диапазон последнего сформировавшегося бара>средний диапазон пяти последних баров* коэффицент
이 조건은 네트워크 훈련 알고리즘과 아키텍처를 결정합니다. 국회에 긍정적인 결과는 포지션의 개시로 시작하여 포지션을 반전 하라는 신호가 수신될 때 클로징으로 끝나는 호가의 예측 움직임의 일치가 될 것입니다. 음수 - 각각 - 우연이 아닙니다. 네트워크 트리밍의 결과 는 계수의 최적(관점에서) 값을 찾는 것입니다. 네트워크에는 7개의 입력이 있습니다. 첫 번째 막대에는 일정한 편향을 적용하고(네트워크의 컴퓨팅 성능을 높이고 학습 속도를 높임) 두 번째 막대에는 첫 번째 막대의 범위를 적용하고 세 번째 막대에는 두 번째 막대의 범위를 적용합니다. 다섯 번째 막대로, 일곱 번째(국회 마지막 항목)에는 영점 막대(현재)의 범위를 주어 그것과 비교하도록 하겠습니다.
우리는 가장 단순한 네트워크인 선형 퍼셉트론을 선택합니다. 학습 과정에서 그는 각 막대에 최적의 계수를 할당하고(여러분이 가지고 있는 것처럼 5개 모두에 대해 하나가 아니라 각 막대에 대해 한 개인(w0, w1...w6)) 원칙적으로 가능한 경우 NN은 거의 오류없이 구매 또는 판매를 예측합니다!
이 조건은 네트워크 훈련 알고리즘과 아키텍처를 결정합니다. NN에 대한 긍정적인 결과는 포지션의 개시로 시작하여 포지션을 반전하라는 신호가 수신될 때 마감으로 끝나는 견적의 예측된 움직임의 일치일 것입니다. 음수 - 각각 - 우연이 아닙니다. 네트워크 트리밍의 결과는 계수의 최적(관점에서) 값을 찾는 것입니다. 네트워크에는 7개의 입력이 있습니다. 첫 번째 막대에는 일정한 편향을 적용하고(네트워크의 컴퓨팅 성능을 높이고 학습 속도를 높임) 두 번째 막대에는 첫 번째 막대의 범위를 적용하고 세 번째 막대에는 두 번째 막대의 범위를 적용합니다. 다섯 번째 막대로, 일곱 번째(국회 마지막 항목)에는 영점 막대(현재)의 범위를 주어 그것과 비교하도록 하겠습니다.
우리는 가장 단순한 네트워크인 선형 퍼셉트론을 선택합니다. 학습 과정에서 그는 각 막대에 최적의 계수를 할당하고(여러분이 가지고 있는 것처럼 5개 모두에 대해 하나가 아니라 각 막대에 대해 한 개인(w0, w1...w6)) 원칙적으로 가능한 경우 NN은 거의 오류없이 구매 또는 판매를 예측합니다!
정말 고마워요, 뉴트론.
내가 올바르게 이해했다면 입력은 Wn으로 지정됩니다. 그렇다면 다음 작업은 각 입력을 코드로 설명하는 것입니다. 예를 들면 다음과 같습니다.
int w0 = постоянное смещение ( вот с этим не совсем понятно );
double w1 =High[1]-Low[1];
double w2 =High[1]-Low[2];
double w3 =High[1]-Low[3];
double w4 =High[1]-Low[4];
double w5 =High[1]-Low[5];
double w6 =High[1]-Low[0];
영구 입력이 명확하지 않은 경우는 어떻게 합니까? 입력 데이터를 사전 정규화해야 합니다. 이 절차는 필요하지 않지만 바람직합니다(네트워크가 더 빨리 학습하고 예측력을 높이는 데 도움이 됨). 이 절차의 결과로 모든 다양한 입력 신호(-무한대에서 +무한대까지)가 +/-1의 유한한 간격으로 매핑됩니다. 일정한 편향으로 NN의 첫 번째 입력에 +1을 제공합니다(확정성을 위해). 출력은 신호를 제공합니다. Out>0은 Bue를 의미하고 Out<0은 Sell을 의미합니다.
영구 입력이 명확하지 않은 경우는 어떻습니까? 입력 데이터를 사전 정규화해야 합니다. 이 절차는 필요하지 않지만 바람직합니다(네트워크가 더 빨리 학습하고 예측력을 높이는 데 도움이 됨). 이 절차의 결과로 모든 다양한 입력 신호(-무한대에서 +무한대까지)가 +/-1의 유한한 간격으로 매핑됩니다. 일정한 편향으로 NN의 첫 번째 입력에 +1을 제공합니다(확정성을 위해).
int w0 =1;// это для того, чтобы все ниже описаные входы были проработаны на истории?double w1 =High[1]-Low[1];double w2 =High[1]-Low[2];double w3 =High[1]-Low[3];double w4 =High[1]-Low[4];double w5 =High[1]-Low[5];double w6 =High[1]-Low[0];
이 설정에서 신경망의 입력은 양의 진폭 신호만 가지며 네트워크는 분석이 수행될 기반으로 가능한 모든 정보를 수신하지 않습니다. 더 나은 방법은 입력 값에 양초의 색상을 곱하는 것입니다. 양초가 상승한 경우 +1, 하락한 경우 -1입니다. 그리고 +/-1도 아니지만 증가 값 자체는 Close[i]-Open[i]입니다.
