Rastgele Akış Teorisi ve FOREX - sayfa 14
Alım-satım fırsatlarını kaçırıyorsunuz:
- Ücretsiz alım-satım 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
Pekala, bence bu çok sert bir ifade. Aslında modellerin yaşam beklentisi hakkında istatistik verecek bir çalışma yok. Ayrıca, model tanıma için gereken bilgi miktarı (=gecikme süresi) hakkında veri yoktur. Bu modelleri tanıtan ve kullananlar dahi bu tür çalışmaları yapmamayı ve yayınlamamayı tercih etmektedirler. Açıktır ki, eğer strateji pozitif bir mo'ya sahipse, o zaman modelin olasılıklar eşitlenmeden önce hala tanındığına inanılmaktadır.
Ve böyle stratejiler var, yaşıyorlar. Better'a'ya bakın. Uzman Danışmanı gerçekten benim benimkinde uygulamak istediğim şeyi yapıyor - pivot noktalarını tanıyor ve dalganın başlangıcında giriyor. Ve hem yukarı hem aşağı. Burada daha önce tahmin ve tanıma var.
...
Bu nedenle, hem bellekteki hem de hesaplama döngüsü zamanındaki kaynakları net bir şekilde tahmin etmek gerekir. Ve sonra 5-10 saatlik bir yerleşim döngüsü ortaya çıkabilir. O zaman haberler ne? Sadece ve oyun günlerinde veya haftalarda kalır. :-)
Tabii ki, bu aslında bir hipotezdir ve istatistiklere değil (bu tür ifadeler için bir argüman olamaz çünkü onu çürütmek için bir örnek yeterlidir), ancak sistemsel düşüncelere, yani. denge nedenlerinden dolayı. Ancak Better'ın danışmanı da bir argüman değil - gözlem süresi kısa. Ancak, biz, parasız bağışçılar (ve aramızda birkaç milyarder var :) için iyi bir haber var: eylemlerimizin piyasayı hiçbir şekilde etkilememesi, görevi basitleştiriyor. Modelimizin balinalardan birinin modeliyle eşleşmesi dışında :)
Hesaplama hacmi sorunu bir kümenin oluşturulmasıyla yönetiliyor, hazır bir strateji üzerinde çalışacak katılımcıları işe almanın sorun olmayacağını düşünüyorum. Bir bilgisayar umarım bir filtre çekebilir.
İyi haberler var: eylemlerimizin piyasayı hiçbir şekilde etkilememesi, görevi basitleştiriyor. Modelimizin balinalardan birinin modeliyle eşleşmesi dışında :)
Hesaplama hacmi sorunu bir kümenin oluşturulmasıyla yönetiliyor, hazır bir strateji üzerinde çalışacak katılımcıları işe almanın sorun olmayacağını düşünüyorum. Bir bilgisayar umarım bir filtre çekebilir.
İlginç bir şekilde, "eylemlerimizin piyasayı hiçbir şekilde etkilememesinin" "görevi büyük ölçüde basitleştirdiğini" bilmek istiyorum. Bana tam tersi gibi geliyor. Eylemlerimiz piyasayı etkileseydi (dahası, istenen şekilde), o zaman bu sadece basitleştirmekle kalmaz, hatta onu bir görev olarak ortadan kaldırırdı. :-) Ve o zaman robotlara gerek kalmazdı.
Ve küme hakkında, beni üzdün. Kişisel katılımımın bile durumu kurtaramayacağını hissediyorum. Sonuçta, Dünya'da sadece 8 milyar insan var, muhtemelen artık bilgisayar yok. O halde 10-100 milyar filtreyi hesaplamanız gerekiyorsa bir küme nasıl oluşturulur? :-)))
İstenilen şekilde mi? Eylemlerimiz piyasayı önemli ölçüde etkilemeye başlar başlamaz piyasa kişisel olarak aleyhimize işlemeye başlayacaktır. Merkez bankaları ve istihbarat teşkilatları dahil. Soros, tek seferlik bir eylemle bir anda başarılı oldu ama dünyadaki tüm parayı kendinize transfer etmenizi sağlayan bir modele sahip olmak ister misiniz? Peki, işe yaradığını varsayalım. Ve bundan sonra bu paraya kimin ihtiyacı olacak? :)
Tamamen teknik olarak, tüm sabitler basitçe değişkenlere dönüşmeye başlayacaktır.
