전문가 고문은 소모적이거나 최소한 수익성이 없습니다. 신경망을 가지고 놀고 싶지만 처음부터 모든 것을 작성하는 것을 중단하는 사람들을 위해 게시됩니다. 네트워크 구성은 상당히 보편적으로 작성되었습니다. 실제로 제한은 최소한 두 개의 레이어와 하나의 출력 뉴런뿐입니다.
이제 전문가가 현재 상태로 롤링하지 않는 이유에 대해 설명합니다. 이전 m 틱에서 n 틱을 예측하는 작업은 분명히 해결할 수 없기 때문에 롤링되지 않습니다. 그리드는 좋은 예측을 위한 종속성을 찾을 수 없습니다. 지표를 분류하려고 하면 이 방법도 작동하지 않지만 여기에서 그리드는 입력 데이터를 클래스로 나눌 수 없습니다. 이로부터 네트워크를 위해 보다 창의적으로 데이터를 처리할 필요가 있음을 알 수 있습니다. 이것이 바로 내가 다음에 할 일입니다.
이것이 나의 결론이다. 그것을 조금 알아 내고 내 전문가를 운전하면 원하는 사람들이 같은 아이디어를 얻거나 다른 신선한 아이디어를 얻을 수 있습니다.
사실, 전문가는 신경망 작업을 위한 라이브러리로 간주될 수 있으며, 스스로 파악하고 가져오는 데 어려움을 겪을 수 있습니다.
내 이전 메시지 이후에 누군가가 이 조언자를 연주할 수 있다는 생각을 했다면, 그들은 그것을 주의 깊게 읽지 않았거나 내가 충분히 명확하게 표현하지 못했을 것입니다. Figar0 "전혀 수익성이 없지만 교육적입니다."
이제 몇 가지 개인적인 답변입니다.
레셰토프그리고 일반적으로 어떻게 올바르게 사용해야 하며 전혀 사용해야 합니까? 따라서 다른 사람의 코드를 이해하는 방법은 지루하고 감사할 수 없는 작업입니다. 그리고 작업 알고리즘이 알려지면 다른 사람의 프로그램을 이해하는 것보다 처음부터 자신의 프로그램을 작성하는 것이 훨씬 쉽습니다.
무역을 의미한다면 아마 사용하지 말아야 할 것입니다. 적어도 나는하지 않을 것입니다. 그 값은 코드일 뿐입니다. 사실, 알고리즘을 알면 처음부터 직접 작성할 수 있다는 사실에 부분적으로 동의합니다. 더 쉬운지 확실하지 않습니다. 알고리즘 부탁드립니다. 인터넷에서 신경망, 학습 원리 등에 관한 책을 쉽게 검색할 수 있습니다. 이 전문가를 작성하는 동안 내 선택은 24권의 책과 기사에 쉽게 도달했습니다.
저라면 질문을 더 자세히 여십시오. 나는 당신이 무엇에 관심이 있는지 잘 이해하지 못합니다.
제 질문에 답하셨습니다. 닫기 값 및/또는 지표 값을 입력으로 사용합니다. 자, 그럼 또 다른 질문입니다. 분류와 관련하여 - 지표를 분류해야 한다고 하셨는데요, 이 아이디어에 대해 자세히 설명해 주시겠습니까? 예, 또 다른 언급이 있습니다. 실습에 따르면 네트워크(교사와의 교육)가 가장 잘 훈련되었으며 훈련 샘플은 정규 분포를 따릅니다. 꽤 오래전에 나는 따옴표로 구성된 시계열에 대한 연구를 여러 번 수행했습니다 ... 그 분포는 정상과 아무 관련이 없습니다. 아마도 그는 훈련 샘플의 구성을 분석하고 정규 분포를 가진 샘플로 줄여야 할 것입니다. 이 경우 MSE가 훨씬 빨리 감소할까요? 당신이보고 테스트 샘플에 더 나은 결과가있을 것입니다.
