FR H-uçuculuk - sayfa 9
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
Karar mantığını açıklamak için bir şekilde görselleştirmem gerekiyor,
Bazen Voronov diyagramı görselleştirmeye yardımcı olur, sadece X ve Y eksenleri boyunca neyin çizileceğini anlamanız gerekir.İşte, ağda hızlıca kazmayı başardığım açıklamaları içeren bir örnek.
Çok fazla sayıda parametre olmasa bile, sistemin faz uzayı insan algısı için fazla çok boyutludur. Yaklaşım doğruysa ve seçilen tahminler faz uzayını kümelemeyi mümkün kılıyorsa, kümelerin konumu ve şekli çok karmaşık bir topolojiye sahip olabilir. Karar verme mantığını açıklamak için bir şekilde görselleştirmeniz veya sınıfları ve üyelik kriterlerini körü körüne tanıtmanız gerekir. NN bununla ve olasılıksal tahminlerle (gördüğümüz gibi) çok daha iyi başa çıkıyor.
Eğer sizi doğru anladıysam, o zaman araştırmacının "faz uzayı kümelemesi" elde etmek için NN için girdi verilerini hazırlaması gerekiyor. Bu durumda, sinir ağı, girdi parametrelerinin çok boyutlu faz uzayında (FP) ve bunların keyfi kombinasyonlarında "önemli" alanları bağımsız olarak seçecektir, bu da FP'nin hacmini ve sonuç olarak gerekli miktarı önemli ölçüde azaltacaktır. hesaplamalar. Böyle?
Ama Ulusal Meclisin "çok daha iyi yaptığı" "olasılıksal tahminler"in ne olduğunu anlamadım.
Bazen Voronov diyagramı görselleştirmeye yardımcı olur, sadece X ve Y eksenleri boyunca neyin çizileceğini anlamanız gerekir.İşte, ağda hızlıca kazmayı başardığım açıklamaları içeren bir örnek.
Bundan bahsetmiyorsam beni düzeltin. Voronov diyagramı, belirli bir diferansiyel denklem sınıfı için sınır koşullarının ayarlandığı uzay bölümünün optimal (belli bir anlamda) sınırlarını gösterir. O halde, bunun tartışılan konuyla nasıl bir ilgisi var?
Nötron
FR N-volatilitesi için gerçekten üzgünüm, ilgisi yok. Bu, NN veya daha doğrusu tanıma teorisi içindir, diyagram bazen sınıfları ve bunların nasıl parçalanacağını görsel olarak temsil etmeye yardımcı olur.
Soruyu yeni gördüm ve yardımcı olmaya çalıştım.
Eğer sizi doğru anladıysam, o zaman araştırmacının "faz uzayı kümelemesi" elde etmek için NN için girdi verilerini hazırlaması gerekiyor. Bu durumda, sinir ağı, girdi parametrelerinin çok boyutlu faz uzayında (FP) ve bunların keyfi kombinasyonlarında "önemli" alanları bağımsız olarak seçecektir, bu da FP'nin hacmini ve sonuç olarak gerekli hesaplamaların miktarını önemli ölçüde azaltacaktır. . Böyle?
Ama Ulusal Meclisin "çok daha iyi yaptığı" "olasılıksal tahminler"in ne olduğunu anlamadım.
FP kümeleme ayrı bir görevdir ve Kohonenna ağı tarafından gerçekleştirilir. Bu, öğrenme sürecinde (bir öğretmen olmadan! yani kendi kendine öğrenme) FP'nin bir kümelenmesini üreten tek katmanlı bir ağdır. Ardından, bu verilere kümenin dağılımını tanımlayan bir çekirdek işlevi takılır. Daha sonra, (anladığım kadarıyla) en basit versiyonunda eğitim bile gerektirmeyen, ancak sadece Bayes istatistiklerini kullanarak, yeni bir örneğin belirli bir kümeye ait olma olasılığını hesaplayan olasılıksal bir ağ oluşturulur. Kazanan küme çıkışta verilir. Bu sadece en basitleştirilmiş diyagramdır.
NN'nin mimarisi, girdi verilerini hazırlama yöntemi ve öğrenme algoritması, her şeyin temel aldığı üç sütundur. Gördüğünüz gibi, üç bileşenin her biri resmileştirilemez bir şey içeriyor. Anladığım kadarıyla, bu tam olarak NS'nin yaratıcısından miras aldığı şeydir ve bu da başarılı bir şekilde çalışmasına izin verir. Peki, sayılar - aktivasyon fonksiyonunun ağırlıkları ve parametreleri - bu bir uygulama olarak böyledir. Sonuçta herkesin bir kafası da var ama kimisi onunla düşünür, kimisi de yer. :-)
Teşekkürler, Yura. Mükemmel cevap!
Sakıncası yoksa, NA'nın kapsamı hakkında bir soru soracağım. Örneğin, koçlarıma - Kagi oluşumlarına döneceğim. Üreten bir ZigZag (mavi çizgi) ve bir işlem satırı (kırmızı) var.