Bir milyar katılımcıyla, geri bildirimsiz yaklaşım artık çalışmayacak. 100 o kadar da ulaşılmaz bir sayı değil.
Калмановская фильтрация
Tanıtım
Halihazırda, önceden yapılmış sinyal tahminini (radarda hedef takibi, kontrolde otomatik kontrol sistemleri vb.) sürekli olarak düzeltmek için gelen yeni bilgilerin kullanıldığı uyarlanabilir filtreler yaygın olarak kullanılmaktadır. Kalman filtresi olarak bilinen özyinelemeli tipteki uyarlamalı filtreler özellikle ilgi çekicidir.
Bu filtreler, otomatik regülasyon ve kontrol sistemlerinde kontrol döngülerinde yaygın olarak kullanılmaktadır. Durum uzayı olarak çalışmalarını tanımlarken kullanılan bu tür özel terminolojinin kanıtladığı gibi, onların nereden geldikleri budur.
Parametre Tahmin Problemi
Büyük pratik öneme sahip istatistiksel çözümler teorisinin problemlerinden biri, aşağıdaki gibi formüle edilen durum vektörlerini ve sistemlerin parametrelerini tahmin etme problemidir. Doğrudan ölçüm için erişilemeyen X vektör parametresinin değerini tahmin etmenin gerekli olduğunu varsayalım. Bunun yerine, X'e bağlı olarak başka bir Z parametresi ölçülür. Tahminin görevi şu soruyu cevaplamaktır: Z'yi bilerek X hakkında ne söylenebilir. Genel durumda, X vektörünün optimal tahmini için prosedür, tahminin kalitesi için kabul edilen kritere bağlıdır. Örneğin, parametre tahmin problemine Bayes yaklaşımı, tahmin edilen parametrenin olasılıksal özellikleri hakkında, genellikle imkansız olan, eksiksiz bir ön bilgi gerektirir. Bu durumlarda, çok daha az ön bilgi gerektiren en küçük kareler yöntemine (LSM) başvurulur. Z gözlem vektörünün doğrusal bir model tarafından parametre tahmin vektörü X ile ilişkilendirildiği ve gözlemde tahmin edilen parametre ile ilişkili olmayan gürültü V olduğu durum için LSM uygulamasını düşünün:
burada H , gözlemlenen değerler ile tahmin edilen parametreler arasındaki ilişkiyi tanımlayan dönüşüm matrisidir.
Hatanın karesini minimize eden bir X tahmini aşağıdaki gibi yazılır:
V gürültüsünün ilişkisiz olmasına izin verin, bu durumda RV matrisi yalnızca birim matristir ve tahmin denklemi daha basit hale gelir:
filtreleme görevi
Sabit değerlere sahip parametreleri tahmin etme görevinin aksine, süzme probleminde süreçleri değerlendirmek, yani gürültü tarafından bozulan ve dolayısıyla doğrudan ölçüme erişilemeyen zamanla değişen bir sinyalin mevcut tahminlerini bulmak gerekir. Genel durumda, filtreleme algoritmalarının türü, sinyal ve gürültünün istatistiksel özelliklerine bağlıdır. Yararlı sinyalin zamanın yavaş değişen bir fonksiyonu olduğunu ve gürültünün ilişkisiz gürültü olduğunu varsayacağız. Yine sinyal ve gürültünün olasılıksal özellikleri hakkında ön bilgi eksikliğinden dolayı en küçük kareler yöntemini kullanacağız.
Özünde, sinyal üretme sürecinin otoregresif bir modeline dayanan bir parametrik tahmin süreci uyguladık.
Formül 3'ün programlı olarak uygulanması kolaydır, bunun için H matrisini ve Z gözlemlerinin vektör sütununu doldurmanız gerekir. Bu tür filtrelere sonlu bellek filtreleri denir, çünkü Xnot'un mevcut tahminini elde etmek için son k gözlemi kullanırlar. Her yeni gözlem adımında, mevcut gözlem kümesine yeni bir gözlem kümesi eklenir ve eskisi atılır. Bu tahmin alma işlemine kayan pencere denir.
