비스톤- 노란색에 대한 예측빨간색 선은 각각 파란색 선보다 1 및 2바 앞서 있습니다. 계산은 제로바에서 하고, 미래를 내다보지도 않고, 과거를 다시 그리지도 않고, 제로바에서 사진에 보시는 것과 같은 형태로 이루어지며, 데모계정에서 확인했습니다(첫해가 아닌 Foresk의 남편, 저는 이것을 진지하게 받아들입니다) .
중성자 -추정된 적분 특성에서 발견된 균형 곡선의 일반적인 보기는 그림의 빨간색 선으로 표시됩니다. 아래에. 비교를 위해 파란색 선은 Piligrimm 에서 제공한 데이터에 따라 CU의 "공정한" 거래에 의해 구축된 균형 곡선입니다.- 어떤 정직한 시스템이 이해가 안 가나요?
위에서 설명한 알고리즘은 고정 블록인 모듈에서 구현되며(즉, "이퀄라이저"로 인해 특정 기기 및 시간 프레임에 대한 신호의 진폭 위상 특성을 최적화할 수 있지만 모델을 재학습하지 않음) 실시간 견적을 기반으로 신호 스펙트럼의 대표적인 샘플(다양한 알고리즘에 의해 수신된 100개 이상의 신호)을 형성합니다. 거래 결정은 그림에 표시된 2-3개의 신호를 기반으로 하지 않습니다(그림에 표시된 것과 같은 신호가 많이 있습니다. 위의 마지막 그림에서 100개 신호의 스펙트럼을 볼 수 있으며 그 중 대부분은 3 앞서 1 및 2 막대에 대한 하나의 신호를 예측하는 예로서 위에서 제시했지만, 거래 결정을 내리기 위한 별도의 동적 모듈입니다.
나는 이미 이 모듈을 만들고 이전에 개발된 다른 전문가 시스템에서 테스트했습니다. 그 본질은 15개의 신경망으로 구성된 세 개의 위원회가 있다는 것입니다.NS 각각. 50개의 신호 그룹이 각 위원회에 다음과 같은 분포로 제공됩니다. 첫 번째 위원회 - 1에서 50까지의 신호, 두 번째 - 26에서 75까지의 신호, 세 번째 - 위에서 설명한 첫 번째 모듈의 51에서 100까지 각 위원회에는 다른 위원회와 반쯤 겹치는 입력 샘플이 있습니다. 각 위원회의 신호 훈련 샘플의 길이는 200바이고, 국회의 위원회는 실시간 재훈련의 끝없는 주기로 작동합니다. 훈련 신호로 "추세 표시기"의 신호가 제공되며 이는 기록의 추세 반전 지점을 잘 반영합니다(판매용으로 내놓았습니다. 작업을 볼 수 있음).위원회에서 15개의 NN을 재교육한 후 이러한 네트워크의 모델은 테스트 세트에서 실행되며 15개 중 최고 9개만 선택됩니다. 그리고 각 위원회의 이 9개의 NS는 계산 블록으로 이동합니다. 여기서 9개의 NS에 대한 계산이 이루어지고 얻은 결과는 위원회의 평균을 구하는 식으로 각 위원회에 대해 계속됩니다. 결과적으로 우리는 각각의 새로운 바가 도착할 때 위원회에서 계산한 세 가지 거래 신호를 받습니다. 세 위원회의 결정이 모두 일치할 때 공동 거래 결정이 내려집니다. 시장의 지속적인 변화를 지속적으로 모니터링하고 실시간으로 매개변수를 재구축하는 동적 시스템을 통해 특정 상황에 대해 최상의 결정을 내릴 수 있습니다. 일반적으로 전체 시스템의 작동을 아직 확인하지 않았으며 첫 번째 모듈의 개별 신호를 "핥는" 사실에 종사하고 있습니다. 그리고 이 "핥기"의 결과나는 아래 사진에서 제시한다. 그림에 표시된 신호는 제시된 신호의 두 가지 수정 사항입니다.빨간 선으로 더 일찍.첫 번째와 두 번째 그림에서 신호는 서로 다른 "이퀄라이저" 설정에서 다릅니다. 저는 매개변수의 작은 변화가 신호의 모양을 어떻게 바꾸는지 보여주고 싶었습니다. 아카이브 파일에서PR- 첫 번째 사진에 해당하고,PR30 - 세 번째 사진에 해당합니다. 열 1 - 데이터 해당 행 빨간색, 열 2 - 노란색, 각각 3에서 6까지- 오픈, 하이, 로우, 클로즈.
계산은 제로바에서 하고, 미래를 내다보지도 않고, 과거를 다시 그리지도 않고, 제로바에서 사진에 보시는 것과 같은 형태로 이루어지며, 데모계정에서 확인했습니다(첫해가 아닌 Foresk의 남편, 저는 이것을 진지하게 받아들입니다) .
