con le reti è di 1,5 libri letti e nessuna implementazione.
Suggerisco di iniziare con la più semplice. Dividiamo ZZ in costruzioni elementari composte da un vertice. Normalizziamo i lati per la lunghezza del primo vertice e manteniamo una cifra significativa dopo il punto decimale. In questo caso abbiamo 17400 costruzioni, divise (per il passo H=10) in 50/2H*10=25 gruppi (circa) sulla base del "rapporto di aspetto". Cioè in ogni gruppo abbiamo diverse centinaia di modelli - già statistiche.
Ora dobbiamo solo scriverlo in NS e scoprire come la FR della lunghezza prevista del movimento (vettore verde meno H) dipende dal valore del margine sinistro. Tranne, colleghi, NS non è veramente necessario per questo problema. O mi manca qualcosa?
P.S. La figura a destra mostra il PD del rapporto d'aspetto ZZ in un vertice. Queste sono costruzioni H=5,10,15 e 20 pips per EURUSD (ticks). Sembra che l'idea di normalizzazione sia valida e che permetta una notevole riduzione della dimensionalità dei dati di input.
Rimane da spingere questo in NS e capire come la FR della lunghezza di movimento prevista (vettore verde meno H) dipende dal valore del bordo sinistro. Tranne, colleghi, NS non è veramente necessario per questo problema. O mi manca qualcosa?
P.S. La figura a destra mostra la FR del rapporto laterale ZZ ad un vertice. Sono le costruzioni H=5,10,15 e 20 pips per EURUSD (ticks). Sembra che l'idea di normalizzazione sia valida e che permetta una notevole riduzione della dimensionalità dei dati di input.
Non credo che NS sia necessario neanche per questo. E l'opzione di normalizzazione sembra valida, non mi era venuta in mente.
Neutrone
Non riesco a capire cosa hai costruito. La FR (funzione di distribuzione) dovrebbe apparire un po' diversa https://ru.wikipedia.org/wiki/%D0%A0%D0%B0%D1%81%D0%BF%D1%80%D0%B5%D0%B4%D0%B5%D0%BB%D0%B5%D0%BD%D0%B8%D0%B5_%D0%B2%D0%B5%D1%80%D0%BE%D1%8F%D1%82%D0%BD%D0%BE%D1%81%D1%82%D0%B5%D0%B9
Forse è SP (funzione di densità di probabilità)? Se è così, puoi ripetere, in modo un po' più dettagliato, cosa c'è sul grafico di destra (cosa c'è sugli assi X e Y)
a Prival
Abbiamo eseguito una serie di n calcoli (la lunghezza del lato destro dello Zig-Zag espressa in unità di lunghezza del lato sinistro) e abbiamo ottenuto una serie di valori x1,...,xi,...,xn. Questo è il cosiddetto campione. Tracciamo i valori xi di x sull'asse delle ascisse. Suddividete l'asse x in intervalli uguali dx e contate il numero di calcoli nk che risultano in valori di x che giacciono nell'intervallo xk+-1/2dx (qui xk è la coordinata del centro dell'intervallo sull'asse x). Su ogni intervallo, costruisci un rettangolo di altezza nk e di larghezza dx. Il diagramma così ottenuto si chiama istogramma. Mostra la densità della distribuzione dei risultati di calcolo lungo l'asse x.
Se il numero di calcoli è grande, allora la larghezza dell'intervallo può essere resa piccola (con molti più campioni in ogni intervallo). Allora invece di un istogramma otterremo un grafico in cui un valore proporzionale alla frazione di nk/n campioni che cadono in ogni intervallo è tracciato sull'asse delle ordinate. Questo grafico è chiamato curva di distribuzione o funzione di distribuzione; la funzione stessa è chiamata funzione di densità di probabilità.
P.S. La PDF può essere normalizzata, nel qual caso l'integrale di essa su tutto l'intervallo è identicamente 1.
Neutrone
Grazie. Ora lo vedo. Solo che avete costruito la funzione di densità di probabilità (PDF) e non la PDF (funzione di distribuzione), perché la PDF ha 3 proprietà. 1. Esso (PDF) non è decrescente. 2. Se x tende all'infinito, allora la PDF tende a 1. Naturalmente se tutto è normalizzato. La SP e la PDF sono legate da un integrale (la PDF è un integrale della SP).
Questo grafico è chiamato curva di distribuzione o funzione di distribuzione e la funzione stessa è chiamata funzione di densità di probabilità" non è del tutto corretto