ANG3110>> : 위의 그림을 만들기 위해 GRNN(General Regression Network)을 사용했습니다. 이것은 근사 및 예측(예측)을 위해 설계된 확률 네트워크 PNN의 수정입니다. 예측할 때 즉시 네트워크 예측을 상당히 정확하게 평가할 수 있는 옵션은 무엇입니까? 최소한 무언가를 설명하십시오. 그렇지 않으면 이미 두 번째 페이지에서 암시하고 있지만 장점에 대해 한 단어도 쓰지 않았습니다. 나는 거의 모든 주요 유형의 네트워크와 함께 일했으며 무엇이 문제인지 이해하는 것이 어렵지 않을 것이라고 생각합니다.
필터링은 매우 고품질로 보입니다. 필터링 알고리즘에 대한 자세한 정보를 얻을 수 있습니까?
2개의 배열 a[]와 b[]를 사용합니다. Close [i]라고 합시다. 그런 다음 짧은 기간의 선형 회귀가 수행되고 N이 한 방향으로 쫓겨납니다. 각 다음 단계에서 데이터가 요약됩니다. 그런 다음 반대 방향으로 실행됩니다. 그리고 동일한 작업이 수행됩니다. 그리고 여러 번(매끄러워진 것처럼). 그런 다음 정방향 및 역방향 스트로크를 합산하여 평균(a[i]+b[i])/2로 계산합니다. aa 및 bb는 선형 회귀 계수입니다.
for( m =1; m <= s ; m ++){for( i = T -1; i >=0; i --){ af_LR ( a , N , i );for( n =0; n < N ; n ++) a [ i + n ]= bb + aa * n ;}for( i =0; i < T ; i ++){ af_LR ( b , N , i );for( n =0; n < N ; n ++) b [ i + n ]= bb + aa * n ;}}
글쎄, 그것은 지표 유형 끝 포인터로 움직이는 것이 아니라 필터입니다. 또한 네트워크에는 실제로 중심에 있는 데이터가 필요하며 이동 평균 또는 기타와 같은 다시 그리기가 아닌 지표는 데이터의 중간이 아니라 시프트와 함께 전달되며 게다가 끝은 항상 멈춥니다. 네트워크의 경우 이것은 저품질 데이터이며 이러한 데이터에 따르면 동일한 비현실적인 그림을 제공합니다. 일반적인 이동 평균은 중앙에서 반주기만큼 이동합니다. EMA는 3분의 1, LWMA는 4분의 1입니다. 선형 회귀는 비스듬히 꼬이고 수평 이동은 가변적이지만 여전히 이동합니다. 그러나 그러한 필터는 네트워크 입력에 공급되는 현재 데이터에 정확하게 중앙에 위치합니다. 하지만 그건 그렇고, 다시 그리지 않고 트레일러로 사용하면 일반적인 선형 회귀에 가깝고 조금 더 부드럽습니다. 네트워크 다시 그리기 업 랜턴. 매끄러움이 매우 좋은 비 다시 그리기 표시기에 관심이 있다면 이것은 T3이지만 물론 계수 b에 따라 다소 늦습니다. 그리고 빠르지만 부드러움이 덜한 것이 DCT입니다.
...неперерисовывающийся индикатор - типа мувинга или любого другого проходит-то не посередине данных, а со сдвигом, и к тому же конец всегда болтается.
여기서 놀면 안됩니다.
일반적인 이동 평균은 중앙에서 반주기만큼 이동합니다. EMA는 3분의 1, LWMA는 4분의 1입니다.
EMA 및 LWMA는 재귀 디지털 필터 유형입니다. 이 유형의 경우 원칙적으로 평활화 창의 너비 개념을 정의할 수 없으므로 "중심"과 "마침표"를 말하는 것은 옳지 않습니다. 그룹 및 위상 지연에 대해 이야기할 수 있습니다.
비록 이것은 나 자신의 의미를 위해 :-)
ANG3110 , 알고리즘 의 예측 품질에 대한 대체 표현에 대한 주제에 대해 다음 스레드에서 미루고 있습니다. 이 문제로 NS를 채울 수 있을까요? 매우 흥미로운 결과를 얻을 수 있습니다.
ANG3110 비밀이 아니라면 어떻게 데이터를 필터링했거나 무엇을 했습니까?
네, 조금 부드럽게 했습니다. 여러 필터링 방법을 사용합니다. 3개월 동안의 예측 차트에 표시된 경우 회귀 적응 필터가 적용되었습니다.
예측이 없는 경우는 다음과 같습니다.
위의 그림을 만들기 위해 GRNN(General Regression Network)을 사용했습니다. 이것은 근사 및 예측(예측)을 위해 설계된 확률 네트워크 PNN의 수정입니다. 예측할 때 즉시 네트워크 예측을 상당히 정확하게 평가할 수 있는 옵션은 무엇입니까? 최소한 무언가를 설명하십시오. 그렇지 않으면 이미 두 번째 페이지에서 암시하고 있지만 장점에 대해 한 단어도 쓰지 않았습니다. 나는 거의 모든 주요 유형의 네트워크와 함께 일했으며 무엇이 문제인지 이해하는 것이 어렵지 않을 것이라고 생각합니다.
당신의 고용이 줄어들 때 대화를 계속하기를 바랍니다.
3개월 동안의 예측 차트에 표시된 경우 회귀 적응 필터가 적용되었습니다.
필터링은 매우 고품질로 보입니다. 필터링 알고리즘에 대한 자세한 정보를 얻을 수 있습니까?
필터링은 매우 고품질로 보입니다. 필터링 알고리즘에 대한 자세한 정보를 얻을 수 있습니까?