결론은 15개의 신경망으로 구성된 3개의 위원회가NS 각각. 50개의 신호 그룹이 각 위원회에 다음과 같은 분포로 제공됩니다. 첫 번째 위원회 - 1에서 50까지의 신호, 두 번째 - 26에서 75까지의 신호, 세 번째 - 위에서 설명한 첫 번째 모듈의 51에서 100까지 각 위원회에는 다른 위원회와 반쯤 겹치는 입력 샘플이 있습니다. 각 위원회의 신호 훈련 샘플의 길이는 200바이고, 국회의 위원회는 실시간 재훈련의 끝없는 주기로 작동합니다.
나는 당신이 한 일과 훌륭한 결과에 대해 모자를 벗습니다!
사실, 제시된 데이터는 Forex 시장의 비 마틴게일 성격과 그에 따른 비무작위 수입 가능성에 대한 직접적인 증거로 작용합니다.
중성자-추정된 적분 특성에서 발견된 균형 곡선의 일반적인 보기는 그림의 빨간색 선으로 표시됩니다. 아래에. 비교를 위해 파란색 선은 Piligrimm에서 제공한 데이터에 따라 CU의 "공정한" 거래에 의해 구축된 균형 곡선입니다.- 어떤 정직한 시스템이 이해가 안 가나요?
우리는 귀하가 제시한 견적(아카이브의 세 번째 열)을 Metatrader로 이동하고 노란색 선(두 번째 열)을 포지션을 여는 지표로 사용합니다. 시계열의 각 개수(현재 H4 막대의 열기)에서 위치를 열고 닫는 TS(Mathcad 환경에서 모든 것을 구현함)를 작성하고 표시기 증분 기호에 따라 방향을 선택합니다. 이것이 내가 "공정한" 거래라고 부르는 것입니다.
Piligrimm, 훈련 샘플 P 의 최적 길이, NN 입력 수 d 및 여기에 구성된 가중치 수 w 를 어떻게 비교합니까?
Neutron , 실제 적용을 위한 방법론에 대한 자세한 설명과 함께 기사 형식으로 방법을 정리하는 것이 좋을 것입니다. 이것이 "대중 사이"로 퍼지면서 표준이 될 수 있습니다. 동시에 TS 포지션을 여는 것은 다음 막대(평균 주문 수명과 동일한 간격)에서 수익성 있는 거래의 평균 크기에 대한 움직임의 예측으로 간주될 수 있으며, 그런 다음 이 기술을 보편적으로 만들 수 있습니다. 오늘날에는 차량을 평가하기 위한 그러한 지표가 분명히 부족하며, 이러한 의미에서 아이디어의 발전은 매우 일반적인 것 같습니다.
추신 또는 퍼지 등급 척도에서 오른쪽은 "진짜!", 왼쪽은 "젠장!"일 수 있습니다. :-)
По-сути, представленные данные служат прямым доказательством не мартингальности рынка Forex и, следовательно, возможности неслучайного заработка на нём.
Piligrimm, 훈련 샘플 P 의 최적 길이, NN 입력 수 d 및 여기에 구성된 가중치 수 w 를 어떻게 비교합니까?
정말 많은 일이 있었고, 실제로 3월부터 이 전문가 시스템에 대해 작업하고 모니터에서 하루 10-14시간을 보내고, 게다가 몇 년 동안의 경험과 성과를 사용합니다. 첫 번째 모듈인 신호 생성자를 빌드하려면 수백 개의 모델을 훈련해야 했으며 대부분은 휴지통으로 이동했고 지정된 기준을 충족하는 작은 부분만 시스템에 들어갔습니다. 한 모델의 교육은 6시간에서 30시간이 소요되었습니다. 그러나 나에게 가장 황량한 것은 구성된 모델에서 생성된 신호, 필요한 진폭 및 위상 특성을 가진 신호의 구성이었습니다. 이 프로세스를 어떻게든 자동화할 방법을 찾지 못했고 수동으로 열거해야 했습니다. , 서로 다른 모델 그룹의 수백 가지 조합을 서로 결합하여 만족스러운 변형이 발견되고(내가 신호를 "핥아"라고 부른 것) 새로운 원래 신호가 발견되거나 모델 중 하나에서 생성된 기본 신호가 다음과 같을 때까지 향상.
첫 번째 모듈은 고정되어 있으며 재교육을 제공하지 않지만 구축된 모델이 적어도 2-3년 동안 예측 가능한 미래에 안정적으로 작동해야 한다는 사실을 위해 설계되었습니다. 이를 기반으로 나는 5000개의 막대의 샘플 길이로 훈련을 위한 H4 타임프레임을 선택했으며, 그 간격은 시장이 여러 번 위상을 변경하고 속도 변화의 범위(이 간격에서는 1.16에서 1.6까지), 내 추정에 따르면, 이 경계를 넘어 앞으로 몇 년 동안 나가서는 안되며, 이는 내가 제시한 첫 번째 예에서 보듯이 모델의 안정성을 보장합니다.훈련된 NS 및 LR 모델을 다항식으로 형식화한 후 MQL 로 전송하여 전체 첫 번째 모듈을 MQL 로 구현하여 광범위한 진폭 위상 특성에서 이퀄라이저를 사용하여 최적화할 수 있는 지표로 구현합니다. 다양한 전략을 생성하기 위해 원하는 파형. 처음부터 나는 특정 전략을 위해 고도로 전문화된 시스템이 아니라, 필요한 경우 기존 신호의 조합을 사용하여 새로운 신호를 수신할 수 있는 일종의 생성자인 개방형 시스템을 만들기 시작했습니다. 개발 전략 요구 사항에 따라 새로운 특성.