Büyüyen Bellek Filtreleri
Sonlu belleğe sahip filtrelerin ana dezavantajı, her yeni gözlemden sonra bellekte depolanan tüm verilerin eksiksiz bir yeniden hesaplanmasının yeniden hesaplanmasının gerekli olmasıdır. Ayrıca, tahminlerin hesaplanması ancak ilk k gözlemin sonuçları toplandıktan sonra başlatılabilir. Yani, bu filtreler uzun bir geçiş süreci süresine sahiptir. Bu eksikliğin üstesinden gelmek için sabit hafızalı bir filtreden büyüyen hafızalı bir filtreye geçmek gerekir. Böyle bir filtrede, değerlendirilecek gözlenen değerlerin sayısı, mevcut gözlemin n sayısıyla eşleşmelidir. Bu, tahmin edilen X vektörünün bileşenlerinin sayısına eşit gözlem sayısından başlayarak tahminler elde etmeyi mümkün kılar. Bu, benimsenen modelin sırasına göre belirlenir, yani Taylor serisinden kaç terimin kullanıldığı modeli. Aynı zamanda, n arttıkça, filtrenin yumuşatma özellikleri iyileşir, yani tahminlerin doğruluğu artar. Bununla birlikte, bu yaklaşımın doğrudan uygulanması, hesaplama maliyetlerinde bir artış ile ilişkilidir. Bu nedenle, büyüyen belleğe sahip filtreler, tekrarlayan filtreler olarak uygulanır.
Büyüyen bellek filtresinin önemli bir özelliği vardır. Formül 6'ya bakıldığında, nihai puan, tahmin edilen puan vektörü ile düzeltme teriminin toplamıdır. Bu düzeltme küçük n'de büyüktür ve n arttıkça azalır ve 'de sıfıra yaklaşır. Yani n büyüdükçe filtrenin yumuşatma özellikleri büyür ve içine gömülü olan model hakim olmaya başlar. Ancak gerçek sinyal, yalnızca bazı alanlarda modele karşılık gelebilir, bu nedenle tahminin doğruluğu bozulur. Bununla mücadele etmek için, bazı n'den başlayarak, düzeltme süresinin daha da azaltılmasına bir yasak getirilir. Bu, filtre bandını değiştirmeye eşdeğerdir, yani küçük n için filtre daha geniş bantlıdır (daha az atalet), büyük n için daha atalet olur.
Şekil 1 ve Şekil 2'yi karşılaştırın. İlk şekilde, filtre iyi düzgünleşirken geniş bir belleğe sahiptir, ancak dar bant nedeniyle, tahmini yörünge gerçek olanın gerisinde kalmaktadır. İkinci şekilde, filtre belleği daha küçüktür, daha kötü düzgünleşir, ancak gerçek yörüngeyi daha iyi takip eder.
Karar verelim:
2. Sıfır beklentili ve pozitif bir korelogramlı normal dağılımlı bir rastgele değişken olsun.
Seri yeterince uzunsa, üzerinde keyfi olarak uzun yönlü fiyat hareketi segmentleri tanımlayabiliriz. Böyle bir trend deterministik diyeceğiz. Deterministik bir eğilimin seçimi, dijital alçak geçiren filtreler veya bunların türevleri yardımıyla temelde mümkündür. Örneğin, farklı periyotlara sahip iki hareketli ortalamanın kesişimi, düzleştirilmiş bir zaman serisinin türevine bir yaklaşımdan başka bir şey değildir. Bunun matematiğin gerektirdiği gibi çalıştığı açıktır: türev sıfırdan büyüktür, bu da fonksiyonun büyüdüğü, daha küçükse düştüğü anlamına gelir. Burada, yalnızca birkaç kişi bunun yalnızca pozitif bir FAC'ye sahip diziler için çalıştığını ve tüm zaman dilimlerinde TÜM para birimi serilerinin negatif bir FAC'ye sahip olduğunu biliyor! Ve sonuç olarak, piyasadaki yöntem çalışmıyor veya çalışıyor, ama tesadüfen ...
Bir zaman serisi ile rastgele bir örnek oluşturan bir gözlem dizisi arasındaki temel farklar şunlardır:
• ilk olarak, rastgele bir örneğin öğelerinden farklı olarak, zaman serisinin üyeleri bağımsız değildir;
• İkinci olarak, zaman serisinin üyeleri mutlaka eşit olarak dağıtılmaz.
