이제 모델 매개변수를 적절하게 선택하고 훈련하고 예측했으며 이제 0.69102를 얻었습니다. 마지막 데이터 세트의 경우 0.69121이었고 이번 주는 더 좋았지만 이는 우연에 의한 것이며 모델은 본질적으로 동일합니다. 다음 주에 나는 다시 + - 0.0002만큼 어딘가에 던져질 것이다.
저에게는 이것이 지금까지의 한계입니다. 제 모델은 트릭 없이 원래의 21개 예측 변수에 대해 훈련되었습니다. 예를 들어 Forex의 경우 터미널에서 다른 지표를 업로드하고 매개변수 등을 선택합니다. 저것들. 4개의 예측 변수(ohlc) 중 수천 개를 얻은 다음 필터링하여 약 30개만 남기고 모델을 훈련시킵니다. 이론상, 나는 어떻게든 이 21개의 숫자 예측 변수를 수천 개 만들고 초과분을 걸러내야 합니다. 그러나 지표는 ohlc 계열에서 작동하며 고르게 분포된 계열에서는 작동하지 않으므로 더 많은 새로운 지표를 생성하는 방법에 대해 생각해야 합니다.
확인하기 위해 모든 예측값 = 0.5, 점수 = 0.69315인 다른 파일을 보내 비교에 사용할 수 있습니다.
마법사_ : 예, 그러한 모든 지점은 자발적이고 엉터리입니다))) 그리고 그들은 모두 같은 방식으로 끝납니다. 이것은 정상적이며 포럼은 오랫동안 허풍쟁이였습니다. 그리고 실험을 할 수 있습니다. 게다가 긍정적인 측면도 있다. 나중에 어떻게 트리가 무작위 및 vr에서 구축되는지 살펴보십시오. model-ts는 어떻게 생겼습니까? 다른 무작위로. 등이 있습니다. 약 10년 전에 나는 그리드와 메이, 아스트로 칠면조, 세계 여러 항구의 조수, 이동 경로에 대한 데이터를 넣었습니다. 동물 등 보통 사람은 생각조차 하지 못하는 것들))) 섣불리 결론을 내리지 말고 원하는 대로 쓰고 사용하세요.
#무작위로 생성, 최소 10K 관찰 write.csv2(x, 파일 = "D:/1.csv", row.names = FALSE, 인용 = FALSE) #드라이브 D:/의 파일 1.csv에 쓰기
-----------
What a window))) 그런데 이 도전은 막을 수 없지만 흥미로운 순간도 있습니다. 예를 들어 참가자가 보정 데이터를 업로드하는 방법, 이를 통해 작업 작성자가 사용하는 데이터 사전 처리에 대해 가정할 수 있습니다.
우리는 이미 숲을 지나갔고 처음 두 개의 게시물에만 있었고 좋은 클러스터가 검색 될 때 한 번 설명 된 패턴을 "내 방식대로"선택하기 시작했다고 썼습니다. 패턴입니다 ..
그림은 실제로 촛대 패턴이 동일하고 변동성의 차이가 있음을 보여줍니다. 이 두 패턴을 수학적으로 하나의 전체로 가져올 수 있습니까?
정규화에 예라고 말하면 그게 다지만 정규화하면 영점이 이동하는데 이것이 중요합니다...
사진에서처럼
설명하겠습니다. 현재, 이전 및 이전 양초의 색상을 알고 싶다고 가정해 보겠습니다. 우리가 하는 일:
닫기-열기, 닫기[-1]-열기[-1], 닫기[-2]-열기[-2]
우리는 그림 "1" 과 같은 차트를 얻을 것입니다. 모든 것이 명확하고 이해할 수 있으며 0보다 높은 모든 것은 흰색 촛불이고 0보다 낮은 모든 것은 검은 촛불입니다.