2개의 배열 a[]와 b[]를 사용합니다. Close [i]라고 합시다. 그런 다음 짧은 기간의 선형 회귀가 수행되고 N이 한 방향으로 쫓겨납니다. 각 다음 단계에서 데이터가 요약됩니다. 그런 다음 반대 방향으로 실행됩니다. 그리고 동일한 작업이 수행됩니다. 그리고 여러 번(매끄러워진 것처럼). 그런 다음 정방향 및 역방향 스트로크를 합산하여 평균(a[i]+b[i])/2로 계산합니다. aa 및 bb는 선형 회귀 계수입니다.
이 움직임 이 다시 그려지는 것으로 나타났습니다. 좋아보여서 그런가?
이 움직임이 다시 그려지는 것으로 나타났습니다. 그래서 좋아 보이는 걸까요?
글쎄, 그것은 지표 유형 끝 포인터로 움직이는 것이 아니라 필터입니다. 또한 네트워크에는 실제로 중심에 있는 데이터가 필요하며 이동 평균 또는 기타와 같은 다시 그리기가 아닌 지표는 데이터의 중간이 아니라 시프트와 함께 전달되며 게다가 끝은 항상 멈춥니다. 네트워크의 경우 이것은 저품질 데이터이며 이러한 데이터에 따르면 동일한 비현실적인 그림을 제공합니다. 일반적인 이동 평균은 중앙에서 반주기만큼 이동합니다. EMA는 3분의 1, LWMA는 4분의 1입니다. 선형 회귀는 비스듬히 꼬이고 수평 이동은 가변적이지만 여전히 이동합니다. 그러나 그러한 필터는 네트워크 입력에 공급되는 현재 데이터에 정확하게 중앙에 위치합니다. 하지만 그건 그렇고, 다시 그리지 않고 트레일러로 사용하면 일반적인 선형 회귀에 가깝고 조금 더 부드럽습니다. 네트워크 다시 그리기 업 랜턴. 매끄러움이 매우 좋은 비 다시 그리기 표시기에 관심이 있다면 이것은 T3이지만 물론 계수 b에 따라 다소 늦습니다. 그리고 빠르지만 부드러움이 덜한 것이 DCT입니다.
모든 것이 분명하다.
다음과 같은 몇 가지 사소한 의견 차이가 있습니다.
...неперерисовывающийся индикатор - типа мувинга или любого другого проходит-то не посередине данных, а со сдвигом, и к тому же конец всегда болтается.
여기서 놀면 안됩니다.
일반적인 이동 평균은 중앙에서 반주기만큼 이동합니다. EMA는 3분의 1, LWMA는 4분의 1입니다.
EMA 및 LWMA는 재귀 디지털 필터 유형입니다. 이 유형의 경우 원칙적으로 평활화 창의 너비 개념을 정의할 수 없으므로 "중심"과 "마침표"를 말하는 것은 옳지 않습니다. 그룹 및 위상 지연에 대해 이야기할 수 있습니다.
비록 이것은 나 자신의 의미를 위해 :-)
ANG3110 , 알고리즘 의 예측 품질에 대한 대체 표현에 대한 주제에 대해 다음 스레드에서 미루고 있습니다. 이 문제로 NS를 채울 수 있을까요? 매우 흥미로운 결과를 얻을 수 있습니다.
초대해 주셔서 감사합니다. 여가 시간에 들르겠습니다. 글쓰기도 마찬가지입니다. 일단 글을 쓰고 나면 그곳에 오르게 됩니다. 일에 휴식이 있으면 좋습니다. 그래서 적어도 저에게는 주의가 산만해질 수 있습니다.
이동의 다른 유형의 교대 에 관해서는 ...
여기에 스크립트를 첨부합니다. 실제 교대조가 무엇인지 보여줍니다.
끝 잡담 - 예를 들어 매일 및 기간 5인 경우 끝은 표시기 모드의 0번째 마디에서 눈에 띄게 잡담합니다.
안녕하세요.
누구든지 Kohonen 네트워크를 사용하여 패턴(예: MACD에서)을 찾으려고 시도한 적이 있습니까?
그렇다면 감상과 경험을 공유해 주십시오.
비슷한 생각을 가진 사람이 있으면 채팅에 초대합니다. 바람직하게는 여기, 진지하게, 비누를 위해.
주제에 대해 구체적으로 작성해 달라는 큰 요청입니다.
연말 연시 결과 :
조금 있다가 데이터베이스에 올리겠습니다.
누가 탐사에 참여하고 싶습니까? 여기에 생각을 표현하십시오.
"여기에 스토캐스틱을 붙일 수 있습니까?" 또는 "... 포인트에서 트롤로 고정된 정지를 만들 수 있습니다."와 같은 게시물은 무시됩니다.
건설적인 제안, 희망, 비판을 환영합니다.
고문에 대해 조금 더. 이것은 일반적인 신호 고문입니다. 신호는 AutoMACD 표시기에 의해 제공됩니다.
표시기 정보 - 이것은 적응형 신호기의 간단한 버전입니다.
패턴 통계에 따라 신호가 생성됩니다.
패턴은 Kohonen 네트워크의 클러스터입니다.
Kohonen 네트워크(패턴)는 가격 형성과 병행하여 매우 빠르게 훈련(개량)됩니다.
코드를 보면 더 명확해집니다. 약간 혼란스러운 논리에 대해 즉시 사과드립니다. 이것은 작업 초안입니다.
if (Volume[0] == 1)이고 이 조건은 무엇입니까?
나는 모든 처리가 지표에서 일어난다는 것을 이해합니까? 매우 흥미롭습니다. 아직 잘 이해하지 못했습니다. 감사합니다.