이제 전문가가 현재 상태로 롤링하지 않는 이유에 대해 설명합니다. 이전 m 틱에서 n 틱을 예측하는 작업은 분명히 해결할 수 없기 때문에 롤링되지 않습니다. 그리드는 좋은 예측을 위한 종속성을 찾을 수 없습니다. 지표를 분류하려고 하면 이 방법도 작동하지 않지만 여기에서 그리드는 입력 데이터를 클래스로 나눌 수 없습니다. 이로부터 네트워크를 위해 보다 창의적으로 데이터를 처리할 필요가 있음을 알 수 있습니다. 이것이 바로 내가 다음에 할 일입니다.
샘플의 형성 및 사전/사후 처리에 대해 논의할 수 있는 새 스레드를 열 수 있습니까? 많은 방문객들에게 흥미를 줄 것이라고 생각합니다.
저라면 질문을 더 자세히 여십시오. 나는 당신이 무엇에 관심이 있는지 잘 이해하지 못합니다.
제 질문에 답하셨습니다. 닫기 값 및/또는 지표 값을 입력으로 사용합니다. 자, 그럼 또 다른 질문입니다. 분류와 관련하여 - 지표를 분류해야 한다고 하셨는데요, 이 아이디어에 대해 자세히 설명해 주시겠습니까? 예, 또 다른 언급이 있습니다. 실습에 따르면 네트워크(교사와의 교육)가 가장 잘 훈련되었으며 훈련 샘플은 정규 분포를 따릅니다. 꽤 오래전에 나는 따옴표로 구성된 시계열에 대한 연구를 여러 번 수행했습니다 ... 그 분포는 정상과 아무 관련이 없습니다. 아마도 그는 훈련 샘플의 구성을 분석하고 정규 분포를 가진 샘플로 줄여야 할 것입니다. 이 경우 MSE가 훨씬 빨리 감소할까요? 당신이보고 테스트 샘플에 더 나은 결과가있을 것입니다.
정상뿐만이 아닙니다. 최소한 예제 세트도 일관성이 있어야 합니다. 일반적으로 이와 같은 것입니다. 우리는 첫 번째 추세의 시작을 찾습니다(up down flat). 이 시작 전에 특정 수의 막대가 그리드 항목이 되고 전체 추세는 1 0 0 200 6 형식으로 축소됩니다. 처음 세 숫자는 추세 식별자이고, 마지막 두 개는 총 가격 변화와 추세의 길이(막대)입니다. 다음 예는 이 추세가 끝나기 전에 형성됩니다. 추세의 길이를 예측할 수는 없지만 가격의 절대적인 변화만 예측할 수 있습니다. 이렇게 하면 일련의 예가 (더욱) 일관성이 있게 됩니다. 결과적으로 세 가지 유형의 추세에 대해 N1 N2 N3 예를 얻을 수 있습니다. 예를 들어 UP ( 1 0 0) - 100 플랫( 0 1 0) - 200 아래로( 0 0 1) - 250
정규 분포를 만드는 방법. 1. 최소 예제 수(100)가 우리에게 적합하다면 나머지는 어리석게도 잘라낼 수 있습니다. 2. 균등화를 위해 자주 제시하지 않는 예 3. 사례가 적고 약간 노이즈가 있는 사례를 추가합니다. 4. 위보다 아래에 더 많은 예가 있습니다. EURUSD가 아니라 USDEUR 역따옴표의 예를 사용하여 두 번째 예를 마무리할 수 있습니다.