두 번째 모듈은 동적이며 Matlab에서 구현됩니다. 시장 상황을 동적으로 모니터링하고 지속적인 변화에 지속적으로 적응하며 정보에 입각한 거래 결정을 개발하도록 설계되었습니다.첫 번째 모듈에서 제공한 정보의 다변량 분석을 기반으로 합니다. 실제로 이 모듈은 50개 신호의 입력 벡터에 대해 학습되고 추세 표시기가 생성한 이력의 참조 추세를 기반으로 지정된 비율 변동 범위에 대한 시장 추세의 반전 지점을 인식하는 인식 시스템입니다. 초기 반전에 대한 신호를 발행하기 위해 상당한 지연 없이 제로 바에서. 잘못된 결정, 간섭의 영향을 제거하기 위해 15 NS로 구성된 위원회를 도입하고 약간 다른 입력 벡터를 분석하도록 훈련된 3개의 위원회를 만들어 이 모듈을 중복으로 만들었습니다. 하나의 위원회만 사용하지만 100개의 입력으로 NS를 교육하는 것만으로는 내 컴퓨터에 충분하지 않습니다. 따라서 위에서 설명한 대로 입력 배열을 세 부분으로 분할하고 50개의 입력으로 NN을 훈련해야 했습니다. 이 입력은 프로세서와 메모리를 안구에 로드하지만 여전히 작동합니다. 따라서 NN 입력 수의 선택은 이것에 의해 결정됩니다. 이 블록은 히스토리에 대한 깊은 분석 없이 시장의 단기적인 변화를 추적하고 평가하도록 설계되었으며, 나의 경험적 발견에 따르면 훈련 샘플의 길이는 예측 또는 인식 지평선의 10배 이상이어야 합니다. 신경망은 재훈련 없이 작동합니다. 나는 또한 이 모듈을 사용하여 한 위원회의 총 재교육 시간이 15-17분인 M1 타임프레임에서 작업했지만 NN을 재교육하지 않은 예측의 정확도는 20바, 즉 20바에서 상당히 높았습니다. 앞으로 20분. 그리고 여기에서 훈련을 위한 입력 배열의 길이를 선택하게 되었습니다. 200개의 막대, 샘플의 길이를 100개의 막대로 줄이려고 시도했습니다. 테스트 샘플의 오류가 크게 증가하여 범위가 200에서 1000으로 증가했습니다. 막대는 정확도의 상당한 증가로 이어지지는 않았지만 관련된 훈련 시간과 기억력을 증가시켰습니다. 내부에서 자동으로 가중치가 형성되는 Matlab의 표준 NA 기능을 사용합니다.
그건 그렇고, 나는이 시스템에서 구현하는 접근 방식에 대해 간단히 언급했지만 불행히도 대다수는이 기사를 진지하게 받아들이지 않고 조롱하는 의견을 남겼습니다.
당신이 제공한 마지막 차트에 대한 또 다른 질문은 빨간색과 파란색 라인의 로컬 최소값과 최대값이 서로 반대 위상에 있는 것이 이상합니다. 이것을 어떻게 설명합니까?
글쎄, 일반적으로 그것은 분명합니다.
검토를 위해 제시한 형식으로 조립한 지표 인 Piligrimm을 사용하면 H4에서 통계적으로 시장을 이길 수 있습니다. 그리고 이것은 최소한의 위험으로. 아직도 Forex를 뒤집지 않은 이유는 무엇입니까?
제가 제시한 데이터의 불일치는 수익성 평가 방법론의 본질 때문입니다. 요점은 우리가 무한한 구현 세트 중 하나를 손에 넣을 때마다 일부 고정 프로세스(이 경우 지분 증가분의 분포)를 결정하는 통합 특성을 알고 있다는 것입니다. 일반적으로 이러한 실현은 유사하지만(성장률, 성장률 변동) 세부적으로는 개별적이고 고유합니다. 이것은 명백한 불일치를 설명합니다. 반대 위상으로 언급한 것은 항상 사고일 뿐입니다. 그것은 단계와 무엇이든 될 수 있습니다.
검토를 위해 제시한 형식으로 조립한 지표인 Piligrimm을 사용하면 H4에서 통계적으로 시장을 이길 수 있습니다. 그리고 이것은 최소한의 위험으로. 아직도 Forex를 뒤집지 않은 이유는 무엇입니까?
나는 아직 아무 말도 하지 않겠지만, 이 경우 제로 바의 표시기를 다시 그리기 때문에 결과가 잘못 얻은 것 같습니다. 1 bar의 수평선에 대해 이것은 명백합니다. 제시된 데이터에 따라 거래를 에뮬레이트할 때 결정은 전체 형성 시 실제로 수신된 데이터에 따라 막대의 시작 부분에서 이루어집니다. 2막대의 수평선에 대해서는 좀 더 자세히 분석할 필요가 있다.
