klot : 저는 최근에 Neuroshell Day Trader에서 C ZZ를 실험했습니다. PNN(분류기)의 입력은 가격과 여러 고정 3Z 극단 사이의 정규화된 차이 였습니다. 나는 또한 차이 비율(예: 원하는 경우 고조파 모델)을 시도했습니다. NN은 제한된 시간 동안 규칙을 찾습니다. 성배 를 얻었다고 말하지는 않겠지만, 시스템은 보지 못한 데이터로부터 이익을 얻었다.
차이가 정확히 어떻게 정규화되었습니까? 가격과 마지막 극단의 차이점은 무엇입니까? 아니면 다른 방법으로? 그리고 어떤 분류기를 사용하셨나요? 코호넨 카드?
나는 아직 ZZ에 도달하지 못했습니다. 지금까지 나는 Kohonen으로 실험을 해왔고, 이동 평균에 따라 데이터를 정규화했습니다. 일반적으로 잠재력은 약하지만 가시적입니다. 그리드의 출력을 "증폭기" =))에 연결하고 싶습니다. 또한, 양초 자체도 분류하려고 했습니다. 다른 sops로 코딩하여 Kohonen으로 몰아넣었습니다. 기본적으로도 나쁘지 않습니다. 적어도 같은 종류의 양초에는 같은 등급이 있습니다. 여기에서 정규화만 하고 이해하지 못했습니다. 정말 선택하지 않았습니다. 0 +1 범위, -1 +1 범위, S자형, 접선으로 연결하려고 했습니다. 데이터를 "있는 그대로" 사용하려고 했습니다. 어떻게 든 나는 하나 또는 다른 방법의 장점을 보지 못했습니다.
Neutron : Rosh , 무작위 프로세스의 경우 H + L 값이 예측 가능한 것으로 밝혀진 이유를 알고 있습니까(이 경우 영구적)?
그리고 여기에서 모든 것이 단순하다고 생각했습니다. H와 L은 임의 값에 대한 신뢰 구간과 같습니다. 변경할 수 있고 변경하지 않을 경우 이 신뢰 구간은 그대로 유지됩니다(상수). 그리고 Close는 이 경우의 값에 대한 예측입니다. 여기서 값은 H와 L 사이에 있으므로 예측하기가 더 어렵습니다.
그리고 저는 이러한 이해가 없었고, 지금도 없습니다. Prival , 이것이 dov와 같다는 당신의 가설. 간격, 나는 수락하지 않습니다 ( 한 틱 으로 만들어진 케이블의 200 포인트 머리핀을 기억하십니까?). 네, 어떤 신경망으로도 예측할 수 없지만 Phoebe는 예측할 수 없습니다. .. 그럴 가능성이...
클로트 : 나는 최근에 Neuroshell Day Trader에서 C ZZ를 실험했습니다. PNN(분류기)의 입력은 가격과 여러 고정 3Z 극단 사이의 정규화된 차이 였습니다. 나는 또한 차이 비율(예: 원하는 경우 고조파 모델)을 시도했습니다. NN은 제한된 시간 동안 규칙을 찾습니다. 성배 를 얻었다고 말하지는 않겠지만, 시스템은 보지 못한 데이터로부터 이익을 얻었다.
차이가 정확히 어떻게 정규화되었습니까? 가격과 마지막 극단의 차이점은 무엇입니까? 아니면 다른 방법으로? 그리고 어떤 분류기를 사용하셨나요? 코호넨 카드?
나는 아직 ZZ에 도달하지 못했습니다. 지금까지 나는 Kohonen으로 실험을 해왔고, 이동 평균에 따라 데이터를 정규화했습니다. 일반적으로 잠재력은 약하지만 가시적입니다. 그리드의 출력을 "증폭기" =))에 연결하고 싶습니다. 또한 양초 자체를 분류하려고 시도했습니다. 다른 sops로 코딩하여 Kohonen으로 몰아넣었습니다. 기본적으로도 나쁘지 않습니다. 적어도 같은 종류의 양초에는 같은 등급이 있습니다. 여기에서는 정규화만 하고 이해하지 못했습니다. 정말 선택하지 않았습니다. 0 +1 범위, -1 +1 범위, S자형, 접선으로 연결하려고 했습니다. 데이터를 "있는 그대로" 사용하려고 했습니다. 어떻게 든 나는 하나 또는 다른 방법의 장점을 보지 못했습니다.