Teoriden (Pastukhov'un tezi) kırmızı çizginin davranışının istatistiksel olarak tahmin edilebilir olduğu ve (davranışın) S=(H-volatilite-2)*H genliği ile zikzak olması muhtemel olduğu sonucu çıkar. Bu, temsili bir örnek üzerinde stratejinin ortalama istatistiksel karlılığıdır. Ne yazık ki, tahmini değer genellikle yayılmadan daha azdır. Ve bu durumda zaman serisi analizinin istatistiksel yönteminin bize verebileceği tek şey budur.
Öte yandan, sabit bir süre için geliri (gerçekleşmesi neredeyse imkansızdır) belirli bir bölme adımı H için mümkün olan maksimum olan ve örneğin gelir bölünmüş H=spread, genellikle herhangi bir BP için mümkün olan maksimum değerdir. Keşke Zig-Zag'i tahmin edebilen bir alet bulabilseydim! Ya da en azından istatistiksel yöntem (S) tarafından verilenden daha yüksek bir karlılık ile böyle bir tahminin temel olasılığını kanıtlamak için.
Bu formülasyondaki sorunun NN kullanılarak analiz için uygun olduğunu doğru anlıyor muyum?
Not Bana öyle geliyor ki, eşit uzaklıkta bir Zig-Zag (tek bir adımla) tahmin etmek en iyi seçenek. İlk olarak, H'den küçük tüm fiyat hareketlerini yok sayarız. İkinci olarak, zaman ölçeğiyle ilişkili boyuttan kurtuluruz - buna gerek yoktur, çünkü yalnızca fiyat değişikliklerinin ticaretini yaparız ve bu değişikliğin meydana geldiği zaman periyodu dahil edilmez. ilk yaklaşım olarak karlılıkta.
Keşke Zig-Zag'i tahmin edebilen bir alet bulabilseydim! Ya da en azından istatistiksel yöntem (S) tarafından verilenden daha yüksek bir karlılık ile böyle bir tahminin temel olasılığını kanıtlamak için.
Böyle bir formülasyondaki problemin NN kullanılarak analiz için uygun olduğunu doğru anlıyor muyum?
Not Bana öyle geliyor ki, eşit uzaklıkta bir Zig-Zag (tek bir adımla) tahmin etmek en iyi seçenek. İlk olarak, H'den küçük tüm fiyat hareketlerini yok sayarız. İkincisi, zaman ölçeğiyle ilişkili boyuttan kurtuluruz - buna gerek yoktur, çünkü yalnızca fiyat değişiklikleriyle işlem yaparız ve bu değişikliğin meydana geldiği süre dahil değildir. ilk yaklaşım olarak karlılıkta.
Teorik olarak, elbette, uygundur. Ama pratikte...
Çevrimiçi olarak okuduğum az şey, yeni başlayanlar için tavsiyelerle dolu: Fiyat hareketini tahmin etmek etkisiz. Ve gerçekten de, ağın aniden fiyatın gelecekte nasıl hareket edeceğini öğrendiğini düşünürseniz. Sırf içine bir sürü nöron doldurduğumuz ve bir sürü veri beslediğimiz için mi? Bu konuda ben rasyonalistim. Bu bilgi havadan alınmaz ve kendiliğinden doğmaz. Sonuçta üç balina hakkında boşuna yazmadım. Ve bu balinaların yanı sıra geldikleri kaynak daha da önemlidir - yazarın Niyeti. Bu fikirde, hangi verilerin ve hangi biçimde piyasa hakkında önemli bilgiler içerebileceği, bunların ağda nasıl işlenmeleri gerektiği, halihazırda çekmenin mümkün olduğu diğer sayıları elde etmek için bir fikir olması gerektiğidir. bir karar vermek için anlamlı bir sonuç ve son olarak ağın bu sayıları bulması için nasıl eğitileceği.
Bu bakış açısından, IMHO, bu formülasyondaki görev, ağ için uygun olmasına rağmen karmaşık ve tavizsizdir. Hem keneler hem de üzerlerine inşa edilen zikzak çok benzer dağılımlara sahiptir ve bir zikzak tahmin etmek, fiyatı tahmin etmek kadar kolaydır.
Bana öyle geliyor ki ZigZag bir ağ girişi olarak kullanmak gerçekten ilginç, ancak fiyat kalıplarını sunmanın en uygun şekli olarak. Bu aynı kalıplar, bana verdiğiniz sitenin bağlantısı çok ilginç bir seçenek olabilir. Ancak aynı zamanda, ağ fiyatı tahmin etmeyecek, ancak piyasanın durumunu belirleyecektir. Bu biraz farklı bir yaklaşım. NN için yukarı veya aşağı istatistiksel bir çıktı vermek, hareketi tahmin etmekten çok daha gerçekçi bir iştir. Ancak bu seçenek ZigZag ile de uyumludur. Yani beklentiler var, sadece görevi çözülebilecek şekilde ayarlamanız gerekiyor.