나는 아직 아무 말도 하지 않겠지만, 이 경우 제로 바의 표시기를 다시 그리기 때문에 결과가 잘못 얻은 것 같습니다. 1 bar의 수평선에 대해 이것은 명백합니다. 제시된 데이터에 따라 거래를 에뮬레이트할 때 결정은 전체 형성 시 실제로 수신된 데이터에 따라 막대의 시작 부분에서 이루어집니다. 2막대의 수평선에 대해서는 좀 더 자세히 분석할 필요가 있다.
비스톤- 노란색에 대한 예측빨간색 선은 각각 파란색 선보다 1 및 2바 앞서 있습니다. 계산은 제로바에서 하고, 미래를 내다보지도 않고, 과거를 다시 그리지도 않고, 제로바에서 사진에 보시는 것과 같은 형태로 이루어지며, 데모계정에서 확인했습니다(첫해가 아닌 Foresk의 남편, 저는 이것을 진지하게 받아들입니다) .
그러나 이것은 매우 중요한 포인트입니다.
Piligrimm 에게 제시된 데이터의 정확성을 다시 한 번 확인하도록 요청합시다. 다음 H4 막대(빨간색 또는 노란색 선)에 대한 예측이 수신되고 막대가 형성되는 과정이 아니라 열리기 전에 고정 되었는지 확인해야 합니다.
이 주제는 개인적으로 매우 흥미로워서 이 주제의 참가자들에게 몇 가지 질문을 하려고 합니다.
제가 뭔가 잘못 이해했다면 죄송합니다...
1. 우리는 무엇을 예측하려고 합니까? (아마도, 특정 TF에서 일정 시간 동안 형성되어야 하는 가격의 미래 가치).
단순화를 위해 tr=sl입니다. 목표는 가격이 sl보다 빠르게 tr에 도달하는 것입니다. 스프레드를 고려하면 p/l 비율은 0.5 이상이어야 합니다. 0.7 이상이면 좋습니다.
2. 특정 수준(tr)의 가격을 결정하기 위해 과거의 어떤 매개변수를 예측에 사용할 것입니까? 이 주제의 일부 페이지에서이 질문이 제기되었지만 뭔가 이해가되지 않았습니다 ...
3. 제 생각에는 시장을 예측하기 어렵고 쓸모가 없을 수 있습니다(즉, 지연된 가격의 변화(기울기)를 보여주는 빌드 회귀 등, MA와 크게 다르지 않음). 그래도 가장 중요한 것은 어떤 사람들은 자산의 증감에 대한 기대와 이 가격대에 도달하기를 바라는 욕심과 두려움을 가지고 투자하는 금액에 따라 움직인다는 점이라고 생각합니다. 내 생각에 이 사실은 예측에서 무시할 수 없습니다.
제안된 방법의 가치에 대해 이야기하는 경우 선형 회귀 기울기의 탄젠트와 점 분산의 분산(균형 증가분의 정규 분포 가정)의 두 매개변수로 작동한다는 점을 강조해야 합니다. 구축된 라인. 첫 번째 매개 변수는 TS의 수익성을 특성화하고 두 번째 매개 변수는 위험을 나타냅니다. 이 두 가지 수량을 모두 보유하고 있으면 자금 재투자의 최적 비율(주어진 기간 동안 소득을 극대화한다는 의미에서)을 찾을 수 있습니다. 즉, 구름이 45도에 가까울수록 얇을수록 좋습니다.
비스톤 - 노란색에 대한 예측 빨간색 선은 각각 파란색 선보다 1 및 2바 앞서 있습니다. 계산은 제로바에서 하고, 미래를 내다보지도 않고, 과거를 다시 그리지도 않고, 제로바에서 사진에 보시는 것과 같은 형태로 이루어지며, 데모계정에서 확인했습니다(첫해가 아닌 Foresk의 남편, 저는 이것을 진지하게 받아들입니다) .
중성자 - 추정된 적분 특성에서 발견된 균형 곡선의 일반적인 보기는 그림의 빨간색 선으로 표시됩니다. 아래에. 비교를 위해 파란색 선은 Piligrimm 에서 제공한 데이터에 따라 CU의 "공정한" 거래에 의해 구축된 균형 곡선입니다. - 어떤 정직한 시스템이 이해가 안 가나요?
위에서 설명한 알고리즘은 고정 블록인 모듈에서 구현되며(즉, "이퀄라이저"로 인해 특정 기기 및 시간 프레임에 대한 신호의 진폭 위상 특성을 최적화할 수 있지만 모델을 재학습하지 않음) 실시간 견적을 기반으로 신호 스펙트럼의 대표적인 샘플(다양한 알고리즘에 의해 수신된 100개 이상의 신호)을 형성합니다. 거래 결정은 그림에 표시된 2-3개의 신호를 기반으로 하지 않습니다(그림에 표시된 것과 같은 신호가 많이 있습니다. 위의 마지막 그림에서 100개 신호의 스펙트럼을 볼 수 있으며 그 중 대부분은 3 앞서 1 및 2 막대에 대한 하나의 신호를 예측하는 예로서 위에서 제시했지만, 거래 결정을 내리기 위한 별도의 동적 모듈입니다.