이제 변동성 문제(첫 번째 차트에 나타난 문제)를 해결해야 합니다. 차트를 일종의 단일 범위로 가져온 다음 정규화해야 합니다. 그림 "2" 에 있지만 정규화 후에는 우리는 더 이상 정보를 전달하지 않는 새로운 0 축을 얻습니다. 이러한 정규화를 통해 MO는 흰색 촛불인지 검은 색 촛불인지 더 이상 알 수 없습니다.
차트에 총 8개의 포인트가 있습니다 - O(0), H(0), L(0), C(0), O(1), H(1), L(1), C(1) 또한 이러한 점 O(0), H(0), L(0), C(0), O(1), H(1), L(1), C(1)에 서수 값을 할당할 수 있습니다. 1.2 ,3,4,5,6,7,8 OHLC - 시가, 고가, 저가, 종가 (0) 및 (1) - 막대 번호
이 포인트는 차트에서 가격의 내림차순으로 정렬할 수 있습니다. H(0), H(1), O(0), C(1), L(0), C(0), O (1), L(1)
이제 H(0), H(1), O(0), C(1), O(0), L(0), O(1), L(1)을 벡터(2, 6, 1, 8, 3, 4, 1, 7), 원하는 경우 0-1로 정규화합니다.
그리고 두 차트 모두 동일한 "패턴"(2, 6, 1, 8, 3, 4, 1, 7)을 갖게 되며, 이는 이러한 점이 차트에서 아래로 내려가는 순서를 설명합니다.
불행히도 나는 이것을 이용하지 못했습니다. 2개의 양초로 40320개의 패턴이 있을 수 있습니다. 양초 3개 = (4*3)! = 479001600 패턴 등 실제로는 더 적기 때문입니다. 예를 들어, H는 항상 같은 양초에서 O, H, L보다 큽니다. 그리고 C는 더 작다. 그러나 패턴의 수는 여전히 많습니다.
저것들. 어떤 양초 구성에 특정 숫자 벡터를 할당하고 이를 사용하여 미래에 동일한 구성을 인식할 수 있습니다. 그러나 이런 식으로 얻을 수 있는 구성의 수는 너무 커서 가격이 항상 오르거나 내리는 일종의 Grail 패턴을 찾는 것은 아마도 불가능할 것입니다. 예를 들어 "Bill Williams fractals" 전략에서 패턴은 5개의 양초로 구성되며 가능한 모든 조합 중 몇 십억 개의 조합만 거래됩니다.
당신은 아이디어를 이해하지 못했습니다, 나는 여러 번 소음을 발생시킬 수 있으며 다른 기계에 그것을 밀어 넣을 필요가 없습니다)
아이디어의 요지는...
나는 반전을 위해 MO를 훈련합니다. 인용의 역사에 반전 이 그렇게 많지 않습니다 ... 인용은 파도 (파도)로 움직이고 실제로 생각하면 반전을위한 옵션의 수는 상당히 유한합니다. 이것들은 머리와 어깨, 이중 상의 , 삼중 상의 및 .tp의 서로 다른 돌연변이와 이 수치는 시장에 일종의 신화적인 영향을 미치기 때문이 아니라 파동 움직임에서 반전 옵션 자체가 유한하기 때문에 나타납니다. 이런 식으로 다른 것은 아무것도 하지 않고 실제로 시장 차트, 누적 랜덤 하우스 차트 또는 파동 구조와 유사한 다른 차트를 작성하면 반전이 동일한 수치에서 발생한다는 것을 알 수 있습니다. 랜덤 하우스는 같은 머리와 어깨를 가질 것입니다 ...
그래서 D.Trader 가 던진 기사에서 저자는 이미 존재하는 샘플 외에도 네트워크에 대해 유사한 샘플을 생성하는 것이 가능하며 따라서 네트워크의 지식 기반을 증가시키고 이러한 방식으로 네트워크의 정확도를 높입니다.
그래서 시장에 반전이 별로 없어서 대부님을 통해 그렇게 비웃었다. 무작위로 반전에 대한 무한 지식 기반을 얻을 수 있습니다 ...