이제 이 옵션들을 시원함의 내림차순으로 분석하겠습니다. :) 4. 이상형이 없는 치페록 시장의 과육은 모두 과육이다. 그러나 이것을 쓰기가 끔찍합니다. 스스로 많은 수를 세고 칠면조도 스스로 세어야 할 것입니다. 3. 조금 더 나쁩니다. 왜냐하면 우리는 여전히 그리드를 최소한 조금 제공하지만 소음의 형태로 좌파를 추가하기 때문입니다. 2. 조금 더 나빠도 그리드는 같은 것을 여러 번 보여주면 어리석게 기억할 것이기 때문에 일반화되지 않습니다(더 나빠질 것입니다). 1. 우리는 많은 예제를 폐기하지만 고품질 교육에는 충분하지 않을 수 있습니다. 비록 우리가 훈련에 대해 측정할 수 없을 정도로 긴 이야기를 취하더라도(거부 후 충분한 예제가 있는지 확인하기 위해) 이 방법은 모든 것을 강력하게 구동합니다. 다른 세 가지 모든면에서 :)
뭐, 이런 곳. 그건 그렇고, 내 Expert Advisor에서 항목 1과 2의 특정 혼합이 구현됩니다.
정상뿐만이 아닙니다. 최소한 예제 세트도 일관성이 있어야 합니다. 일반적으로 이와 같은 것입니다. 우리는 첫 번째 추세의 시작을 찾습니다(up down flat). 이 시작 전에 특정 수의 막대가 그리드 항목이 되고 전체 추세는 1 0 0 200 6 형식으로 축소됩니다. 처음 세 숫자는 추세 식별자이고, 마지막 두 개는 총 가격 변화와 추세의 길이(막대)입니다. 다음 예는 이 추세가 끝나기 전에 형성됩니다. 추세의 길이를 예측할 수는 없지만 가격의 절대적인 변화만 예측할 수 있습니다. 이렇게 하면 일련의 예가 (더욱) 일관성이 있게 됩니다. 결과적으로 세 가지 유형의 추세에 대해 N1 N2 N3 예를 얻을 수 있습니다. 예를 들어 UP ( 1 0 0) - 100 플랫( 0 1 0) - 200 아래로( 0 0 1) - 250
정규 분포는 확률 변수의 확률 분포입니다 . 데이터 세트는 일관성이 없거나 일관성이 없어야 합니다. 이것은 물리적 프로세스를 설명하는 f-tion의 가치이며 단순히 그렇습니다. 그 의미에 대한 우리의 해석만이 모순될 수 있습니다.
알다시피, 나는 한 가지를 이해할 수 없습니다. 신경망이 무엇을 하게 만들고 싶습니까? 대략적인 시리즈 또는 시장 상황의 분류를 얻으시겠습니까? 제 생각에는 이것들은 근본적으로 다른 작업이므로 입력 데이터와 출력 데이터 모두 완전히 다른 방식으로 준비되어야 합니다.
몇 가지 용어를 정의해 보겠습니다. 1. 시리즈의 근사화는 주어진 예시 세트 {xt, yt}를 일반화하는 다차원 매핑 F: x->y의 구성입니다. 이 매핑을 기반으로 H 단계의 미래에 대한 조사는 시리즈 구성원의 특정 숨겨진 종속성을 기반으로 구현됩니다. 저것들. 일반화할 수 있습니다. 우리는 시리즈 구성원 자체의 가치와 시리즈를 설명하는 특정 값 세트를 모두 사용하려고 노력하고 있습니다. 이는 지역 극단 등입니다. (예를 들어, 특정 간격에 대한 가격 회랑을 정의합니다.) 2. 분류 - 즉. 시장의 이미지가 형성됩니다. 상승 추세라고 가정 해 봅시다. 이 이미지를 인식해야 합니다.
당신은 그것을 어떻게 생각합니까? 내가 당신의 코드에서 이해한 것으로 판단하면 - 당신은 시장의 진입점과 출구점을 예측하려고 하고 있습니다 ... 솔직히, 나는 정확성에 대해 깊이 의심합니다. 그러한 작업을 설정합니다.