모든 실험은 NSDT에서 수행됩니다. 가격과 ZZ의 마지막 극한값 사이에 차이가 있습니다. 그리고 또한, 마지막과 끝에서 두 번째 극점 사이 등. 그리고 또한 차이 사이의 관계, - (XA) / (AB), (BA) / (BC), (BC) / (CD), (XA) / (DA), 일반적으로 Hartley 고조파 모델을 구축하려고 했습니다. 나는 모든 것을 확률적 네트워크로 몰아넣었다(NS에는 여러 종류가 있다). 나는 NSh를 통해 값을 정규화했습니다. 음, 실제로 이것은 공식입니다.
(x-ma(x,n))/(3*stdev(x,n)), 최근에는 항상 이 공식을 사용합니다. 그리고 실제로 교육, 교차 확인 및 OOS로 나아가고 있습니다. ..
그리고 저는 이러한 이해가 없었고, 지금도 없습니다. Prival , 이것이 dov와 같다는 당신의 가설. 간격, 나는 수락하지 않습니다 ( 한 틱 으로 만들어진 케이블의 200 포인트 머리핀을 기억하십니까?). 네, 어떤 신경망으로도 예측할 수 없지만 Phoebe는 그렇습니다. .. 그럴 가능성이...
추신: 그리고 여전히 불분명합니다. 왜 이 긴 머리핀이 아래로 내려가는 것을 좋아할까요?
나는 더 자세히 설명하려고 노력할 것이다. H와 L은 신뢰구간일 뿐입니다. 슬. 가치는 이 통로를 넘어서지 않았습니다. 낮 동안이라고 가정해 보겠습니다. 1일 바. 이제 이것이 사실이라고 상상해보십시오. 값은 규범의 적용을 받습니다. 자크. 분포. H와 L은 대략 + -3sko가 가능합니다. 0.997초의 확률로. 가치는 이러한 한계 내에 있습니다. 이 상황에서 H와 L은 거의 일정하고 sl이기 때문에 더 쉽게 예측할 수 있습니다. 값(닫기)은 그대로 유지됩니다.
글쎄, 당신 은 sl의 확률 밀도 를 구축 (생성할 수 있습니다) 그릴 수 있습니다. 크기 및 가능한 한 따로 설정 + 3sko. 1000개의 값을 생성하고 이에 의해 이 포인트를 결정합니다(샘플). 거의 변경되지 않지만 생성될 때 마지막 숫자는 무작위입니다(닫기). 100번 해보고 확인할 수 있습니다.
그리고 머리핀의 경우 아마도이 방법이 도움이 될 것이며 10 개의 측정 (진드기)이 수행되고 계산할 수 있습니다. +와 -에 있는 가장 극단적인 2개는 버립니다. 그리고 우리는 다시 건설할 수 있습니다. 알 수 없는 양의 이 추정치는 더 정확합니다. 왜냐하면 이러한 변칙적 이상치(명시적 측정 오류)에 저항하는 특성이 있습니다.
높음, 낮음의 흥미로운 속성 항목에서 (H+L)/2 계열의 "변칙적" 예측에 대해 이야기하고 있습니다. 상상의 역설!
보세요, HL(첫 번째 근사값에서 상품의 변동성)이 (H+L)/2(첫 번째 근사값에서 상품 가격의 절대값)보다 훨씬 작다는 조건이 충족되면 값 (H+L)/2는 슬라이딩 윈도우가 2인 VR의 평균화 절차와 같습니다. 생각해보면 거의 평균에 가깝습니다. 반면에 이동 평균은 계열의 인접한 증분 간에 항상 양의 자기상관 계수(AS)를 갖습니다(이는 직접 증명할 수 있음). 따라서 무작위 증분을 통합하여 얻은 VR의 경우 AS 증분이 0이 되는 경향이 있으므로 해당 시리즈(H + L) / 2에 대해 구성된 AS는 항상 0이 아닌 양수입니다! 불행히도 이 사실만으로는 VR을 예측할 수 없습니다. (H + L) / 2 시리즈의 경우 위상 지연이 항상 발생하여 모든 것이 제자리에 놓입니다.