이해했나요? 나는 임의의 집에서 시장을 예측할 수 있는 어떤 신화적인 힘을 찾는 것이 아니다)))) 이해), 그리고 이 이론을 확인한 후에 나는 내가 제시한 결과를 얻었고 나로서는 결과가 낙관적이었다.
이제 모델 매개변수를 적절하게 선택하고 훈련하고 예측했으며 이제 0.69102를 얻었습니다. 마지막 데이터 세트의 경우 0.69121이었고 이번 주는 더 좋았지만 이는 우연에 의한 것이며 모델은 본질적으로 동일합니다. 다음 주에 나는 다시 + - 0.0002만큼 어딘가에 던져질 것이다.
저에게는 이것이 지금까지의 한계입니다. 제 모델은 트릭 없이 원래의 21개 예측 변수에 대해 훈련되었습니다. 예를 들어 Forex의 경우 터미널에서 다른 지표를 업로드하고 매개변수 등을 선택합니다. 저것들. 4개의 예측 변수(ohlc) 중 수천 개를 얻은 다음 필터링하여 약 30개만 남기고 모델을 훈련시킵니다.
확인하기 위해 모든 예측값 = 0.5, 점수 = 0.69315인 다른 파일을 보내 비교에 사용할 수 있습니다.이론상, 나는 어떻게든 이 21개의 숫자 예측 변수를 수천 개 만들고 초과분을 걸러내야 합니다. 그러나 지표는 ohlc 계열에서 작동하며 고르게 분포된 계열에서는 작동하지 않으므로 더 많은 새로운 지표를 생성하는 방법에 대해 생각해야 합니다.
아니다....
이해합니다. 그러면 이 주제로 분기를 오염시키는 것을 중단하겠습니다.
너무 고르게 분포되어 있기 때문에 더 많은 새로운 것을 생성하는 방법에 대해 생각할 필요가 있습니다.
이제 모델 매개변수를 적절하게 선택하고 훈련하고 예측했으며 이제 0.69102를 얻었습니다. 이전 데이터 세트의 경우 0.69121...
그리고 모든 것이 나에게 떨어졌습니다. 더 나빠졌습니다. 적어도 RF에서 0.69120, MLP를 시도했지만 일반적으로 쓰레기가 나옵니다.
위협 나는 이상한 알고리즘((
예, 그러한 모든 지점은 자발적이고 엉터리입니다))) 그리고 그들은 모두 같은 방식으로 끝납니다. 이것은 정상적이며 포럼은 오랫동안 허풍쟁이였습니다. 그리고 실험을 할 수 있습니다.
게다가 긍정적인 측면도 있다. 나중에 어떻게 트리가 무작위 및 vr에서 구축되는지 살펴보십시오. model-ts는 어떻게 생겼습니까?
다른 무작위로. 등이 있습니다. 약 10년 전에 나는 그리드와 메이, 아스트로 칠면조, 세계 여러 항구의 조수, 이동 경로에 대한 데이터를 넣었습니다.
동물 등 보통 사람은 생각조차 하지 못하는 것들))) 섣불리 결론을 내리지 말고 원하는 대로 쓰고 사용하세요.
#무작위로 생성, 최소 10K 관찰
write.csv2(x, 파일 = "D:/1.csv", row.names = FALSE, 인용 = FALSE) #드라이브 D:/의 파일 1.csv에 쓰기
-----------
What a window))) 그런데 이 도전은 막을 수 없지만 흥미로운 순간도 있습니다. 예를 들어 참가자가 보정 데이터를 업로드하는 방법,
이를 통해 작업 작성자가 사용하는 데이터 사전 처리에 대해 가정할 수 있습니다.
우리는 이미 숲을 지나갔고 처음 두 개의 게시물에만 있었고 좋은 클러스터가 검색 될 때 한 번 설명 된 패턴을 "내 방식대로"선택하기 시작했다고 썼습니다. 패턴입니다 ..