정상뿐만이 아닙니다. 최소한 예제 세트도 일관성이 있어야 합니다. 일반적으로 이와 같은 것입니다. 우리는 첫 번째 추세의 시작을 찾습니다(up down flat). 이 시작 전에 특정 수의 막대가 그리드 항목이 되고 전체 추세는 1 0 0 200 6 형식으로 축소됩니다. 처음 세 숫자는 추세 식별자이고, 마지막 두 개는 총 가격 변화와 추세의 길이(막대)입니다. 다음 예는 이 추세가 끝나기 전에 형성됩니다. 추세의 길이를 예측할 수는 없지만 가격의 절대적인 변화만 예측할 수 있습니다. 이렇게 하면 일련의 예가 (더욱) 일관성이 있게 됩니다. 결과적으로 세 가지 유형의 추세에 대해 N1 N2 N3 예를 얻을 수 있습니다. 예를 들어 UP ( 1 0 0) - 100 플랫( 0 1 0) - 200 아래로( 0 0 1) - 250
정규 분포는 확률 변수의 확률 분포입니다. 데이터 세트는 일관성이 없거나 일관성이 없어야 합니다. 이것은 물리적 프로세스를 설명하는 f-tion의 가치이며 단순히 그렇습니다. 그 의미에 대한 우리의 해석만이 모순될 수 있습니다.
알다시피, 나는 한 가지를 이해할 수 없습니다. 신경망이 무엇을 하게 만들고 싶습니까? 대략적인 시리즈 또는 시장 상황의 분류를 얻으시겠습니까? 제 생각에는 이것들은 근본적으로 다른 작업이므로 입력 데이터와 출력 데이터 모두 완전히 다른 방식으로 준비되어야 합니다.
몇 가지 용어를 정의해 보겠습니다. 1. 시리즈의 근사화는 주어진 예시 세트 {xt, yt}를 일반화하는 다차원 매핑 F: x->y의 구성입니다. 이 매핑을 기반으로 H 단계의 미래에 대한 조사는 시리즈 구성원의 특정 숨겨진 종속성을 기반으로 구현됩니다. 저것들. 일반화할 수 있습니다. 우리는 시리즈 구성원 자체의 가치와 시리즈를 설명하는 특정 값 세트를 모두 사용하려고 노력하고 있습니다. 이는 지역 극단 등입니다. (예를 들어, 특정 간격에 대한 가격 회랑을 정의합니다.) 2. 분류 - 즉. 시장의 이미지가 형성되고 있습니다. 상승 추세라고 가정 해 봅시다. 이 이미지를 인식해야 합니다.
당신은 그것을 어떻게 생각합니까? 내가 당신의 코드에서 이해한 것으로 판단하면 - 당신은 시장의 진입점과 출구점을 예측하려고 하고 있습니다 ... 솔직히, 나는 정확성에 대해 깊이 의심합니다. 그러한 작업을 설정합니다.
나는 당신이 달리 증명한다면 감사할 것입니다.
-- 삼가 고인의 명복을 빕니다
분류 문제의 경우 중요한 것은 데이터에 대한 해석입니다. 대략적으로 말하면, 문자 인식 문제에서 문자 A를 쓰는 예의 집합에서 문자 XY와 다른 문자가 만나서는 안 됩니다. :)
이것 저것 해보고 싶어요. 아마도 두 개의 그리드, 어쩌면 하나의 그리드일 수도 있습니다. 첫 번째 단계에서 그리드는 현재 상황을 분류합니다. 추세 시작에 대한 충분한 신호를 제공하는 경우 두 번째 단계는 이 추세에서 기울기를 줄일 수 있는지 평가하기 위해 미래를 내다보는 것입니다.
자기야, 입구에서 무엇을 줄까? 양초?
포럼에서 네트워크 학습 규칙을 공식화하십시오.
--
삼가 고인의 명복을 빕니다
코드를 자세히 살펴보니 차트에 막대가 충분하지 않다는 것을 알았습니다. 최대 16000까지 저를 실망시키십시오. 나는 전체 기간 동안 6개의 거래를 얻었고 그리 크지는 않았지만 최종 결과에서 손실을 입었습니다. 디포의 9%입니다. 몇 가지 거래 - 작은 배수.