나는 이미 이 모듈을 만들고 이전에 개발된 다른 전문가 시스템에서 테스트했습니다. 그 본질은 15개의 신경망으로 구성된 세 개의 위원회가 있다는 것입니다. NS 각각. 50개의 신호 그룹이 각 위원회에 다음과 같은 분포로 제공됩니다. 첫 번째 위원회 - 1에서 50까지의 신호, 두 번째 - 26에서 75까지의 신호, 세 번째 - 위에서 설명한 첫 번째 모듈의 51에서 100까지 각 위원회에는 다른 위원회와 반쯤 겹치는 입력 샘플이 있습니다. 각 위원회의 신호 훈련 샘플의 길이는 200바이고, 국회의 위원회는 실시간 재훈련의 끝없는 주기로 작동합니다. 훈련 신호로 "추세 표시기"의 신호가 제공되며 이는 기록의 추세 반전 지점을 잘 반영합니다(판매용으로 내놓았습니다. 작업을 볼 수 있음). 위원회에서 15개의 NN을 재교육한 후 이러한 네트워크의 모델은 테스트 세트에서 실행되며 15개 중 최고 9개만 선택됩니다. 그리고 각 위원회의 이 9개의 NS는 계산 블록으로 이동합니다. 여기서 9개의 NS에 대한 계산이 이루어지고 얻은 결과는 위원회의 평균을 구하는 식으로 각 위원회에 대해 계속됩니다. 결과적으로 우리는 각각의 새로운 바가 도착할 때 위원회에서 계산한 세 가지 거래 신호를 받습니다. 세 위원회의 결정이 모두 일치할 때 공동 거래 결정이 내려집니다. 시장의 지속적인 변화를 지속적으로 모니터링하고 실시간으로 매개변수를 재구축하는 동적 시스템을 통해 특정 상황에 대해 최상의 결정을 내릴 수 있습니다. 일반적으로 전체 시스템의 작동을 아직 확인하지 않았으며 첫 번째 모듈의 개별 신호를 "핥는" 사실에 종사하고 있습니다. 그리고 이 "핥기"의 결과 나는 아래 사진에서 제시한다. 그림에 표시된 신호는 제시된 신호의 두 가지 수정 사항입니다. 빨간 선으로 더 일찍. 첫 번째와 두 번째 그림에서 신호는 서로 다른 "이퀄라이저" 설정에서 다릅니다. 저는 매개변수의 작은 변화가 신호의 모양을 어떻게 바꾸는지 보여주고 싶었습니다. 아카이브 파일에서 PR - 첫 번째 사진에 해당하고, PR 30 - 세 번째 사진에 해당합니다. 열 1 - 데이터 해당 행 빨간색, 열 2 - 노란색, 각각 3에서 6까지 - 오픈, 하이, 로우, 클로즈.
Neutron , 기사 형식으로 메소드를 발행하는 것이 좋을 것입니다 ...
원료. 글을 쓰기에는 너무 이르다고 생각합니다.
계산은 제로바에서 하고, 미래를 내다보지도 않고, 과거를 다시 그리지도 않고, 제로바에서 사진에 보시는 것과 같은 형태로 이루어지며, 데모계정에서 확인했습니다(첫해가 아닌 Foresk의 남편, 저는 이것을 진지하게 받아들입니다) .
결론은 15개의 신경망으로 구성된 3개의 위원회가 NS 각각. 50개의 신호 그룹이 각 위원회에 다음과 같은 분포로 제공됩니다. 첫 번째 위원회 - 1에서 50까지의 신호, 두 번째 - 26에서 75까지의 신호, 세 번째 - 위에서 설명한 첫 번째 모듈의 51에서 100까지 각 위원회에는 다른 위원회와 반쯤 겹치는 입력 샘플이 있습니다. 각 위원회의 신호 훈련 샘플의 길이는 200바이고, 국회의 위원회는 실시간 재훈련의 끝없는 주기로 작동합니다.
나는 당신이 한 일과 훌륭한 결과에 대해 모자를 벗습니다!
사실, 제시된 데이터는 Forex 시장의 비 마틴게일 성격과 그에 따른 비무작위 수입 가능성에 대한 직접적인 증거로 작용합니다.
중성자 - 추정된 적분 특성에서 발견된 균형 곡선의 일반적인 보기는 그림의 빨간색 선으로 표시됩니다. 아래에. 비교를 위해 파란색 선은 Piligrimm 에서 제공한 데이터에 따라 CU의 "공정한" 거래에 의해 구축된 균형 곡선 입니다. - 어떤 정직한 시스템이 이해가 안 가나요?