저는 최근에 Neuroshell Day Trader에서 C ZZ를 실험했습니다. PNN(분류기)의 입력은 가격과 여러 고정 3Z 극단 사이의 정규화된 차이 였습니다. 나는 또한 차이 비율(예: 원하는 경우 고조파 모델)을 시도했습니다. NN은 제한된 시간 동안 규칙을 찾습니다. 성배 를 얻었다고 말하지는 않겠지만, 시스템은 보지 못한 데이터로부터 이익을 얻었다.
차이가 정확히 어떻게 정규화되었습니까? 가격과 마지막 극단의 차이점은 무엇입니까? 아니면 다른 방법으로? 그리고 어떤 분류기를 사용하셨나요? 코호넨 카드?
나는 아직 ZZ에 도달하지 못했습니다. 지금까지 나는 Kohonen으로 실험을 해왔고, 이동 평균에 따라 데이터를 정규화했습니다. 일반적으로 잠재력은 약하지만 가시적입니다. 그리드의 출력을 "증폭기" =))에 연결하고 싶습니다. 또한, 양초 자체도 분류하려고 했습니다. 다른 sops로 코딩하여 Kohonen으로 몰아넣었습니다. 기본적으로도 나쁘지 않습니다. 적어도 같은 종류의 양초에는 같은 등급이 있습니다. 여기에서 정규화만 하고 이해하지 못했습니다. 정말 선택하지 않았습니다. 0 +1 범위, -1 +1 범위, S자형, 접선으로 연결하려고 했습니다. 데이터를 "있는 그대로" 사용하려고 했습니다. 어떻게 든 나는 하나 또는 다른 방법의 장점을 보지 못했습니다.
Rosh , 무작위 프로세스의 경우 H + L 값이 예측 가능한 것으로 밝혀진 이유를 알고 있습니까(이 경우 영구적)?
그리고 여기에서 모든 것이 단순하다고 생각했습니다. H와 L은 임의 값에 대한 신뢰 구간과 같습니다. 변경할 수 있고 변경하지 않을 경우 이 신뢰 구간은 그대로 유지됩니다(상수). 그리고 Close는 이 경우의 값에 대한 예측입니다. 여기서 값은 H와 L 사이에 있으므로 예측하기가 더 어렵습니다.
그리고 저는 이러한 이해가 없었고, 지금도 없습니다. Prival , 이것이 dov와 같다는 당신의 가설. 간격, 나는 수락하지 않습니다 ( 한 틱 으로 만들어진 케이블의 200 포인트 머리핀을 기억하십니까?). 네, 어떤 신경망으로도 예측할 수 없지만 Phoebe는 예측할 수 없습니다. .. 그럴 가능성이...
추신: 그리고 여전히 불분명합니다. 왜 이 긴 머리핀이 아래로 내려가는 것을 좋아할까요?
나는 최근에 Neuroshell Day Trader에서 C ZZ를 실험했습니다. PNN(분류기)의 입력은 가격과 여러 고정 3Z 극단 사이의 정규화된 차이 였습니다. 나는 또한 차이 비율(예: 원하는 경우 고조파 모델)을 시도했습니다. NN은 제한된 시간 동안 규칙을 찾습니다. 성배 를 얻었다고 말하지는 않겠지만, 시스템은 보지 못한 데이터로부터 이익을 얻었다.
차이가 정확히 어떻게 정규화되었습니까? 가격과 마지막 극단의 차이점은 무엇입니까? 아니면 다른 방법으로? 그리고 어떤 분류기를 사용하셨나요? 코호넨 카드?
나는 아직 ZZ에 도달하지 못했습니다. 지금까지 나는 Kohonen으로 실험을 해왔고, 이동 평균에 따라 데이터를 정규화했습니다. 일반적으로 잠재력은 약하지만 가시적입니다. 그리드의 출력을 "증폭기" =))에 연결하고 싶습니다. 또한 양초 자체를 분류하려고 시도했습니다. 다른 sops로 코딩하여 Kohonen으로 몰아넣었습니다. 기본적으로도 나쁘지 않습니다. 적어도 같은 종류의 양초에는 같은 등급이 있습니다. 여기에서는 정규화만 하고 이해하지 못했습니다. 정말 선택하지 않았습니다. 0 +1 범위, -1 +1 범위, S자형, 접선으로 연결하려고 했습니다. 데이터를 "있는 그대로" 사용하려고 했습니다. 어떻게 든 나는 하나 또는 다른 방법의 장점을 보지 못했습니다.