Kural olarak, etkisi altında zaman serilerinin değerlerinin oluştuğu 4 faktör ayırt edilir.
1. Uzun vadede, analiz edilen özelliğin değişiminde genel (uzun vadede) bir eğilim oluşturma. Genellikle, bu eğilim, genellikle monoton olan bir veya başka rastgele olmayan işlevin (argümanı zaman olan) yardımıyla tanımlanır. Bu fonksiyona trend fonksiyonu veya basitçe trend denir.
2. Analiz edilen özelliğin mevsimsel, yılın belirli zamanlarında periyodik olarak tekrar eden dalgalanmalar oluşturması. Bu fonksiyonun periyodik olması gerektiğinden ("mevsimlerin" katları olan periyotlarla), harmonikler (trigonometrik fonksiyonlar), periyodikliği bir kural olarak problemin içeriği tarafından belirlenen analitik ifadesine katılır.
3. Döngüsel (fırsatçı), ekonomik veya demografik nitelikteki uzun vadeli döngülerin (Kondratiev dalgaları, demografik "çukurlar", vb.)
4. Rastgele (düzensiz), muhasebe ve tescile uygun değil. Zaman serilerinin değerlerinin oluşumu üzerindeki etkileri, sadece serinin elemanlarının stokastik doğasını ve dolayısıyla terimleri rastgele değişkenler üzerinde yapılan gözlemler olarak yorumlama ihtiyacını belirler. Rastgele faktörlerin etkisinin sonucunu, rastgele değişkenler (“artıklar”, “hatalar”) yardımıyla belirteceğiz.
Tabii ki, herhangi bir zaman serisinin değerlerini oluşturma sürecine dört türden faktörlerin aynı anda katılması hiç de gerekli değildir. Bu tür faktörlerin belirli bir serinin değerlerinin oluşumunda yer alıp almadığına ilişkin sonuçlar, hem sorunun içerik özünün analizine hem de incelenen zaman serilerinin özel bir istatistiksel analizine dayanabilir. . Ancak, her durumda, rastgele faktörlerin vazgeçilmez katılımı varsayılmaktadır. Bu nedenle, genel anlamda, veri oluşturma modeli (faktörlerin etkisinin ek bir blok diyagramı ile) faktörlerin tümünün veya bazılarının toplamı gibi görünür.
Belirleyici olması gerekmeyen herhangi bir süreç filtreye gömülebilir. 1 filtreyi (1. Uzun süreli,....) 2. filtreyi (2. Mevsimsel,...) 3. ila (3. Döngüsel...) 4. ila (4. Rastgele ( düzensiz), olarak ayarlayabilirsiniz. ...), vb.
Alıntı akışının ve uçağın hareketinin hareket ettiği analiz ve karar vermede temel bir fark görmüyorum. Uçak dalış yapabilir, yunuslayabilir, yılan, kobra ve. ... herhangi bir zamanda herhangi bir manevra (pilotun istediği gibi). Ve roketin fırlatıldığını öğrendiğinde, inan bana, tavada bir şeytan gibi dönüyor.
Kalman filtrelerinin görevi ( tüm durumlar için bir !!! filtre değil) birkaç tanedir. 1 Belirle - manevra tipi ve başlama zamanı. 2 Mümkün olduğunca verimli bir şekilde saldırmak için uçağın bir süre sonra nerede olacağını tahmin edin (kar elde edin :-)).
Bu nedenle, 1 değil, her biri kendi modeli için yapılandırılmış birkaç filtre oluşturmak gerekir - (düz, trend, ...).
En basit seçenek 1 filtresi trend üzerinde, diğeri düz üzerinde çalışır. Kalman filtre algoritması, filtrelerden hangisinin artık daha iyi olduğunu belirlemenizi sağlayan bir prosedüre sahiptir.
Umarım bir daire üzerinde mükemmel çalışan ve bir trend üzerinde birleşen ve bir trend iyi çalıştığında, ancak düz olduğunda değil, bunun tersi olan sistemler olduğunu iddia etmezsiniz. Böylece Kalman filtresi size ne zaman geçiş yapmanız gerektiğini söyleyebilir.