요컨대 명확하지 않은 것은 분명하지만 이 조언자를 어떻게 계속 사용할 수 있습니까? 권장 사항이 있어야 합니까? 내가 뭔가 잘못하고 있는 건 아닐까?
계속해서 코드를 파헤치고 스스로 알아내려고 하는 것은 의미가 없습니다. 어드바이저가 6번의 거래에서 고갈되거나 수익성이 있다는 진술을 하는 것도 쓸모가 없습니다. 시간 낭비일 뿐입니다.
조금 설명이 필요할 것 같습니다.
전문가 고문은 소모적이거나 최소한 수익성이 없습니다. 신경망을 가지고 놀고 싶지만 처음부터 모든 것을 작성하는 것을 중단하는 사람들을 위해 게시됩니다.
네트워크 구성은 상당히 보편적으로 작성되었습니다. 실제로 제한은 최소한 두 개의 레이어와 하나의 출력 뉴런뿐입니다.
이제 전문가가 현재 상태로 롤링하지 않는 이유에 대해 설명합니다.
이전 m 틱에서 n 틱을 예측하는 작업은 분명히 해결할 수 없기 때문에 롤링되지 않습니다. 그리드는 좋은 예측을 위한 종속성을 찾을 수 없습니다. 지표를 분류하려고 하면 이 방법도 작동하지 않지만 여기에서 그리드는 입력 데이터를 클래스로 나눌 수 없습니다.
이로부터 네트워크를 위해 보다 창의적으로 데이터를 처리할 필요가 있음을 알 수 있습니다. 이것이 바로 내가 다음에 할 일입니다.
이것이 나의 결론이다. 그것을 조금 알아 내고 내 전문가를 운전하면 원하는 사람들이 같은 아이디어를 얻거나 다른 신선한 아이디어를 얻을 수 있습니다.
사실, 전문가는 신경망 작업을 위한 라이브러리로 간주될 수 있으며, 스스로 파악하고 가져오는 데 어려움을 겪을 수 있습니다.
내 이전 메시지 이후에 누군가가 이 조언자를 연주할 수 있다는 생각을 했다면, 그들은 그것을 주의 깊게 읽지 않았거나 내가 충분히 명확하게 표현하지 못했을 것입니다.
Figar0 "전혀 수익성이 없지만 교육적입니다."
이제 몇 가지 개인적인 답변입니다.
레셰토프 그리고 일반적으로 어떻게 올바르게 사용해야 하며 전혀 사용해야 합니까? 따라서 다른 사람의 코드를 이해하는 방법은 지루하고 감사할 수 없는 작업입니다. 그리고 작업 알고리즘이 알려지면 다른 사람의 프로그램을 이해하는 것보다 처음부터 자신의 프로그램을 작성하는 것이 훨씬 쉽습니다.
무역을 의미한다면 아마 사용하지 말아야 할 것입니다. 적어도 나는하지 않을 것입니다. 그 값은 코드일 뿐입니다.
사실, 알고리즘을 알면 처음부터 직접 작성할 수 있다는 사실에 부분적으로 동의합니다. 더 쉬운지 확실하지 않습니다.
알고리즘 부탁드립니다. 인터넷에서 신경망, 학습 원리 등에 관한 책을 쉽게 검색할 수 있습니다. 이 전문가를 작성하는 동안 내 선택은 24권의 책과 기사에 쉽게 도달했습니다.
Mathemat 이 코드는 Reshetov의 EA와 공통점이 없다고 생각합니다...
공통점은 입력에 표시기가 있는 신경망 이 있고 거기에 있다는 것입니다 :) 차이점은 뉴런이 하나가 아니라 많다는 것입니다. 그래서 저만의 학습 알고리즘을 작성했습니다.
rip 포럼에서 네트워크 학습 규칙을 공식화하십시오.
이것이 나를 위한 것이라면 질문을 더 자세히 여십시오. 나는 당신이 무엇에 관심이 있는지 잘 이해하지 못합니다.
rip 포럼에서 네트워크 학습 규칙을 공식화하십시오.