우리는 귀하가 제시한 견적(아카이브의 세 번째 열)을 Metatrader로 이동하고 노란색 선(두 번째 열)을 포지션을 여는 지표로 사용합니다. 시계열의 각 개수(현재 H4 막대의 열기)에서 위치를 열고 닫는 TS(Mathcad 환경에서 모든 것을 구현함)를 작성하고 표시기 증분 기호에 따라 방향을 선택합니다. 이것이 내가 "공정한" 거래라고 부르는 것입니다.
Piligrimm, 훈련 샘플 P 의 최적 길이, NN 입력 수 d 및 여기에 구성된 가중치 수 w 를 어떻게 비교합니까?
Neutron , 실제 적용을 위한 방법론에 대한 자세한 설명과 함께 기사 형식으로 방법을 정리하는 것이 좋을 것입니다. 이것이 "대중 사이"로 퍼지면서 표준이 될 수 있습니다. 동시에 TS 포지션을 여는 것은 다음 막대(평균 주문 수명과 동일한 간격)에서 수익성 있는 거래의 평균 크기에 대한 움직임의 예측으로 간주될 수 있으며, 그런 다음 이 기술을 보편적으로 만들 수 있습니다. 오늘날에는 차량을 평가하기 위한 그러한 지표가 분명히 부족하며, 이러한 의미에서 아이디어의 발전은 매우 일반적인 것 같습니다.
추신 또는 퍼지 등급 척도에서 오른쪽은 "진짜!", 왼쪽은 "젠장!"일 수 있습니다. :-)
나는 지원한다.
실제로 제안된 평가 방법은 일반적으로 수용되는 평가 방법의 기초로 간주할 수 있습니다.
По-сути, представленные данные служат прямым доказательством не мартингальности рынка Forex и, следовательно, возможности неслучайного заработка на нём.
Piligrimm, 훈련 샘플 P 의 최적 길이, NN 입력 수 d 및 여기에 구성된 가중치 수 w 를 어떻게 비교합니까?
정말 많은 일이 있었고, 실제로 3월부터 이 전문가 시스템에 대해 작업하고 모니터에서 하루 10-14시간을 보내고, 게다가 몇 년 동안의 경험과 성과를 사용합니다. 첫 번째 모듈인 신호 생성자를 빌드하려면 수백 개의 모델을 훈련해야 했으며 대부분은 휴지통으로 이동했고 지정된 기준을 충족하는 작은 부분만 시스템에 들어갔습니다. 한 모델의 교육은 6시간에서 30시간이 소요되었습니다. 그러나 나에게 가장 황량한 것은 구성된 모델에서 생성된 신호, 필요한 진폭 및 위상 특성을 가진 신호의 구성이었습니다. 이 프로세스를 어떻게든 자동화할 방법을 찾지 못했고 수동으로 열거해야 했습니다. , 서로 다른 모델 그룹의 수백 가지 조합을 서로 결합하여 만족스러운 변형이 발견되고(내가 신호를 "핥아"라고 부른 것) 새로운 원래 신호가 발견되거나 모델 중 하나에서 생성된 기본 신호가 다음과 같을 때까지 향상.
첫 번째 모듈은 고정되어 있으며 재교육을 제공하지 않지만 구축된 모델이 적어도 2-3년 동안 예측 가능한 미래에 안정적으로 작동해야 한다는 사실을 위해 설계되었습니다. 이를 기반으로 나는 5000개의 막대의 샘플 길이로 훈련을 위한 H4 타임프레임을 선택했으며, 그 간격은 시장이 여러 번 위상을 변경하고 속도 변화의 범위(이 간격에서는 1.16에서 1.6까지), 내 추정에 따르면, 이 경계를 넘어 앞으로 몇 년 동안 나가서는 안되며, 이는 내가 제시한 첫 번째 예에서 보듯이 모델의 안정성을 보장합니다. 훈련된 NS 및 LR 모델을 다항식으로 형식화한 후 MQL 로 전송하여 전체 첫 번째 모듈을 MQL 로 구현하여 광범위한 진폭 위상 특성에서 이퀄라이저를 사용하여 최적화할 수 있는 지표로 구현합니다. 다양한 전략을 생성하기 위해 원하는 파형. 처음부터 나는 특정 전략을 위해 고도로 전문화된 시스템이 아니라, 필요한 경우 기존 신호의 조합을 사용하여 새로운 신호를 수신할 수 있는 일종의 생성자인 개방형 시스템을 만들기 시작했습니다. 개발 전략 요구 사항에 따라 새로운 특성.