PS Yine de bir Kalman filtresi oluşturmaya, çeşitli hareket modelleri oluşturmaya ve bunlara dayalı olarak TS'yi uygulamaya çalışacağım. Kalman filtresinin standart göstergelerde bulunmayan benzersiz bir özelliği vardır, tahmin edebilir + diyelim ki 3 daire, trend, boşluk, . Bazı alanlarda bu filtrelerin hiçbiri çalışmıyor, bu alanı analiz edip 4. filtreyi yapıyorum vb. -100'den +100'e (algılayıcı) aptal bir numaralandırma değil, sistemin anlamlı bir eğitimi.Özel'e
Umarım emperyalistlerin akbabalarına cevap olarak stratejik bir savunma ve alıntı önleme girişimi yaratmıyorsunuzdur ? :hakkında)))
PS Yine de bir Kalman filtresi oluşturmaya, çeşitli hareket modelleri oluşturmaya ve bunlara dayalı olarak TS'yi uygulamaya çalışacağım. Kalman filtresinin standart göstergelerde bulunmayan benzersiz bir özelliği vardır, tahmin edebilir + diyelim ki 3 daire, trend, boşluk, . Bazı alanlarda bu filtrelerin hiçbiri çalışmıyor, bu alanı analiz edip 4. filtreyi yapıyorum vb. -100'den +100'e (algılayıcı) aptal bir numaralandırma değil, sistemin anlamlı bir eğitimi.
Tavsiye ederim: çok sert sallamayın çünkü kolunuzu yerinden oynatabilirsiniz. Bir düz veya trend için başlamak için yalnızca bir filtre oluşturun. Bunu yaparken Forex hakkında bir çok şeyi anlayacaksınız, ilerlemeniz daha kolay olacak. Aşağıdakileri anlamak özellikle önemlidir: hiçbir gerçek tüccar herhangi bir durumdan kâr elde etmek istemez. Herkes kendisi için çok sınırlı bir liste bulur ve yalnızca bu belirli kalıplar üzerinde çalışır.
Çok nadiren olmayan, örneğin günde bir kez, yalnızca bir karlı durumu istatistiksel olarak ayırt edecek bir filtre oluşturmayı başarırsanız, bu, buradaki herkesin hayalini kurduğu bir berekettir.
Prival, konu ilginç, makalelerinizi okudum - sağlam düşünceler (bence kartezyen koordinat sisteminde yörüngeyi modellemek ve filtrelemek daha iyi olsa da, bu alakalı değil). Ancak, hava hedefinin Doppler yörüngesinin AFK'si ile fiyat hareketinin bazı görsel benzerliği bana tesadüfi ve dikkate değer değil gibi görünüyor. süreçlerin doğası tamamen farklıdır. Ne yazık ki, bir uçağın dinamik özellikleri ve tırnak işaretleri arasında çok az ortak nokta vardır. Burada olduğu gibi, bazı dallarda fiyat hareketi bir uçağın değil, bir sineğin uçuş yolu ile karşılaştırıldı. Ancak bir sinek bile, örneğin hepas yapamaz.
Aynı zamanda, bir sinyal olarak fiyatın doğrusal bir regresyonunu seçersek , o zaman bir yılda birkaç yüz pip "yakalayabilirsiniz", hatta belki de sıfır - lineer regresyon katsayısı sıfıra eşit olursa. Aynı şey stokastik rezonans için de söylenebilir - belki de daha büyük genliğe sahip yüksek frekanslı bir trend nedeniyle yavaş bir trend seçeceğiz, ama bundan ne kazanacağız?! Aynı zamanda, bazen birkaç rakam için fiyat hareketleri sadece birkaç gün içinde gerçekleşir. Ve hemen hemen her çiftte bir yıl içinde bu tür onlarca hareket olabilir. Ve küçük çizelgelerde - yılda yüzlerce, yarım rakam ve binlerce - 20 puan için. Öyleyse soru şu: Bir sinyale mi yoksa gürültüye mi ihtiyacımız var?
