그것은 모두 원래 신호가 무엇인지, 파생물이 무엇인지, 결과적으로 무엇을 얻고자 하는지에 달려 있습니다.
따라서 모든 것은 당면한 작업으로 귀결됩니다.
네트워크를 사용하는 방법과 이유에 대한 생각을 법정에 제출하겠습니다.
미리 만들어진 신호를 제공하는 표시기에 대해 네트워크를 훈련할 때 네트워크가 신호의 출현에 앞서 입력(패턴)의 일부 조합을 찾고 패턴이 반복될 때 신호를 예측할 것으로 기대합니다.
그녀는 그것이 이전 것인 것을 어떻게 "알 수 있습니까?" 글쎄, 아마도 이러한 신호에 기반한 전략에서 더 많은 이익을 줄 것이기 때문일 것입니다. 물론 여기에 분명하지는 않지만 - 단지 추측일 뿐입니다.
그림을 완성하려면 패턴에 정적 구성 요소(값)와 동적 구성 요소(모멘텀 등)가 모두 포함되어야 합니다(?
그것은 위에서 이미 논의한 교사와의 훈련으로 밝혀졌습니다. 좋은 신호(최적화 후 더 나은 신호)를 제공하는 지표는 교사 역할을 합니다.
그러나 동일한 지그재그를 기반으로 신호를 제공하는 "이상적인"교사를 사용하지 않는 이유는 무엇입니까? 여기서 문제는 - 교사가 네트워크를 보지 않고 미래를 내다볼 수 있도록 허용하는 것이 가능합니까?
네트워크 자체가 생성하는 신호가 이익을 최대화하는 상태를 찾을 것이라는 기대에서 비지도 학습을 사용할 수 있습니다. 그러나 여기서 무언가를 예측하는 것은 어렵습니다. 유형, 네트워크 구성 및 입력 집합을 선택(? 선택)하면 됩니다.
입력 선택 작업을 할 때 지표가 선택 / 생성되고 어느 정도 안정적으로 신호를 형성하기에 불충분한 일부 순간(예: 통합 수준에 접근하거나 쌍 간의 상관 관계 감소)을 나타냅니다. . 네트워크가 이 모든 데이터 세트를 처리하고 결론을 도출할 수 있습니까? 즉, 네트워크가 효과적으로 작동하려면 이러한 신호에 어떤 품질이 필요합니까?
여기에서 우리는 교사와 함께 배우는 것과 교사 없이 배우는 것에 대해 이야기하고 있습니다.
그리고 Neural Indicators 애드온과 관련하여 Neuroshell 사용자(다른 프로그램에도 비슷한 프로그램이 있을 수 있습니다. 저는 잘 모르겠습니다)에게 질문이 생겼습니다.
나는 내 가정의 일부를 표현할 것입니다 (제가 틀렸다면 저를 수정하십시오).
Turboprop(예측 또는 ATP2) 또는 확률적 네트워크를 기반으로 하는 일반적인 신경 셸 네트워크를 사용하는 경우 교육은 교사와 함께 진행됩니다. 교사로서 우리는 몇 가지 지표를 취합니다. Optimal%Change 유형의 표준 신경 출력, 가격 변경, 매수/매도 플래그 또는 동일한 지그재그(토론 이후)를 기반으로 하는 것 등 . 따라서 교사의 신호는 어떤 방식으로든 입력 데이터와 일치해야 한다는 가정이 있습니다. 그렇지 않으면 다음과 같은 상황이 가능합니다. 입력은 점차 증가했다가 감소하지만 출력은 일정하게 유지됩니다. 또는 - 입력이 일정함 - 출력이 먼저 급격히 상승한 다음 감소합니다. 여기에는 많은 옵션이 있으며 입력이 많으면 모든 것이 악화됩니다. 그리고 그러한 것들은 아마도 네트워크가 혼란에 빠질 수 있다는 사실로 이어질 것입니다. 결국 동일한 입력 데이터가 다른 출력을 일으키거나 그 반대의 경우도 마찬가지입니다.
따라서 여기에서 올바른 교사를 찾는 것이 매우 어렵다는 결론이 있을 수 있습니다. 실수를 하면 좋은 입력으로도 네트워크를 망칠 위험이 있습니다.