모델을 붙이고 있습니다.
이것은 훈련된 코호넨이다.
마지막 10개의 중간 가격 값을 제공합니다.
MD <- 중간 가격
MD <- scale(MD,T,T) # 정확히 여기와 같이 정규화
library(SOMbrero) # kohonen 패키지 실행
MD[is.na(MD)] <- 0 # 가능한 NA를 대체
pred <- predict(model,MD) 클러스터 예측
클러스터가 41번이면(pred==41), 이것은 구매입니다. 맛보기를 중단하십시오...
그것을 시도하고 그것이 당신을 위해 작동하는지 확인하십시오
생각이 나는데 생각이 안나네요)) , 생각이 있으신 분....
우리는 두 개의 촛불 구성이 있습니다
그림은 실제로 촛대 패턴이 동일하고 변동성의 차이가 있음을 보여줍니다. 이 두 패턴을 수학적으로 하나의 전체로 가져올 수 있습니까?
정규화에 예라고 말하면 그게 다지만 정규화하면 영점이 이동하는데 이것이 중요합니다...
사진에서처럼
설명하겠습니다. 현재, 이전 및 이전 양초의 색상을 알고 싶다고 가정해 보겠습니다. 우리가 하는 일:
닫기-열기, 닫기[-1]-열기[-1], 닫기[-2]-열기[-2]
우리는 그림 "1" 과 같은 차트를 얻을 것입니다. 모든 것이 명확하고 이해할 수 있으며 0보다 높은 모든 것은 흰색 촛불이고 0보다 낮은 모든 것은 검은 촛불입니다.
이제 변동성 문제(첫 번째 차트에 나타난 문제)를 해결해야 합니다. 차트를 일종의 단일 범위로 가져온 다음 정규화해야 합니다. 그림 "2" 에 있지만 정규화 후에는 우리는 더 이상 정보를 전달하지 않는 새로운 0 축을 얻습니다. 이러한 정규화를 통해 MO는 흰색 촛불인지 검은 색 촛불인지 더 이상 알 수 없습니다.
"0이 정직"하고 변동성 문제를 제거하도록 데이터를 정규화하는 방법 ??? 무슨 생각?
"0이 정직"하고 변동성 문제를 제거하도록 데이터를 정규화하는 방법 ??? 무슨 생각?
나는 이렇게 했다-
차트에 총 8개의 포인트가 있습니다 - O(0), H(0), L(0), C(0), O(1), H(1), L(1), C(1)
또한 이러한 점 O(0), H(0), L(0), C(0), O(1), H(1), L(1), C(1)에 서수 값을 할당할 수 있습니다. 1.2 ,3,4,5,6,7,8
OHLC - 시가, 고가, 저가, 종가
(0) 및 (1) - 막대 번호
이 포인트는 차트에서 가격의 내림차순으로 정렬할 수 있습니다. H(0), H(1), O(0), C(1), L(0), C(0), O (1), L(1)
이제 H(0), H(1), O(0), C(1), O(0), L(0), O(1), L(1)을 벡터(2, 6, 1, 8, 3, 4, 1, 7), 원하는 경우 0-1로 정규화합니다.
그리고 두 차트 모두 동일한 "패턴"(2, 6, 1, 8, 3, 4, 1, 7)을 갖게 되며, 이는 이러한 점이 차트에서 아래로 내려가는 순서를 설명합니다.
불행히도 나는 이것을 이용하지 못했습니다. 2개의 양초로 40320개의 패턴이 있을 수 있습니다. 양초 3개 = (4*3)! = 479001600 패턴 등 실제로는 더 적기 때문입니다. 예를 들어, H는 항상 같은 양초에서 O, H, L보다 큽니다. 그리고 C는 더 작다. 그러나 패턴의 수는 여전히 많습니다.