Periyodik olarak, bence fiyatı sinyal ve gürültüye bölmenin bir anlamı olmadığı tezimi forumda tekrarlıyorum. Bu, oldukça karmaşık doğrusal olmayan dinamik bir sistemde durağan olmayan bir süreci tanımlayan bir zaman serisidir. Bu, milyonlarca birincil parametrenin genelleştirilmiş bir indeksi olarak gözlemlediğimiz bir skalerdir. Bileşenlere bölmek gerekli değildir - yoktur. Bu nedenle, geleneksel filtreleme yöntemlerinin kullanımı (hepsi bu forumda farklı zamanlarda tartışılmış gibi görünüyor) görev için yeterli değil.
Uygun yöntemler var mı? Orada. Şampiyonanın arifesinde klot ve diğer forum katılımcılarının önerisiyle yapay zeka ile ilgilenmeye başladım. Terim ne yazık ki yıprandı ve buradaki sitedeki bazı yayınlar bile benim gözümde değerini düşürdü, bu yüzden "yeni moda" teorisini uzun süre reddettim. Ancak - hayır, reklam karşıtı da reklamdır, bir aşamada Perceptron'un propagandası da konuya dikkat çekmede olumlu bir rol oynadı. Ama literatürü okuduktan sonra, ne kadar sözde olduğunu gördüm. "zayıf yapay zeka", örneğin otuz yıl önce, onu ilk duyduğumda olduğundan daha ileride. Daha doğrusu onun ne kadar gerisinde kaldığımı.
Şampiyona için, aşırı eğitimli ve aptal olduğu ortaya çıkan basit bir eğitimli ızgara koydum, ancak diğer uzmanların örnekleri ve hepsinden önemlisi mevcut lider Better'a, çalışmanın mantıklı olduğu yönün bu olduğunu gösteriyor. .
Prival, sizi Planınızdan çıkarmak istemiyorum, ancak profesyonel faaliyetleriniz için AI'da birçok yararlı şey bulabileceğinize ve daha hızlı karlı bir araç oluşturabileceğinize inanıyorum.
Tanrım, sana bir öğüt vereyim. Bana bir TS inşa etmek için başka yollar sunuyorsunuz (burada yapay zeka, sinir ağları örnekleri vererek, ama benim bakış açımdan, onları tam olarak anlamıyorsunuz). Ya Forex'e yeni girdiğimi düşünüyorsunuz (asgari spreadin 10-15 puan olduğu ve mutluluk gibi göründüğü zamanları hatırlasam da) ya da AI, sinir ağları ve bacakların oradan nereden büyüdüğü hakkında hiçbir fikrim yok :-) .
Şimdi, her zaman olduğu gibi, ne yapmak istediğimi ve “basit eğitimli bir ızgara” oluşturursanız ne yapacağınızı anlamanıza yardımcı olmaya çalışacağım.
Daha iyi anlamanız için linkler vereceğim, orada yazılanları bir kez daha okuyacağım ve aşağıda yazacaklarımla karşılaştıracağım (maalesef klot'a'nın açıklamalarını bulamadım, belki orada da bahsederler).
Karlı bir ticaret stratejisi nasıl bulunur ( 'Karlı bir ticaret stratejisi nasıl bulunur' )
Özel Otomatik Ticaret ( 'Özel Otomatik Ticaret' )
İşte bir alıntı : “Nesneleri iki sınıfa ayırırsak: açık uzun pozisyonlar ve kısa pozisyonlar ve teknik analiz göstergelerinin veya osilatörlerinin değerlerini işaret olarak alırsak, o zaman sadece düzlemin denklemini bulmak ve denemek için kalır. tanımlamak için kullanmaktır. Sorun ifadesi açıktır.
Bu, en saf haliyle bir tanıma teorisidir ve ordu onu mükemmel ve uzun süredir kullanıyor (sınıf örnekleri (“dost - düşman”, (savaşçı - nakliyeci vb.)). Ancak görev daha zor 4. sınıftan (BMP - BTR - BMP düzeni - zırhlı personel taşıyıcı düzeni), burada tek bir düz çizgi ile geçmeye çalışın :-), yardımı ile her şeyi 4 sınıfa ayırın.