저라면 질문을 더 자세히 여십시오. 나는 당신이 무엇에 관심이 있는지 잘 이해하지 못합니다.
당신은 신경망에 정통합니다. 이 주제에 대한 기사를 작성하는 것이 어떻습니까? 특히 다층 네트워크에 대한 학습 알고리즘에 주의하십시오. 이것은 많은 사람들에게 흥미로울 것입니다. 여기에 기사가 지불됩니다. 귀하의 작업은 헛되지 않을 것입니다.
rip 포럼에서 네트워크 학습 규칙을 공식화하십시오.
이것이 나를 위한 것이라면 질문을 더 자세히 여십시오. 나는 당신이 무엇에 관심이 있는지 잘 이해하지 못합니다.
당신은 신경망에 정통합니다. 이 주제에 대한 기사를 작성하는 것이 어떻습니까? 특히 다층 네트워크에 대한 학습 알고리즘에 주의하십시오. 이것은 많은 사람들에게 흥미로울 것입니다. 여기에 기사가 지불됩니다. 귀하의 작업은 헛되지 않을 것입니다.
나는 비밀이 아니라 인터넷에서 쉽게 찾을 수 있는 진지한 사람들의 책과 기사에서 신경망을 이해했습니다.
모이쉬가 아브람에게 비틀즈를 불렀을 때 농담처럼 들릴까 봐 두렵다 :)
rip 포럼에서 네트워크 학습 규칙을 공식화하십시오.
저라면 질문을 더 자세히 여십시오. 나는 당신이 무엇에 관심이 있는지 잘 이해하지 못합니다.
이제 전문가가 현재 상태로 롤링하지 않는 이유에 대해 설명합니다.
이전 m 틱에서 n 틱을 예측하는 작업은 분명히 해결할 수 없기 때문에 롤링되지 않습니다. 그리드는 좋은 예측을 위한 종속성을 찾을 수 없습니다. 지표를 분류하려고 하면 이 방법도 작동하지 않지만 여기에서 그리드는 입력 데이터를 클래스로 나눌 수 없습니다.
이로부터 네트워크를 위해 보다 창의적으로 데이터를 처리할 필요가 있음을 알 수 있습니다. 이것이 바로 내가 다음에 할 일입니다.
샘플의 형성 및 사전/사후 처리에 대해 논의할 수 있는 새 스레드를 열 수 있습니까? 많은 방문객들에게 흥미를 줄 것이라고 생각합니다.
rip 포럼에서 네트워크 학습 규칙을 공식화하십시오.
저라면 질문을 더 자세히 여십시오. 나는 당신이 무엇에 관심이 있는지 잘 이해하지 못합니다.
정상뿐만이 아닙니다. 최소한 예제 세트도 일관성이 있어야 합니다.
일반적으로 이와 같은 것입니다.
우리는 첫 번째 추세의 시작을 찾습니다(up down flat). 이 시작 전에 특정 수의 막대가 그리드 항목이 되고 전체 추세는 1 0 0 200 6 형식으로 축소됩니다. 처음 세 숫자는 추세 식별자이고, 마지막 두 개는 총 가격 변화와 추세의 길이(막대)입니다. 다음 예는 이 추세가 끝나기 전에 형성됩니다.
추세의 길이를 예측할 수는 없지만 가격의 절대적인 변화만 예측할 수 있습니다.
이렇게 하면 일련의 예가 (더욱) 일관성이 있게 됩니다.
결과적으로 세 가지 유형의 추세에 대해 N1 N2 N3 예를 얻을 수 있습니다.
예를 들어
UP ( 1 0 0) - 100
플랫( 0 1 0) - 200
아래로( 0 0 1) - 250
정규 분포를 만드는 방법.
1. 최소 예제 수(100)가 우리에게 적합하다면 나머지는 어리석게도 잘라낼 수 있습니다.