가능한 솔루션은 감독되지 않고 전략의 목적 기능에 적응하는 신경 지표 애드온의 네트워크를 사용하는 것입니다.
그것은 모두 원래 신호가 무엇인지, 파생물이 무엇인지, 결과적으로 무엇을 얻고자 하는지에 달려 있습니다. 그러나 각 변환은 원래 신호에 추가 왜곡을 도입하여 자연스럽게 최종 결과에 부정적인 영향을 미칠 수 있기 때문에 변환이 적을수록 더 좋습니다.
LeoV писал(а) >>
"임계값 신호를 증폭"한다는 것은 무엇을 의미합니까?
원래 신호가 특정 임계값을 넘을 때 최대값을 제공하는 파생 신호에 관한 것입니다. 위의 예를 일반화합니다.
그것은 모두 원래 신호가 무엇인지, 파생물이 무엇인지, 결과적으로 무엇을 얻고자 하는지에 달려 있습니다.
따라서 모든 것은 당면한 작업으로 귀결됩니다.
네트워크를 사용하는 방법과 이유에 대한 생각을 법정에 제출하겠습니다.
관객과 관련하여.
차량에 대한 아이디어가 있어야 합니다.
그림을 완성하려면: 네트워크를 사용하여 진입 신호(또는 확인)를 받은 다음 거래를 동반하고 손절매 또는 역 신호를 수신하여 "자체적으로" 종료하는 것입니다.
여기에서 우리는 교사와 함께 배우는 것과 교사 없이 배우는 것에 대해 이야기하고 있습니다.
그리고 Neural Indicators 애드온과 관련하여 Neuroshell 사용자(다른 프로그램에도 비슷한 프로그램이 있을 수 있습니다. 저는 잘 모르겠습니다)에게 질문이 생겼습니다.
나는 내 가정의 일부를 표현할 것입니다 (제가 틀렸다면 저를 수정하십시오).
Turboprop(예측 또는 ATP2) 또는 확률적 네트워크를 기반으로 하는 일반적인 신경 셸 네트워크를 사용하는 경우 교육은 교사와 함께 진행됩니다. 교사로서 우리는 몇 가지 지표를 취합니다. Optimal%Change 유형의 표준 신경 출력, 가격 변경, 매수/매도 플래그 또는 동일한 지그재그(토론 이후)를 기반으로 하는 것 등 . 따라서 교사의 신호는 어떤 방식으로든 입력 데이터와 일치해야 한다는 가정이 있습니다. 그렇지 않으면 다음과 같은 상황이 가능합니다. 입력은 점차 증가했다가 감소하지만 출력은 일정하게 유지됩니다. 또는 - 입력이 일정함 - 출력이 먼저 급격히 상승한 다음 감소합니다. 여기에는 많은 옵션이 있으며 입력이 많으면 모든 것이 악화됩니다. 그리고 그러한 것들은 아마도 네트워크가 혼란에 빠질 수 있다는 사실로 이어질 것입니다. 결국 동일한 입력 데이터가 다른 출력을 일으키거나 그 반대의 경우도 마찬가지입니다.
따라서 여기에서 올바른 교사를 찾는 것이 매우 어렵다는 결론이 있을 수 있습니다. 실수를 하면 좋은 입력으로도 네트워크를 망칠 위험이 있습니다.
가능한 솔루션은 감독되지 않고 전략의 목적 기능에 적응하는 신경 지표 애드온의 네트워크를 사용하는 것입니다.
질문 - 이 애드온은 다른 뉴로쉘 네트워크에 비해 분명한 이점이 있습니까?
많은 이전 HIGH CLOSE LOW 값을 입력으로 제공하여 신경망을 사용하여 가능한 이동 방향을 예측할 수 있는데 왜 따옴표의 파생어를 사용하는지 이해가 되지 않습니다.
음, 깊이가 400바입니다 ;) ? H1 기간 이하에서는 OPEN 가격도 고려해야 합니다. M1에 대한 합계 400 X 4 = 1600 입력 값 HCLO: 방향을 예측하려면 60바 앞이면 충분합니다)))). 적합한 분석 프로그램과 슈퍼컴퓨터를 찾는 일만 남았습니다.
