Etiqueta de mercado ou boas maneiras em um campo minado - página 79
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
A propósito, veja que imagem característica eu tenho da distribuição da primeira série de diferenças sobre uma série de transações, se você fizer uma divisão vertical dos minutos com um spread (3 pontos):
Você constrói a função de distribuição, ela representa as características de forma mais clara. O que você trouxe à tona é uma visão do RF de cima e uma resolução de escala de tempo. Interessante, é claro, mas não tão ilustrativo.
Agora é pouco mais de 2(2.153), depois fica mais perto de 2, depois mais longe, dependendo do H, mas sempre um pouco mais de 2
A natureza do mercado deve ter sido a tendência. Em grandes trechos, a valorização tende a ser <2.
Você constrói uma função de distribuição, ela representa mais claramente as características. O que você trouxe à tona é uma visão do RF de cima e uma resolução de escala de tempo. Interessante, é claro, mas não tão ilustrativo.
Agora é pouco mais de 2(2.153), depois fica mais perto de 2, depois mais longe, dependendo do H, mas sempre um pouco mais de 2
A natureza do mercado deve ter sido a tendência. Em grandes trechos, a estimativa é geralmente <2.
Vou construí-la hoje. Eu tenho um período realmente pequeno de pouco mais de um mês (20 000 min) e meu CD não permite baixar um histórico mais longo de minas.
Tive uma idéia ontem à noite e gostaria de expressá-la aqui. Aplica-se a TODOS, senhores.
Vamos chamá-lo SOI (para que ninguém adivinhe -:) )
Portanto, para uma análise de dados adequada, precisamos de um bom (estatisticamente suficiente e sem lacunas) histórico de carrapatos, que não temos por razões óbvias.
A essência da idéia é como criá-la com o mínimo esforço e o maior benefício para qualquer comerciante. A solução é simples - alugue servidores dedicados (2, ou melhor 3) e instale coletores de tick nesses servidores... em qualquer ferramenta e empresa de corretagem. E não apenas isso (mais sobre isso mais tarde). Uma pessoa este empreendimento será muito caro, mas a idéia é apenas como fazê-lo não é grátis, mas barato, confiável e prático.
Vamos fazer as contas:
****************************** *************************
1. alugar um servidor virtual dedicado com espaço suficiente hoje custa cerca de 100 libras por mês (você precisa de 2 servidores independentes) ... 200 dólares/mês.
2. Seria necessário um bom codificador para ficar de olho em tudo isso e remendar a história de forma competente.
O codificador deve, naturalmente, receber algum dinheiro por este trabalho. O trabalho diário não será muito, portanto 200 libras por mês (no entanto, este não é o limite do que o codificador pode ganhar no projeto).
Ou seja, na verdade, todos os custos básicos! 400 libras por mês.
Você também precisará de um recurso on-line unificado, que deve ser colocado:
a) Um mercado para vender a história da teca.
b) Um mercado para venda de EAs, onde você pode assistir o trabalho atual de qualquer um dos EAs propostos na demonstração, GRATUITAMENTE.
c) Um fórum onde as críticas construtivas à CD são aceitáveis.
***************************** REVENUE **************************
1. Pagamento por download do histórico de ticks - 1 mês de ticks para qualquer instrumento de qualquer empresa de corretagem - 1WMZ (o pagamento é conveniente via WebMoney)
2. Taxa de hospedagem de conselheiros em um servidor remoto (trabalhar de verdade) - 20WMZ por semana (se o conselheiro não ganhar tanto, simplesmente jogue fora)
3. Taxa de hospedagem do consultor de demonstrações - 5WMZ por semana
4. Interesse de assessores, que foram vendidos através da plataforma (não posso dizer o número exato)
******************************************************************************************
Em geral, o projeto parece bastante lucrativo e útil. A MetaQuotes provavelmente também estará interessada, porque a SOI fará um bom RP para seu produto - MT5.
Em uma palavra - todos ganham, exceto os CDs. Embora as empresas de corretagem honestas não tenham nada a temer.
Para o início de qualquer concessão, precisamos de acionistas. Pessoalmente estou pronto para compartilhar dinheiro no valor de 100WMZ. Quem mais ...?
1. Colecciono carrapatos para minhas próprias necessidades. O suficiente é suficiente.
2. Como projeto comercial, este projeto é inferior, em minha opinião, a outro projeto sob a marca "Forex".
3 Se você precisar de carrapatos apenas para análise, você precisa mostrar primeiro a viabilidade do projeto. Mostrar a renda real em carrapatos e provar sua superioridade em relação a outras formas de representar as séries de preços. É evidente que as referências às autoridades não são válidas.
E o último. Todos negociam na história de sua empresa de corretagem com seu próprio filtro de cotações único. Para esta empresa de corretagem em particular, a NS é treinada. Consequentemente, não estamos falando da universalidade do projeto proposto! Quem se interessará por ela, exceto você? Mais 1 ou 2 pessoas...