2. 균등화를 위해 자주 제시하지 않는 예
3. 사례가 적고 약간 노이즈가 있는 사례를 추가합니다.
4. 위보다 아래에 더 많은 예가 있습니다. EURUSD가 아니라 USDEUR 역따옴표의 예를 사용하여 두 번째 예를 마무리할 수 있습니다.
이제 이 옵션들을 시원함의 내림차순으로 분석하겠습니다. :)
4. 이상형이 없는 치페록 시장의 과육은 모두 과육이다. 그러나 이것을 쓰기가 끔찍합니다. 스스로 많은 수를 세고 칠면조도 스스로 세어야 할 것입니다.
3. 조금 더 나쁩니다. 왜냐하면 우리는 여전히 그리드를 최소한 조금 제공하지만 소음의 형태로 좌파를 추가하기 때문입니다.
2. 조금 더 나빠도 그리드는 같은 것을 여러 번 보여주면 어리석게 기억할 것이기 때문에 일반화되지 않습니다(더 나빠질 것입니다).
1. 우리는 많은 예제를 폐기하지만 고품질 교육에는 충분하지 않을 수 있습니다. 비록 우리가 훈련에 대해 측정할 수 없을 정도로 긴 이야기를 취하더라도(거부 후 충분한 예제가 있는지 확인하기 위해) 이 방법은 모든 것을 강력하게 구동합니다. 다른 세 가지 모든면에서 :)
뭐, 이런 곳. 그건 그렇고, 내 Expert Advisor에서 항목 1과 2의 특정 혼합이 구현됩니다.
정상뿐만이 아닙니다. 최소한 예제 세트도 일관성이 있어야 합니다.
일반적으로 이와 같은 것입니다.
우리는 첫 번째 추세의 시작을 찾습니다(up down flat). 이 시작 전에 특정 수의 막대가 그리드 항목이 되고 전체 추세는 1 0 0 200 6 형식으로 축소됩니다. 처음 세 숫자는 추세 식별자이고, 마지막 두 개는 총 가격 변화와 추세의 길이(막대)입니다. 다음 예는 이 추세가 끝나기 전에 형성됩니다.
추세의 길이를 예측할 수는 없지만 가격의 절대적인 변화만 예측할 수 있습니다.
이렇게 하면 일련의 예가 (더욱) 일관성이 있게 됩니다.
결과적으로 세 가지 유형의 추세에 대해 N1 N2 N3 예를 얻을 수 있습니다.
예를 들어
UP ( 1 0 0) - 100
플랫( 0 1 0) - 200
아래로( 0 0 1) - 250
알다시피, 나는 한 가지를 이해할 수 없습니다. 신경망이 무엇을 하게 만들고 싶습니까? 대략적인 시리즈 또는 시장 상황의 분류를 얻으시겠습니까? 제 생각에는 이것들은 근본적으로 다른 작업이므로 입력 데이터와 출력 데이터 모두 완전히 다른 방식으로 준비되어야 합니다.
몇 가지 용어를 정의해 보겠습니다.
1. 시리즈의 근사화는 주어진 예시 세트 {xt, yt}를 일반화하는 다차원 매핑 F: x->y의 구성입니다. 이 매핑을 기반으로 H 단계의 미래에 대한 조사는 시리즈 구성원의 특정 숨겨진 종속성을 기반으로 구현됩니다. 저것들. 일반화할 수 있습니다. 우리는 시리즈 구성원 자체의 가치와 시리즈를 설명하는 특정 값 세트를 모두 사용하려고 노력하고 있습니다. 이는 지역 극단 등입니다. (예를 들어, 특정 간격에 대한 가격 회랑을 정의합니다.)
2. 분류 - 즉. 시장의 이미지가 형성됩니다. 상승 추세라고 가정 해 봅시다. 이 이미지를 인식해야 합니다.