모든 실험은 NSDT에서 수행됩니다. 가격과 ZZ의 마지막 극한값 사이에 차이가 있습니다. 그리고 또한, 마지막과 끝에서 두 번째 극점 사이 등. 그리고 또한 차이 사이의 관계, - (XA) / (AB), (BA) / (BC), (BC) / (CD), (XA) / (DA), 일반적으로 Hartley 고조파 모델을 구축하려고 했습니다. 나는 모든 것을 확률적 네트워크로 몰아넣었다(NS에는 여러 종류가 있다). 나는 NSh를 통해 값을 정규화했습니다. 음, 실제로 이것은 공식입니다.
(x-ma(x,n))/(3*stdev(x,n)), 최근에는 항상 이 공식을 사용합니다. 그리고 실제로 교육, 교차 확인 및 OOS로 나아가고 있습니다. ..
다음은 거의 모든 곳에서 사용하는 정규화의 예입니다.
닫기 대신 원하는 대로 대체할 수 있습니다.
그리고 저는 이러한 이해가 없었고, 지금도 없습니다. Prival , 이것이 dov와 같다는 당신의 가설. 간격, 나는 수락하지 않습니다 ( 한 틱 으로 만들어진 케이블의 200 포인트 머리핀을 기억하십니까?). 네, 어떤 신경망으로도 예측할 수 없지만 Phoebe는 그렇습니다. .. 그럴 가능성이...
추신: 그리고 여전히 불분명합니다. 왜 이 긴 머리핀이 아래로 내려가는 것을 좋아할까요?
나는 더 자세히 설명하려고 노력할 것이다. H와 L은 신뢰구간일 뿐입니다. 슬. 가치는 이 통로를 넘어서지 않았습니다. 낮 동안이라고 가정해 보겠습니다. 1일 바. 이제 이것이 사실이라고 상상해보십시오. 값은 규범의 적용을 받습니다. 자크. 분포. H와 L은 대략 + -3sko가 가능합니다. 0.997초의 확률로. 가치는 이러한 한계 내에 있습니다. 이 상황에서 H와 L은 거의 일정하고 sl이기 때문에 더 쉽게 예측할 수 있습니다. 값(닫기)은 그대로 유지됩니다.
글쎄, 당신 은 sl의 확률 밀도 를 구축 (생성할 수 있습니다) 그릴 수 있습니다. 크기 및 가능한 한 따로 설정 + 3sko. 1000개의 값을 생성하고 이에 의해 이 포인트를 결정합니다(샘플). 거의 변경되지 않지만 생성될 때 마지막 숫자는 무작위입니다(닫기). 100번 해보고 확인할 수 있습니다.
그리고 머리핀의 경우 아마도이 방법이 도움이 될 것이며 10 개의 측정 (진드기)이 수행되고 계산할 수 있습니다. +와 -에 있는 가장 극단적인 2개는 버립니다. 그리고 우리는 다시 건설할 수 있습니다. 알 수 없는 양의 이 추정치는 더 정확합니다. 왜냐하면 이러한 변칙적 이상치(명시적 측정 오류)에 저항하는 특성이 있습니다.
높음, 낮음의 흥미로운 속성 항목에서 (H+L)/2 계열의 "변칙적" 예측에 대해 이야기하고 있습니다. 상상의 역설!
보세요, HL(첫 번째 근사값에서 상품의 변동성)이 (H+L)/2(첫 번째 근사값에서 상품 가격의 절대값)보다 훨씬 작다는 조건이 충족되면 값 (H+L)/2는 슬라이딩 윈도우가 2인 VR의 평균화 절차와 같습니다. 생각해보면 거의 평균에 가깝습니다. 반면에 이동 평균은 계열의 인접한 증분 간에 항상 양의 자기상관 계수(AS)를 갖습니다(이는 직접 증명할 수 있음). 따라서 무작위 증분을 통합하여 얻은 VR의 경우 AS 증분이 0이 되는 경향이 있으므로 해당 시리즈(H + L) / 2에 대해 구성된 AS는 항상 0이 아닌 양수입니다! 불행히도 이 사실만으로는 VR을 예측할 수 없습니다. (H + L) / 2 시리즈의 경우 위상 지연이 항상 발생하여 모든 것이 제자리에 놓입니다.
이와 같이.