Anlaşılır açıklamalar için teşekkürler Yura - şimdi kafam biraz daha net.
Bu arada, işlem satırının FD'sinin (önceki şekilde kırmızı) normal bir dağılıma sahip olduğundan o kadar emindim ki, bu anı çalışmak istemedim bile. Bunu gördüğümde şaşkınlığım ne oldu:
Katılıyorum, beklenmedik bir sonuç ... bu konunun ilk mesajındaki resimle karşılaştırın. Zig-Zag'ın kenarları için bir FR var.
Evet, ilginç bir resim. Doğru anladıysam, bu H=10 parametreli bir kagi bölümü içindir? Ancak ilk gönderideki resimle belirli bir bağlantı hala izlenebilir.
Bu arada aklıma bir fikir geldi. ZigZag tahmini için NN kullanma olasılıkları konusunda haklı olduğunuzu düşünüyorum. Sadece kagi değil, bir renko oluşumu olmalı. Bu durumda, ZigZag kalıplarının az çok net bir şekilde biçimlendirilmesi gerçekten mümkündür ve sonuç olarak, bu kalıpların uzayının kümelenmesi ve bu tahminin güvenilirliğinin istatistiksel bir değerlendirmesiyle birlikte segmentin boyutunun tahmin edilmesi mümkündür. Bu fikri değerlendirmenizle ilgileniyorum. Ana şey, kagi ve renko arasındaki farktır. Renko için, kalıpların nasıl resmileştirilebileceği ve dolayısıyla bunların birbirleriyle nasıl karşılaştırılacağı ve yakınlıklarının nasıl değerlendirileceği konusunda net bir fikrim var. Kaga için resim çok bulanık ve bu nedenle aynı prosedür çalışmayabilir.
Öte yandan, kagi için doğru olanın Renko için de geçerli olacağını a priori biliyorum. Ama tam tersinden emin değilim. Bunun tersi de doğruysa, o zaman Renko'ya olan eğilimim bir yanılsamadır ve NA, hem Renko hem de Kagi olmak üzere herhangi bir ZigZag'ın segment boyutunu tahmin etmek için kullanılabilir.
Sen ne diyorsun ?
Bir yandan, Kagi yapıları, VR ekstremumunun konumunu bir noktaya kadar doğrulukla belirler (Renko - H bölme adımına kadar). Öte yandan, böyle bir doğruluğa ihtiyacımız olup olmadığı açık değil mi? Bu anlamda, H'nin fiyat skalasındaki eşit mesafeli hareketi nedeniyle Renko daha çekici görünüyor. Kısacası, soru çalışma gerektirir.
Zig-Zag tahmini görevinin resmileştirilmesine gelince, bunu mevcut ekstremum t=0 oluşumunun son noktasından uç noktasına U (kırmızı vektör) fiyat hareketinin olası genliğinin bir tahmini olarak görüyorum. beklenen ekstremum t=1 (bkz. Şekil ).
Bu durumda, tahmin etmemiz gereken tek şey U vektörünün hareketinin genliğidir, çünkü yönü önceden belirlenmiş! - H vektörünün yönü ile örtüşür (yeşil düz ok). U vektörünün almasına izin verilen aralık, 0 noktadan sonsuza kadardır (sağdaki şekle bakın). U vektörünün aldığı genliğin en olası değeri 2 puandır ve FD için ortalama değer H'den biraz daha azdır. Bu arada, olası değer yayılmadan büyük olsaydı, o zaman pozitiften bahsedebilirdik. stratejinin karlılığı. Bu benim, örneğin, VR'nin arbitrajını analiz etmek için FR'nin olası kullanımı hakkında.
Elbette, Millet Meclisi'nin çıktısına bir Zig-Zag göndermeniz gerekiyor, ama girdiye ne sunacaksınız ... ayrıca bir adım kaydırılan bir Zig-Zag? Ama bu durumun tahlili için Millet Meclisine gerek yok! Bence amacımız yeni ortaya çıkan arbitrajı erken tespit etmek (şekle bakınız). Bunu yapmak için, işlem satırının işaret değişikliğini zaten analiz etmek gerekir. Burada tek sıkıntı, genellikle 1-2'den 3'ten daha az bükülmeden oluşması ve tanımlama anında piyasanın etkin hale gelmesidir. Belki de arbitrajın ortaya çıkışının dolaylı işaretleri vardır, o zaman erken tespit, sınıflandırma ve sürekli modernizasyon görevi Ulusal Meclis için tam olarak doğru.
Sen ne diyorsun?
İnternette okudum:
Что лучше, статистические методы или нейронные сети ? Лучшим ответом на этот сугубо практический для прикладника вопрос является “ It depends ”. По-русски это означает “ Все зависит от ситуации ”.
Çıkarılabilecek ana pratik sonuç, zaten bir aforizma haline gelen bir ifadeye geliyor: "Her şey başarısız olursa, sinir ağlarını deneyin."