두 번째 모듈은 동적이며 Matlab에서 구현됩니다. 시장 상황을 동적으로 모니터링하고 지속적인 변화에 지속적으로 적응하며 정보에 입각한 거래 결정을 개발하도록 설계되었습니다. 첫 번째 모듈에서 제공한 정보의 다변량 분석을 기반으로 합니다. 실제로 이 모듈은 50개 신호의 입력 벡터에 대해 학습되고 추세 표시기가 생성한 이력의 참조 추세를 기반으로 지정된 비율 변동 범위에 대한 시장 추세의 반전 지점을 인식하는 인식 시스템입니다. 초기 반전에 대한 신호를 발행하기 위해 상당한 지연 없이 제로 바에서. 잘못된 결정, 간섭의 영향을 제거하기 위해 15 NS로 구성된 위원회를 도입하고 약간 다른 입력 벡터를 분석하도록 훈련된 3개의 위원회를 만들어 이 모듈을 중복으로 만들었습니다. 하나의 위원회만 사용하지만 100개의 입력으로 NS를 교육하는 것만으로는 내 컴퓨터에 충분하지 않습니다. 따라서 위에서 설명한 대로 입력 배열을 세 부분으로 분할하고 50개의 입력으로 NN을 훈련해야 했습니다. 이 입력은 프로세서와 메모리를 안구에 로드하지만 여전히 작동합니다. 따라서 NN 입력 수의 선택은 이것에 의해 결정됩니다. 이 블록은 히스토리에 대한 깊은 분석 없이 시장의 단기적인 변화를 추적하고 평가하도록 설계되었으며, 나의 경험적 발견에 따르면 훈련 샘플의 길이는 예측 또는 인식 지평선의 10배 이상이어야 합니다. 신경망은 재훈련 없이 작동합니다. 나는 또한 이 모듈을 사용하여 한 위원회의 총 재교육 시간이 15-17분인 M1 타임프레임에서 작업했지만 NN을 재교육하지 않은 예측의 정확도는 20바, 즉 20바에서 상당히 높았습니다. 앞으로 20분. 그리고 여기에서 훈련을 위한 입력 배열의 길이를 선택하게 되었습니다. 200개의 막대, 샘플의 길이를 100개의 막대로 줄이려고 시도했습니다. 테스트 샘플의 오류가 크게 증가하여 범위가 200에서 1000으로 증가했습니다. 막대는 정확도의 상당한 증가로 이어지지는 않았지만 관련된 훈련 시간과 기억력을 증가시켰습니다. 내부에서 자동으로 가중치가 형성되는 Matlab의 표준 NA 기능을 사용합니다.
Forex 시장의 예측 가능성에 관해서는 처음부터 함께 일하기 시작할 때부터 예측 가능성에 확신이 있었고 수년간의 작업과 실험을 통해 이 확신을 강화할 수 있었습니다. 그리고 이때에도 'FX시장을 예측할 수 있을까? 자신의 거래 전략을 만드는 방법은 무엇입니까?' ,
그건 그렇고, 나는이 시스템에서 구현하는 접근 방식에 대해 간단히 언급했지만 불행히도 대다수는이 기사를 진지하게 받아들이지 않고 조롱하는 의견을 남겼습니다.
당신이 제공한 마지막 차트에 대한 또 다른 질문은 빨간색과 파란색 라인의 로컬 최소값과 최대값이 서로 반대 위상에 있는 것이 이상합니다. 이것을 어떻게 설명합니까?
Forex 시장의 예측 가능성에 관해서는 처음부터 함께 일하기 시작할 때부터 예측 가능성에 대한 확신이 있었고, 수년간의 작업과 실험을 통해 이 확신을 더욱 굳건히 했습니다. 그리고 이때에도 'FX시장을 예측할 수 있을까? 자신의 거래 전략을 만드는 방법은 무엇입니까?' ,
그건 그렇고, 나는이 시스템에서 구현하는 접근 방식에 대해 간단히 언급했지만 불행히도 대다수는이 기사를 진지하게 받아들이지 않고 조롱하는 의견을 남겼습니다.
당신이 제공한 마지막 차트에 대한 또 다른 질문은 빨간색과 파란색 라인의 로컬 최소값과 최대값이 서로 반대 위상에 있는 것이 이상합니다. 이것을 어떻게 설명합니까?
글쎄, 일반적으로 그것은 분명합니다.
검토를 위해 제시한 형식으로 조립한 지표 인 Piligrimm을 사용하면 H4에서 통계적으로 시장을 이길 수 있습니다. 그리고 이것은 최소한의 위험으로. 아직도 Forex를 뒤집지 않은 이유는 무엇입니까?
제가 제시한 데이터의 불일치는 수익성 평가 방법론의 본질 때문입니다. 요점은 우리가 무한한 구현 세트 중 하나를 손에 넣을 때마다 일부 고정 프로세스(이 경우 지분 증가분의 분포)를 결정하는 통합 특성을 알고 있다는 것입니다. 일반적으로 이러한 실현은 유사하지만(성장률, 성장률 변동) 세부적으로는 개별적이고 고유합니다. 이것은 명백한 불일치를 설명합니다. 반대 위상으로 언급한 것은 항상 사고일 뿐입니다. 그것은 단계와 무엇이든 될 수 있습니다.
글쎄, 일반적으로 그것은 분명합니다.
검토를 위해 제시한 형식으로 조립한 지표인 Piligrimm을 사용하면 H4에서 통계적으로 시장을 이길 수 있습니다. 그리고 이것은 최소한의 위험으로. 아직도 Forex를 뒤집지 않은 이유는 무엇입니까?