많은 이전 HIGH CLOSE LOW 값을 입력으로 제공하여 신경망을 사용하여 가능한 이동 방향을 예측할 수 있는데 왜 따옴표의 파생어를 사용하는지 이해가 되지 않습니다.
음, 깊이가 400바입니다 ;) ? H1 기간 이하에서는 OPEN 가격도 고려해야 합니다. M1 400 X 4 = 1600 입력 값에 대한 합계 HCLO: 방향을 예측하려면 60바 앞이면 충분합니다)))). 적합한 분석 프로그램과 슈퍼컴퓨터를 찾는 일만 남았습니다.
가장 중요한 것은 적합한 분석기 프로그램을 찾는 것입니다)))
물론 죄송하지만 그런 접근 방식에서 긍정적인 경험이 있었나요?
가장 중요한 것은 적합한 분석기 프로그램을 찾는 것입니다)))
물론 죄송하지만 그런 접근 방식에서 긍정적인 경험이 있었나요?
글쎄요, H4 4-5 바 앞의 경우 재훈련 없이 2-3주 안에 90-100% 확실하게 예..
왜냐하면 정상적인 프로그램을 찾는 것은 비현실적입니다. 외환 외에도 www.wasm.ru를 공부해야합니다.)
따라서 Forex가 무작위 노이즈였다면 오래 전에 나는 그것을 버렸을 것입니다.
솔직히 이해가 안감...))) 이상형 선생님은 이상형이 필요하다는건 전혀 사실이 아닙니다......
장점은 선생님이 없다는 것.....
많은 이전 HIGH CLOSE LOW 값을 입력으로 제공하여 신경망을 사용하여 가능한 이동 방향을 예측할 수 있는데 왜 따옴표의 파생어를 사용하는지 이해가 되지 않습니다.
음, 깊이가 400바입니다 ;) ? H1 기간 이하에서는 OPEN 가격도 고려해야 합니다. M1에 대한 합계 400 X 4 = 1600 입력 값 HCLO: 방향을 예측하려면 60바 앞이면 충분합니다)))). 적합한 분석 프로그램과 슈퍼컴퓨터를 찾는 일만 남았습니다.
문제는 가격이 400바의 역사에 있었던 범위를 넘어서면 가격이 어떻게 벗어나는지에 관계없이 신경망이 무엇을 해야 하는지 모르고 이 범위로 신호를 보낼 것이라는 것입니다.... ..
솔직히 말해서 안했는데...
그들이 말했듯이 올바른 질문에는 대부분의 답변이 포함되어 있습니다. 따라서 그러한 답변에서도 특정 결론을 도출 할 수 있습니다 ..))
저의 무례함을 용서하고 한 가지 추리 질문을 더 드리겠습니다.
신경망을 사용하여 현재 시장 단계를 결정할 수 있습니까?
무슨 뜻인지 설명하겠습니다.
이 경우 시장의 위상은 추세의 존재 또는 부재(아마도 플랫)를 의미합니다.
자, 선생님 이야기를 합시다. 훈련없이 네트워크를 가져 가자.
입력 매개변수 공간에서 클러스터가 발생하는 방식으로 입력을 선택해야 하는 것으로 나타났습니다(무능함을 용서하십시오).
하나는 추세, 두 번째는 플랫..(아마도 하나의 클러스터만 추세이고 나머지는 모두 추세가 아닐 수도 있습니다.).
모든 것이 다음과 같다면:
특정 클러스터에 속한 출력 신호는 어떻게 표시됩니까?
이미 입력을 선택하는 단계에서 탐색하기 위해 이러한 클러스터를 현실적으로 시각화할 수 있습니까?
이러한 네트워크를 설계할 때 어떻게든 프로세스를 체계적으로 제어할 수 있습니까? 아니면 운에 의존해야 합니까? 잘 될 것입니다. 잘 되지 않을 것입니다(물론 질문은 순진합니다)))?
감사합니다.
// 재료를 배우러 갔다
역전파에 관해서는 알고리즘에 표준오차를 사용하는 것이 잘못되었다고 덧붙이고 싶습니다.