이 설정에서 신경망의 입력은 양의 진폭 신호만 가지며 네트워크는 분석이 수행될 기반으로 가능한 모든 정보를 수신하지 않습니다. 더 나은 방법은 입력 값에 양초의 색상을 곱하는 것입니다. 양초가 상승한 경우 +1, 하락한 경우 -1입니다. 그리고 +/-1도 아니지만 증가 자체의 값: Close[i]-Open[i].
물론 가능합니다!
그녀는 10개의 수업에서 당신의 규칙을 배울 것입니다.
이 알고리즘은 신경망을 생성하기 위한 간단한 예로 사용됩니다.
양초의 범위가 지난 5개 양초의 평균 범위보다 특정 계수만큼 큰 경우(양초가 상승하면 매수, 양초가 하락하면 매도)
이 알고리즘을 기반으로 입력 매개변수는 마지막 5개 막대의 평균 범위 증가 계수가 됩니다 .
사용하는 용어를 정의합니다. "촛불 레인지"란 무엇입니까? 네트워크는 예제에서 배워야 합니다. (귀하의 관점에서 볼 때) 귀하의 네트워크에 대한 긍정적이고 부정적인 예는 무엇입니까? "과잉 비율"이란 무엇입니까?
사용하는 용어를 정의합니다. "촛불 레인지"란 무엇입니까? 네트워크는 예제에서 배워야 합니다. (귀하의 관점에서 볼 때) 귀하의 네트워크에 대한 긍정적이고 부정적인 예는 무엇입니까? "과잉 비율"이란 무엇입니까?
마지막으로 형성된 막대의 범위= 높음[1]-낮음[1];
double dppb // 마지막 5개 막대의 평균 범위
for(i=1;i<5;i++){
sdppb=sdppb+(높음[1]-낮음[1])/5;
}
구매 조건
if(마지막으로 형성된 막대의 범위>마지막 5개 막대의 평균 범위*계수 && 닫기[1]>열기[1]){
시장에서 사다
}
네트워크에 대한 긍정적인 부정적인 예(아마도 거래의 결과일 수 있음)를 결정하는 것이 얼마나 쉬운지 알려주십시오.
диапазон последнего сформировавшегося бара>средний диапазон пяти последних баров* коэффицент
이 조건은 네트워크 훈련 알고리즘과 아키텍처를 결정합니다. 국회에 긍정적인 결과는 포지션의 개시로 시작하여 포지션을 반전 하라는 신호가 수신될 때 클로징으로 끝나는 호가의 예측 움직임의 일치가 될 것입니다. 음수 - 각각 - 우연이 아닙니다. 네트워크 트리밍의 결과 는 계수의 최적(관점에서) 값을 찾는 것입니다. 네트워크에는 7개의 입력이 있습니다. 첫 번째 막대에는 일정한 편향을 적용하고(네트워크의 컴퓨팅 성능을 높이고 학습 속도를 높임) 두 번째 막대에는 첫 번째 막대의 범위를 적용하고 세 번째 막대에는 두 번째 막대의 범위를 적용합니다. 다섯 번째 막대로, 일곱 번째(국회 마지막 항목)에는 영점 막대(현재)의 범위를 주어 그것과 비교하도록 하겠습니다.
우리는 가장 단순한 네트워크인 선형 퍼셉트론을 선택합니다. 학습 과정에서 그는 각 막대에 최적의 계수를 할당하고(여러분이 가지고 있는 것처럼 5개 모두에 대해 하나가 아니라 각 막대에 대해 한 개인(w0, w1...w6)) 원칙적으로 가능한 경우 NN은 거의 오류없이 구매 또는 판매를 예측합니다!
이 조건은 네트워크 훈련 알고리즘과 아키텍처를 결정합니다. NN에 대한 긍정적인 결과는 포지션의 개시로 시작하여 포지션을 반전하라는 신호가 수신될 때 마감으로 끝나는 견적의 예측된 움직임의 일치일 것입니다. 음수 - 각각 - 우연이 아닙니다. 네트워크 트리밍의 결과는 계수의 최적(관점에서) 값을 찾는 것입니다. 네트워크에는 7개의 입력이 있습니다. 첫 번째 막대에는 일정한 편향을 적용하고(네트워크의 컴퓨팅 성능을 높이고 학습 속도를 높임) 두 번째 막대에는 첫 번째 막대의 범위를 적용하고 세 번째 막대에는 두 번째 막대의 범위를 적용합니다. 다섯 번째 막대로, 일곱 번째(국회 마지막 항목)에는 영점 막대(현재)의 범위를 주어 그것과 비교하도록 하겠습니다.