당신은 그것을 어떻게 생각합니까? 내가 당신의 코드에서 이해한 것으로 판단하면 - 당신은 시장의 진입점과 출구점을 예측하려고 하고 있습니다 ... 솔직히, 나는 정확성에 대해 깊이 의심합니다.
그러한 작업을 설정합니다.
나는 당신이 달리 증명한다면 감사할 것입니다.
--
삼가 고인의 명복을 빕니다
정상뿐만이 아닙니다. 최소한 예제 세트도 일관성이 있어야 합니다.
일반적으로 이와 같은 것입니다.
우리는 첫 번째 추세의 시작을 찾습니다(up down flat). 이 시작 전에 특정 수의 막대가 그리드 항목이 되고 전체 추세는 1 0 0 200 6 형식으로 축소됩니다. 처음 세 숫자는 추세 식별자이고, 마지막 두 개는 총 가격 변화와 추세의 길이(막대)입니다. 다음 예는 이 추세가 끝나기 전에 형성됩니다.
추세의 길이를 예측할 수는 없지만 가격의 절대적인 변화만 예측할 수 있습니다.
이렇게 하면 일련의 예가 (더욱) 일관성이 있게 됩니다.
결과적으로 세 가지 유형의 추세에 대해 N1 N2 N3 예를 얻을 수 있습니다.
예를 들어
UP ( 1 0 0) - 100
플랫( 0 1 0) - 200
아래로( 0 0 1) - 250
알다시피, 나는 한 가지를 이해할 수 없습니다. 신경망이 무엇을 하게 만들고 싶습니까? 대략적인 시리즈 또는 시장 상황의 분류를 얻으시겠습니까? 제 생각에는 이것들은 근본적으로 다른 작업이므로 입력 데이터와 출력 데이터 모두 완전히 다른 방식으로 준비되어야 합니다.
몇 가지 용어를 정의해 보겠습니다.
1. 시리즈의 근사화는 주어진 예시 세트 {xt, yt}를 일반화하는 다차원 매핑 F: x->y의 구성입니다. 이 매핑을 기반으로 H 단계의 미래에 대한 조사는 시리즈 구성원의 특정 숨겨진 종속성을 기반으로 구현됩니다. 저것들. 일반화할 수 있습니다. 우리는 시리즈 구성원 자체의 가치와 시리즈를 설명하는 특정 값 세트를 모두 사용하려고 노력하고 있습니다. 이는 지역 극단 등입니다. (예를 들어, 특정 간격에 대한 가격 회랑을 정의합니다.)
2. 분류 - 즉. 시장의 이미지가 형성되고 있습니다. 상승 추세라고 가정 해 봅시다. 이 이미지를 인식해야 합니다.
당신은 그것을 어떻게 생각합니까? 내가 당신의 코드에서 이해한 것으로 판단하면 - 당신은 시장의 진입점과 출구점을 예측하려고 하고 있습니다 ... 솔직히, 나는 정확성에 대해 깊이 의심합니다.
그러한 작업을 설정합니다.
나는 당신이 달리 증명한다면 감사할 것입니다.
--
삼가 고인의 명복을 빕니다
분류 문제의 경우 중요한 것은 데이터에 대한 해석입니다. 대략적으로 말하면, 문자 인식 문제에서 문자 A를 쓰는 예의 집합에서 문자 XY와 다른 문자가 만나서는 안 됩니다. :)
이것 저것 해보고 싶어요. 아마도 두 개의 그리드, 어쩌면 하나의 그리드일 수도 있습니다. 첫 번째 단계에서 그리드는 현재 상황을 분류합니다. 추세 시작에 대한 충분한 신호를 제공하는 경우 두 번째 단계는 이 추세에서 기울기를 줄일 수 있는지 평가하기 위해 미래를 내다보는 것입니다.
나는 금융 시리즈가 분류보다 더 나쁜 근사값에 적합하다는 사실에서 출발합니다.
나는 금융 시리즈가 분류보다 더 나쁜 근사값에 적합하다는 사실에서 출발합니다.