저것들. 어떤 양초 구성에 특정 숫자 벡터를 할당하고 이를 사용하여 미래에 동일한 구성을 인식할 수 있습니다. 그러나 이런 식으로 얻을 수 있는 구성의 수는 너무 커서 가격이 항상 오르거나 내리는 일종의 Grail 패턴을 찾는 것은 아마도 불가능할 것입니다. 예를 들어 "Bill Williams fractals" 전략에서 패턴은 5개의 양초로 구성되며 가능한 모든 조합 중 몇 십억 개의 조합만 거래됩니다.
여기 그림에서 예를 들어 3개의 양초에 대해 조금 더 선명합니다.
아니요))) 다른 기계에서 무작위로 제안했습니다 ...
당신은 아이디어를 이해하지 못했습니다, 나는 여러 번 소음을 발생시킬 수 있으며 다른 기계에 그것을 밀어 넣을 필요가 없습니다)
아이디어의 요지는...
나는 반전을 위해 MO를 훈련합니다. 인용의 역사에 반전 이 그렇게 많지 않습니다 ... 인용은 파도 (파도)로 움직이고 실제로 생각하면 반전을위한 옵션의 수는 상당히 유한합니다. 이것들은 머리와 어깨, 이중 상의 , 삼중 상의 및 .tp의 서로 다른 돌연변이와 이 수치는 시장에 일종의 신화적인 영향을 미치기 때문이 아니라 파동 움직임에서 반전 옵션 자체가 유한하기 때문에 나타납니다. 이런 식으로 다른 것은 아무것도 하지 않고 실제로 시장 차트, 누적 랜덤 하우스 차트 또는 파동 구조와 유사한 다른 차트를 작성하면 반전이 동일한 수치에서 발생한다는 것을 알 수 있습니다. 랜덤 하우스는 같은 머리와 어깨를 가질 것입니다 ...
그래서 D.Trader 가 던진 기사에서 저자는 이미 존재하는 샘플 외에도 네트워크에 대해 유사한 샘플을 생성하는 것이 가능하며 따라서 네트워크의 지식 기반을 증가시키고 이러한 방식으로 네트워크의 정확도를 높입니다.
그래서 시장에 반전이 별로 없어서 대부님을 통해 그렇게 비웃었다. 무작위로 반전에 대한 무한 지식 기반을 얻을 수 있습니다 ...
이해했나요? 나는 임의의 집에서 시장을 예측할 수 있는 어떤 신화적인 힘을 찾는 것이 아니다)))) 이해), 그리고 이 이론을 확인한 후에 나는 내가 제시한 결과를 얻었고 나로서는 결과가 낙관적이었다.
"0이 정직"하고 변동성 문제를 제거하도록 데이터를 정규화하는 방법 ??? 에 %
나는 이렇게 했다-
감사합니다 노력하겠습니다....
이렇게 해서....
다 제대로 이해했다면 방법이 너무 험난하네요..
가장 단순한 단일 촛대 패턴을 생각해 봅시다.
우리는 세 가지 세 가지 옵션이 있습니다
그들은 모두 동일한 논리적 패턴에 맞습니다.
O<H, O<C, O>L
H>O, H>C, H>L
C>O , C>L , C<H
L<O , L<C , L<H
내가 올바르게 이해한다면 당신의 방법은 세 개의 양초를 모두 하나의 패턴으로 분류하며 이것은 좋지 않습니다
"0이 정직"하고 변동성 문제를 제거하도록 데이터를 정규화하는 방법 ??? 에 %
그 차이를 정확히 어떻게 계산하셨나요?
예: 높음과 낮음의 차이
a = 높음
b = 닫기
(a*100)/b 그래서?
나는 이 방법으로 성공하지 못했다, 네트워크는 일반적으로 무엇을 지옥으로 인식하고 심지어 촛불의 색상을 혼동
내가 모든 것을 올바르게 이해했다면 방법이 너무 거칠다.