Pergunta ao Neutron e ao paralocus. Eu entendo que o Neutron treina sua grade por um método RPROP modificado, enquanto o paralocus treina sua grade por um método BPROP modificado. No método RPROP clássico, as etapas de peso são calculadas multiplicando os gradientes do erro de treinamento ao quadrado (dE^2/dw = -delta*Neuron_Input) pela taxa de aprendizagem. Este método pode ser aplicado localmente, ao passar de um conjunto de treinamento para outro, ou epocalmente, acumulando gradientes de erro para todos os conjuntos de treinamento e, em seguida, calculando as etapas de ponderação. Sua modificação é que as etapas de peso são adicionalmente multiplicadas por (1-L/N)*dw/sqrt(dwNorm). O nêutron só aceita sinais incrementais de dw, como no RPROP. Tentei quase todos os tipos de métodos RPROP (BPROP, RPROP, IRPROP+/-, SARPROP, GRPROP) e obtive resultados bastante sombrios. Quando os pesos são inicializados com alguns números aleatórios (digamos, na faixa de -0,5...0,5), o erro de aprendizagem inicial é muito alto e os métodos de aprendizagem o reduzem com sucesso. Aqui não há nenhum problema. Mas se os pesos são inicializados com valores zero ou valores aleatórios muito pequenos (por exemplo -0,05...0,05), então o erro de aprendizado inicial é pequeno e igual ao erro de aprendizado final quando os pesos são inicializados com números aleatórios "grandes". Então para que serve treinar a rede se sabemos que os pesos zero nos dão um erro próximo ao erro final de aprendizagem quando os pesos iniciais são aleatórios? Aqui está um gráfico de erro de treinamento com o método ORO modificado como paralocus (a julgar por posts anteriores, o Neutron usou o mesmo método no início)
Todos os métodos de treinamento que mencionei mostram aproximadamente o mesmo comportamento: uma agradável e inspiradora redução do erro de aprendizagem de época para época, com pesos iniciais aleatórios (pode-se escrever um trabalho ou uma dissertação). Com zero peso inicial, o erro já é pequeno o suficiente para que a rede não o melhore em nada. Aqui está o exemplo do treinamento do IRPROP+ com os mesmos dados de entrada
Pode ser, tal comportamento de erro de treinamento é específico para minha rede (duas camadas, 12 entradas, 5 neurônios escondidos, 1 saída, 120 conjuntos de treinamento) ou para dados de entrada (incrementos de preços relativos com diferentes atrasos). Eu gostaria de ver como suas redes aprendem com pesos iniciais aleatórios e zero. Se você não se importa, mostre-me gráficos de erro de aprendizagem NÃO-NORMED em função da época para estes dois casos.
Aqui eu estava pensando um pouco no meu resultado e cheguei à conclusão de que se os pesos da rede tendem a zero no processo de aprendizagem ou, em outras palavras, zero pesos iniciais estão próximos do estado treinado da rede, então a rede tenta descrever entradas e saídas muito fracamente correlacionadas, ou seja, mercado aleatório no qual a previsão é impossível. Eu "inventei" tal teorema
Talvez este comportamento de erro de aprendizagem seja específico à minha rede (duas camadas, 12 entradas, 5 neurônios escondidos, 1 saída, 120 conjuntos de treinamento), ou aos dados de entrada (incrementos de preços relativos com diferentes atrasos). Eu gostaria de ver como suas redes aprendem com pesos iniciais aleatórios e zero.
Este é o aspecto do processo de redução de erros de aprendizagem de um bileiro NS, dependendo do número de época:
A rede tem 5 entradas, 4 neurônios na camada oculta, e um neurônio na saída. EURUSD1h preços abertos normalizados para seu desvio padrão foram utilizados como vetor de treinamento. Na Fig. os círculos mostram o erro de treinamento encontrado como um desvio padrão em média em 50 experimentos numéricos sem normalização do erro em relação ao comprimento do vetor de entrada. As linhas finas mostram a dispersão estatística no nível 1/e. Azul mostra a implementação deste processo para a randomização inicial de pesos na faixa 0. Vermelho mostra a faixa +/-1 com uma distribuição em forma de faixa.
Observa-se que a NS aprende muito melhor se a inicialização inicial dos pesos por valores aleatórios for realizada, em comparação com a inicialização a partir de zero. Além disso, o aumento do alcance da randomização inicial dos pesos leva, em geral, a reduzir o erro final de aprendizagem. No entanto, isto implica um aumento do número de épocas necessárias (o gráfico, como um todo, sobe).
É assim que se parece o processo de redução de erros de aprendizagem do bileer NS, dependendo do número de época:
A rede tem 5 entradas, 4 neurônios na camada oculta, e um neurônio na saída. EURUSD1h preços abertos normalizados ao seu desvio padrão foram utilizados como vetor de treinamento. Na Fig. os círculos mostram o erro de treinamento encontrado como um desvio padrão em média em 50 experimentos numéricos sem normalização do erro em relação ao comprimento do vetor de entrada. As linhas finas mostram a dispersão estatística no nível 1/e. Azul mostra a implementação deste processo para a randomização inicial de pesos na faixa 0. Vermelho mostra a faixa +/-1 com uma distribuição em forma de faixa.
Observa-se que a NS aprende muito melhor se a inicialização inicial dos pesos por valores aleatórios for realizada, em comparação com a inicialização a partir de zero. Além disso, o aumento do alcance da randomização inicial dos pesos leva, em geral, a reduzir o erro final de aprendizagem. Entretanto, isto implica um aumento do número de épocas necessárias (o gráfico como um todo sobe).
Obrigado. Por que a dispersão estatística é desenhada perto dos círculos azuis? Se os pesos começam com valores zero, então não deve haver nenhuma dispersão estatística.
Uma pergunta a mais. Se você usou EURUSD1h preços de abertura normalizados por seu desvio padrão, então sua média não é zero. Ou você já subtraiu a média?