우리는 가장 단순한 네트워크인 선형 퍼셉트론을 선택합니다. 학습 과정에서 그는 각 막대에 최적의 계수를 할당하고(여러분이 가지고 있는 것처럼 5개 모두에 대해 하나가 아니라 각 막대에 대해 한 개인(w0, w1...w6)) 원칙적으로 가능한 경우 NN은 거의 오류없이 구매 또는 판매를 예측합니다!
정말 고마워요, 뉴트론.
내가 올바르게 이해했다면 입력은 Wn으로 지정됩니다. 그렇다면 다음 작업은 각 입력을 코드로 설명하는 것입니다. 예를 들면 다음과 같습니다.
모든 것이 정확합니까?
모든 것이 정확합니다!
영구 입력이 명확하지 않은 경우는 어떻게 합니까? 입력 데이터를 사전 정규화해야 합니다. 이 절차는 필요하지 않지만 바람직합니다(네트워크가 더 빨리 학습하고 예측력을 높이는 데 도움이 됨). 이 절차의 결과로 모든 다양한 입력 신호(-무한대에서 +무한대까지)가 +/-1의 유한한 간격으로 매핑됩니다. 일정한 편향으로 NN의 첫 번째 입력에 +1을 제공합니다(확정성을 위해). 출력은 신호를 제공합니다. Out>0은 Bue를 의미하고 Out<0은 Sell을 의미합니다.
모든 것이 정확합니다!
영구 입력이 명확하지 않은 경우는 어떻습니까? 입력 데이터를 사전 정규화해야 합니다. 이 절차는 필요하지 않지만 바람직합니다(네트워크가 더 빨리 학습하고 예측력을 높이는 데 도움이 됨). 이 절차의 결과로 모든 다양한 입력 신호(-무한대에서 +무한대까지)가 +/-1의 유한한 간격으로 매핑됩니다. 일정한 편향으로 NN의 첫 번째 입력에 +1을 제공합니다(확정성을 위해).
모든 것이 정확합니까?
아직 정확하지 않습니다.
이 설정에서 신경망의 입력은 양의 진폭 신호만 가지며 네트워크는 분석이 수행될 기반으로 가능한 모든 정보를 수신하지 않습니다. 더 나은 방법은 입력 값에 양초의 색상을 곱하는 것입니다. 양초가 상승한 경우 +1, 하락한 경우 -1입니다. 그리고 +/-1도 아니지만 증가 값 자체는 Close[i]-Open[i]입니다.
다음과 같이 나타납니다.
w1 =( High [ 1 ] - Low [ 1 ])/Point*( Close[1]-Open[1] )/Point;
w1 =( High [2 ] - Low [2 ])/Point*( Close[2]-Open[2] )/Point;
w1 =( High [3 ] - Low [3 ])/Point*( Close[3]-Open[3] )/Point;
아직 정상화되지 않았습니다.
추신: 저는 이것을 이해하지 못했습니다. // 아래에 설명된 모든 입력이 기록에 대해 제대로 처리되었는지 확인하기 위한 것입니까?
아직 정확하지 않습니다.
이 설정에서 신경망의 입력은 양의 진폭 신호만 가지며 네트워크는 분석이 수행될 기반으로 가능한 모든 정보를 수신하지 않습니다. 더 나은 방법은 입력 값에 양초의 색상을 곱하는 것입니다. 양초가 상승한 경우 +1, 하락한 경우 -1입니다. 그리고 +/-1도 아니지만 증가 자체의 값: Close[i]-Open[i].
다음과 같이 나타납니다.
w1 =( High [ 1 ] - Low [ 1 ])/Point*( Close[1]-Open[1] )/Point;
w1 =( High [2 ] - Low [2 ])/Point*( Close[2]-Open[2] )/Point;
w1 =( High [3 ] - Low [3 ])/Point*( Close[3]-Open[3] )/Point;
아직 정상화되지 않았습니다.
추신: 저는 이것을 이해하지 못했습니다. // 아래에 설명된 모든 입력이 기록에 대해 제대로 처리되었는지 확인하기 위한 것입니까?
귀하의 예에서 세 줄 모두에 w1이 있습니다. 이것이 어떻게 되어야 합니까?
추신: 저는 이것을 이해하지 못했습니다. // 아래에 설명된 모든 입력이 기록에 대해 제대로 처리되었는지 확인하기 위한 것입니까?
나는 w0이 어떤 기능을 수행할 것인지 알아내려고 노력하고 있으며, 역사 속으로 들어가는 단계와 같다고 가정했습니다.
귀하의 예에서 세 줄 모두에 w1이 있습니다. 이것이 어떻게 되어야 합니까?
나는 w0이 어떤 기능을 수행할 것인지 알아내려고 노력하고 있으며, 역사 속으로 들어가는 단계와 같다고 가정했습니다.
w0이 어떤 기능을 수행할 것인지 이해하려면 역시 교과서부터 시작해야 하며 IMHO와 같은 횡재수로 국회에 뛰어들어서는 안 됩니다.