나는 아직 아무 말도 하지 않겠지만, 이 경우 제로 바의 표시기를 다시 그리기 때문에 결과가 잘못 얻은 것 같습니다. 1 bar의 수평선에 대해 이것은 명백합니다. 제시된 데이터에 따라 거래를 에뮬레이트할 때 결정은 전체 형성 시 실제로 수신된 데이터에 따라 막대의 시작 부분에서 이루어집니다. 2막대의 수평선에 대해서는 좀 더 자세히 분석할 필요가 있다.
나는 아직 아무 말도 하지 않겠지만, 이 경우 제로 바의 표시기를 다시 그리기 때문에 결과가 잘못 얻은 것 같습니다. 1 bar의 수평선에 대해 이것은 명백합니다. 제시된 데이터에 따라 거래를 에뮬레이트할 때 결정은 전체 형성 시 실제로 수신된 데이터에 따라 막대의 시작 부분에서 이루어집니다. 2막대의 수평선에 대해서는 좀 더 자세히 분석할 필요가 있다.
순례자 작성 >>
비스톤 - 노란색에 대한 예측 빨간색 선은 각각 파란색 선보다 1 및 2바 앞서 있습니다. 계산은 제로바에서 하고, 미래를 내다보지도 않고, 과거를 다시 그리지도 않고, 제로바에서 사진에 보시는 것과 같은 형태로 이루어지며, 데모계정에서 확인했습니다(첫해가 아닌 Foresk의 남편, 저는 이것을 진지하게 받아들입니다) .
그러나 이것은 매우 중요한 포인트입니다.
Piligrimm 에게 제시된 데이터의 정확성을 다시 한 번 확인하도록 요청합시다. 다음 H4 막대(빨간색 또는 노란색 선)에 대한 예측이 수신되고 막대가 형성되는 과정이 아니라 열리기 전에 고정 되었는지 확인해야 합니다.
원료. 글을 쓰기에는 너무 이르다고 생각합니다.
제 생각에는 분포 편차를 추적하는 것도 중요합니다.
점에서 점 구름으로 구성된 직선까지의 거리. 0에서
예측 오차, 각도는 정확히 45도이고 분산
영. 실제 필요에 따라 최적의 세트를 선택할 수 있습니다.
더 작은 시그마 값과 더 큰 기울기 각도.
안녕하세요!
이 주제는 개인적으로 매우 흥미로워서 이 주제의 참가자들에게 몇 가지 질문을 하려고 합니다.
제가 뭔가 잘못 이해했다면 죄송합니다...
1. 우리는 무엇을 예측하려고 합니까? (아마도, 특정 TF에서 일정 시간 동안 형성되어야 하는 가격의 미래 가치).
단순화를 위해 tr=sl입니다. 목표는 가격이 sl보다 빠르게 tr에 도달하는 것입니다. 스프레드를 고려하면 p/l 비율은 0.5 이상이어야 합니다. 0.7 이상이면 좋습니다.
2. 특정 수준(tr)의 가격을 결정하기 위해 과거의 어떤 매개변수를 예측에 사용할 것입니까? 이 주제의 일부 페이지에서이 질문이 제기되었지만 뭔가 이해가되지 않았습니다 ...
3. 제 생각에는 시장을 예측하기 어렵고 쓸모가 없을 수 있습니다(즉, 지연된 가격의 변화(기울기)를 보여주는 빌드 회귀 등, MA와 크게 다르지 않음). 그래도 가장 중요한 것은 어떤 사람들은 자산의 증감에 대한 기대와 이 가격대에 도달하기를 바라는 욕심과 두려움을 가지고 투자하는 금액에 따라 움직인다는 점이라고 생각합니다. 내 생각에 이 사실은 예측에서 무시할 수 없습니다.
1. 우리는 무엇을 예측하려고 합니까?
2. 과거의 어떤 매개변수를 예측에 사용할 것인가... 3. 내 생각에 시장을 예측하는 것은 어려운 작업이고 아마도 쓸모가 없을 것입니다...1. 다음 막대의 가격 인상.
2. 현재 및 이전 막대의 가격 증가 값.
3. MTS를 위해 다른 것을 제안할 수 있습니까?
제 생각에는 분포 편차를 추적하는 것도 중요합니다.
점에서 점 구름으로 구성된 직선까지의 거리. 0에서
예측 오차, 각도는 정확히 45도이고 분산
영. 실제 필요에 따라 최적의 세트를 선택할 수 있습니다.
더 작은 시그마 값과 더 큰 기울기 각도.
물론 당신 말이 맞아.
제안된 방법의 가치에 대해 이야기하는 경우 선형 회귀 기울기의 탄젠트와 점 분산의 분산(균형 증가분의 정규 분포 가정)의 두 매개변수로 작동한다는 점을 강조해야 합니다. 구축된 라인. 첫 번째 매개 변수는 TS의 수익성을 특성화하고 두 번째 매개 변수는 위험을 나타냅니다. 이 두 가지 수량을 모두 보유하고 있으면 자금 재투자의 최적 비율(주어진 기간 동안 소득을 극대화한다는 의미에서)을 찾을 수 있습니다. 즉, 구름이 45도에 가까울수록 얇을수록 좋습니다.