Sinir ağları, kötü şöhretli AI sadece bu teoriden ortaya çıktı, sadece insanlar doğal olarak tembeldir ve tekrar bir sistem oluşturmak isterler " MT4 ticaret platformunu kullanarak başarılı ve rahat bir şekilde ticaret yapmak ve kendinize çok fazla yük getirmemek ne kadar gerçekçi olabilir? , aynı zamanda titiz bir piyasa analizi ile mi?" Bir bilgisayara çok sayıda sınıfı ve özelliği tanımayı öğretmek çok zordur, bu yüzden Sinir Ağları (NN'ler) oluşturulmuştur. Ulusal Meclis bir miktar başarı elde etti ama bu her derde deva değil, orada İSTİHBARAT yok. Bu görevlerdeki ana şey ve en önemli şey, sınıflara bölünme ve bu sınıfları tanımak için özelliklerin seçimidir.
Bu materyali okuduktan sonra, ya yazarların kendilerinin ne yaptıklarını anlamadıkları ya da çok iyi bilerek bizi yanlış yönlendirdikleri izlenimini edindim. İşte ana kodun bir örnek parçası.
İşaret olarak (Hızlanma/Yavaşlamanın teknik göstergesi (Hızlanma/Yavaşlama, AC)) kullanarak "dost mu düşman mı" belirleyen bir muharebe algoritması oluştursaydım, duvara asmak (hesabına alsam bile) yetmeyecektir. bu nesnenin ivmesi 7, 14 ve 21 dakika önce). Özü değiştirmez. Ve dikkat edin, ben sadece sınıflara ayırma görevinden bahsediyorum ve bunlar bölündükten sonra ne yapacağımı söylemiyorum. Yukarıdaki materyalin yazarları her şeyi bir araya getirir (hemen satın alın veya savaşa satış yapın).
Şimdi bu başlıkta paylaştığım malzemeye geri dönmek ve aracın nasıl görünmesi gerektiğini (doğal olarak benim açımdan) göstermek istiyorum.
1. İşte bir resim, bir düşünün, belki size oluşturulan "ızgaraları" nasıl geliştireceğinizi söyler. Bu resimdeki bir Waldow dedektörüdür (evet-hayır-mantığını bilmiyorum, bundan birkaç sayfa önce bahsetmiştim).
2. Tanıma belirtilerini açıkça tanımlayın (Kalman filtresine koyduğum “davranış” modellerini onlar gibi kullanmak istiyorum.). Ne döşeyeceğinizi bilmiyorum, en azından bir koşulu gözlemlemeye çalışın: işaretler ilişkilendirilmemelidir (güçlü bir şekilde ilişkili).
3. Alıntıların giriş akışını böleceğiniz sınıflara karar verin (diyelim ki düz bir eğilim). Ve ancak akışı fark ettikten sonra, savaşa acele edin, yani. bir düzlükte iyi çalışan bir ticaret sistemi seçin, diğeri bir trendde.
Not Yine, benim için açık olan şeyleri söyleyerek yarım gün kaybettim. Ama amacıma ulaşamadım :-(. Böyle bir araç yaratmamda bana gerçekten yardımcı olmak isteyenler olmadı. Muhtemelen bu başlığı sileceğim.
Olası bir stratejinin tasarlanması ve tartışılması aşamasında taraflar arasında olası bir anlaşma kadar yapıcı bir eleştirel yorumun değerli olduğuna inanıyorum. Bu zamandan ve emekten tasarruf sağlayabilir. Bu nedenle, tahriş için bir neden görmüyorum - aynı takımdayız ve ortak bir hedefimiz var.
Siz Prival , uçağın bir kütlesi olduğunu zaten birkaç kez fark ettiniz ve bu nedenle, her zaman, olası tüm taklaları hesaba katarak, uçağın uzaydaki hareketini tanımlayan eğri olacak şekilde zaman ölçeği bölünmesinin ayrıklığını seçebilirsiniz, pürüzsüz olacak. Bu eğriye ek rastgele gürültü uygulamak resmi değiştirmez - yörüngeyi eski haline getirebiliriz ve tahmin etme yeteneğine sahibiz. LA davranışını VR fiyat türünden ayıran temel noktanın bu olduğunu düşünüyorum. Fiyat serisinde, müdahalenin baskıladığı düzgün bir eğri yoktur - bu konuda kesin olarak konuşan değerlendirme kriterleri vardır.
Bu benim açımdan bir eleştiri ve buna henüz yapıcı bir tepki vermediniz.