Etiqueta de mercado ou boas maneiras em um campo minado - página 34
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
ao Neutron
Sergey, aqui está um gráfico do que eu tenho em Matkad. Aqui, a linha vermelha é a primeira diferença do seno de cinco membros, e a linha verde é a tentativa do neurônio de adivinhar seu comportamento na próxima etapa.
Parece estar funcionando.
Agora vou fazer as atas AUDUSD no Matcad. Oh, esqueci de mencionar que aquele era um neurônio com entradas binárias, e a figura abaixo é o mesmo neurônio com entradas reais
Agora vou fazer as atas AUDUSD no Matcad.
Espere um pouco.
Vamos apresentar os resultados de seu NS na série de modelos de uma forma mais informativa. Para os NS com entradas reais, plotaremos o valor previsto do incremento da BP levando em conta o sinal e a amplitude em abcissas, e o valor previsto - em ordenadas. Com um número suficiente de pontos experimentais, vamos terminar com o seguinte quadro:
Aqui, os pontos lilás mostram a amostra de treinamento, os pontos azuis mostram a amostra de teste, e os pontos pretos mostram a amostra de teste em um VR aleatório. Linhas retas são traçadas através das nuvens de dados usando o método dos mínimos quadrados. O ângulo de inclinação desta linha mostra a precisão da previsão (quanto mais próxima de 45 graus, mais precisa a previsão), a dispersão de pontos ao redor da linha - variação da previsão, a diferença entre o ângulo de inclinação da linha preta e a direção horizontal - significância estatística dos resultados obtidos e, ao mesmo tempo, ausência de erros de algoritmo (por exemplo, olhando para o futuro).
Para NS trabalhando com entradas binárias e usado para prever apenas o sinal do movimento esperado, podemos avaliar a precisão da previsão com apenas um parâmetro - a % de acertos exatos. Ele pode ser calculado pela seguinte fórmula:
Onde, x[i ] é o valor real do incremento, y[i] é o valor da previsão. Este procedimento deve ser usado tanto para o treinamento quanto para as amostras de teste, é melhor ter n mais de 100.
Fazendo. Por favor, esclareça sobre o método dos mínimos quadrados - eu não sei o que é ou como calculá-lo. Ah, e mais uma coisa: como você cola imagens e fórmulas da Matkad no fórum?
Primeiro os copio para um editor gráfico e depois os cultivo conforme necessário.
Sim, da mesma forma. Eu tenho uma função de captura de tela em meu editor gráfico que captura a área destacada do monitor. Você também pode clicar no gráfico e copiar a partir do menu de contexto, etc.
Aqui está a fórmula para o MOOC:
Você precisa que os comprimentos vetoriais x e y sejam os mesmos. O método permite traçar uma linha através de um conjunto de pontos de modo que a soma de todas as distâncias de cada ponto até aquela linha seja o mínimo de todas as escolhas possíveis.
Eu não estou recebendo uma nuvem como a que está em sua foto
Eu recebo este aqui:
Aqui no eixo das abcissas está a primeira diferença do seno de cinco membros, no eixo das ordenadas está a previsão da rede
Talvez seja o tipo errado de gráfico? Ele tenta conectar todos os pontos com linhas. Vou tentar outra coisa agora
Portanto, nas configurações gráficas, selecione representação de pontos em vez de representação pontilhada:
e colorir esses pontos do jeito que você quer que sejam. E exibir a grade (ajustes na janela à esquerda).
О! Mas está surgindo um ciclo de histerese!
Sergey, o treinamento e o teste não são a mesma coisa?
Meu neurônio aprende cada vez em n amostras vetoriais de dados, e prevê n+1ª amostra (do mesmo vetor de dados). A diferença entre a previsão da grade e o valor real da n+1ª amostra que eu utilizo para calcular a correção. Nestas condições, como posso traçar os gráficos para o treinamento e as amostras de teste separadamente?
O método permite traçar uma linha através de um conjunto de pontos de modo que a soma de todas as distâncias de cada ponto até aquela linha seja o mínimo possível.
Deixe-me corrigi-lo. Não "distâncias", mas "quadrados de distâncias".
E, a propósito, não só os coeficientes das linhas podem ser calculados pelo ANC.
Sergey, o treinamento e o teste não são a mesma coisa?
Meu neurônio aprende cada vez em n amostras vetoriais de dados, e prevê n+1ª amostra (do mesmo vetor de dados). A diferença entre a previsão da grade e o valor real da n+1ª amostra que eu utilizo para calcular a correção. Sob tais condições, como traçar os gráficos para o treinamento e as amostras de teste separadamente?
Não importa como os definimos, o importante é que existem amostras nas quais a NS foi treinada e que foram previstas. É assim que você ganha duas filas de pontos.
Deixe-me corrigi-lo. Não "distâncias", mas "quadrados de distâncias".
E, a propósito, não são apenas os coeficientes de linha reta que podem ser calculados usando ANC.