Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 51
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Selamlar!!!! LibVMR kullanıyorum Ama eski sürümü görüyorum çünkü "Kötü Veri" hatası çöküyor. Yeni bir sürüm olduğunu anlıyorum. nereden indirebilirim??? Eğer mümkünse??
Onlara taze ve ham olarak şu bağlantıdaki BitBucket deposu aracılığıyla dağıtılır: https://bitbucket.org/jprediction/jprediction/downloads
Proje adı da libVMR'den jPrediction'a değiştirildi
Pek net değil mi? Kalıplar veya dönüşümleri için fiyatları OHLC biçiminde alıyor musunuz?
Gerçek şu ki, OHLC'yi olduğu gibi alırsak, o zaman benzer bir model, ancak karşılaştırılandan 1000 puan daha yüksek veya daha düşük, Öklid mesafesine göre tamamen farklı bir modelden daha fazla farklılık gösterecektir, ancak karşılaştırılandan 10 puan daha yüksek veya daha düşük olacaktır. . Ayrıca, fark iki büyüklük mertebesi olacak ve buna göre karşılaştırma hatası da iki mertebeden olacaktır.
Öklid ile ölçüldüğünde, tüm vektörler normalleştirildi ve ortalandı
Çözüm bulundu...
Çözüm, eğer mevcut vektöre (cari fiyatlar) spektral analiz uygularsak ve onu daha basit bileşenlere ayırırsak, o zaman basit yapıları nedeniyle bu tür bileşenler tarihte daha kolay bulunabilirdi.
Ayrıştırma için "kaz" veya "ssa" yöntemini kullandım http://www.milanor.net/blog/wp-content/uploads/2014/07/SingularSpectrumAnalysisWithRssa.pdf
Yani öz aynı kalıyor, tarihte analogları da arıyoruz ve nasıl sona erdiğine bakıyoruz, ancak analogları fiyatlar için değil, her bir spektral bileşen için arıyoruz, sonra bileşenlerin her birinin nasıl sona erdiğine bakıyoruz. tarihçe ve birleştirme - tüm tahminleri yeniden oluşturuyoruz ve olağan tahminleri alıyoruz
İlk testlere göre, her bileşeni ayrı ayrı tahmin edersek konu oldukça umut verici. Prognoz genellikle doğrudur ancak nadiren tarafsızdır.
Mevcut bileşenlerden biri siyah, bileşen mavi ile gösterilir - geçmişte siyah dikey çizgiden sonra bulunan analog zaten algoritma tarafından bilinmeyen yeni verilerdir - aslında bir tahmin - gördüğünüz gibi, oldukça etkili
Ama görebileceğiniz gibi, tahminde her zaman bir önyargı vardır ve her zaman o kadar iyi değildir, doğal olarak, analoglar arasındaki yakınlığı eski moda bir şekilde korelasyon yoluyla arıyorum, bunun en iyilerinden biri olduğunu anlıyorum. uygun olmayan yollar, bu yüzden benzerlikleri genlik, faz, frekans yoluyla arayacak bir tür algoritmayı değiştirmek istedim. Fourier hakkında konuşurken genel olarak ne demek istediğimi şimdi anladınız mı?
Dr.Tüccar
sinir ağınız nasıl? eğitimli?
Nasıl?
peki, iki vektörü karşılaştırmadan hemen önce, "ölçek" işleviyle ölçeklendirdim
ölçek(x = veri , merkez = DOĞRU, ölçek = DOĞRU )
Nasıl?
İlginç bir şekilde, 5.0 bir metin dosyası kaydetmediği ve oluşturmadığı için 6.0 sürümünü indirdim, bu nedenle eğitim sırasında neden bazı hata göstergeleri olduğu açık değil, ancak bir metin dosyasında değerler tamamen farklı ???
Temiz mi? Hayır, eğitim çok yavaş, modelin şu anda tanımladığı uygunluk 0.018, günde yüzde yüz büyüyor. Eğitim ve doğrulama verilerinin doğruluğu şimdi 0,52, çok düşük, ancak en azından siyah renkte ve yeniden eğitim olmadan.
Oo 52 zaten 50'den daha iyi, en son 0.017 olduğunu hatırladığım kadarıyla, yüzde biri tahminin doğruluğunu% 2 artırıyor), bence ağ dikkate değerse, yeniden yazmak daha iyidir SI'da, beni haberdar et, çok ilgileniyorum. ..
Model topolojisini geliştirdiği ve aynı doğrulukla birkaç nöronu dışarı attığı için uygunluk artabilir.
Koddaki yorumlardan anladığım kadarıyla bu Lua ile bir port. Ve Lua da bir bağlantı noktasıdır, çünkü orijinal zaten c++'daydı: http://nn.cs.utexas.edu?neat
Porttan port talihsiz, bir sürü gereksiz eylem, RNeat'ın yazarı C++ kodunu temel alıp mevcut R genetik paketlerini ağın evrimi için uygulasa daha iyi olurdu.