FR H-uçuculuk - sayfa 10
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
Özellikle erken bir aşamada arbitraj görünümünü nasıl yakalayacağımı bilmiyorum.
N sondan bir önceki 33 segment ağ girişine ve sonuncusu çıkışa beslenmelidir. Bu, bir geri yayılım ağı kullanıyorsanız geçerlidir. Ardından, uygun bir ağ konfigürasyonu, uygun bir aktivasyon fonksiyonu seçimi ve başarılı eğitim ile, sadece son N segment girildiğinde, ağ bu N segmenti ve bir sonrakini (yani yaklaşan) da geri yükleyecektir. Yönü konusunda daha akıllıca olacak bir şey yok - zaten açık, ancak boyut ...
Belki buradan bir şeyler çıkar.
Özellikle erken bir aşamada arbitraj görünümünü nasıl yakalayacağımı bilmiyorum.
N sondan bir önceki 33 segment ağ girişine ve sonuncusu çıkışa beslenmelidir. Bu, bir geri yayılım ağı kullanıyorsanız geçerlidir. Ardından, uygun bir ağ konfigürasyonu, uygun bir aktivasyon fonksiyonu seçimi ve başarılı eğitim ile, sadece son N segment girildiğinde, ağ bu N segmenti ve bir sonrakini (yani yaklaşan) da geri yükleyecektir. Yönü konusunda daha akıllıca olacak bir şey yok - zaten açık, ancak boyut ...
Belki buradan bir şeyler çıkar.
Ve ne tür zikzaklar sunmak daha iyidir, mutlak veya göreli ve normalleştirmeye ihtiyaç olacak mı? Bence Kohonen katmanı ve Grossberg yıldızı bunu istiyor. Gerçi haklı olmayabilirim.
... Bana göre Kohonen tabakası ve Grossberg'in yıldızı bunu istiyor.
Ve "Cesaret İçin" madalyası :-)
Vinin, " Grossberg'in yıldızı" bu nasıl bir hayvan?
Yurixx , takdirinize bağlı olarak, bu dava için Ulusal Meclis'in blok şemasını önerin. Bunun hakkında düşünmek istiyorum.
... Bana göre Kohonen tabakası ve Grossberg'in yıldızı bunu istiyor.
Ve "Cesaret İçin" madalyası :-)
Vinin, " Grossberg'in Yıldızı" bu ne tür bir hayvan?
Yurixx , kendi takdirine bağlı olarak, bu dava için Ulusal Meclis'in blok şemasını öner. Bunun hakkında düşünmek istiyorum.
Bu, her şeyin boyanmasıyla ilgili http://ann.hotmail.ru/vs03.htm
Ama kendimi tekrar edeceğim (bu artık ben olmasam da), sadece bir alıntı:
Karşı yayılım ağının eğitimi sırasında, giriş vektörleri karşılık gelen çıkış vektörleriyle ilişkilendirilir. Bu vektörler ikili veya sürekli olabilir. Eğitimden sonra ağ, giriş sinyallerine karşılık gelen çıkış sinyalleri üretir. Ağın genelleme yeteneği, girdi vektörü eksik veya bozuk olduğunda doğru çıktının elde edilmesini mümkün kılar.
Öğrenme modunda, ağ girişine bir giriş sinyali verilir ve ağ gerekli çıkış sinyalini üretecek şekilde ağırlıklar ayarlanır.
Kohonen katmanı, kazanan hepsini alır kuralına göre çalışır. Belirli bir girdi vektörü için, bu katmanın sadece bir nöronu mantıklı bir tane üretir, geri kalan her şey sıfırdır. Her Kohonen nöronunun çıkışı, giriş sinyallerinin ağırlıklı elemanlarının toplamıdır.
Grossberg katmanındaki nöronların çıktıları da Kohonen katmanındaki nöronların çıktılarının ağırlıklı toplamlarıdır. Ancak, Grossberg katmanındaki her nöron, çıktısı sıfır olmayan tek Kohonen nöronu ile bu nöronu ilişkilendiren bir ağırlık değeri üretir.
Giriş sinyallerinin ön işlenmesi aşamasında giriş vektörleri normalleştirilir.
Eğitim aşamasında, Kohonen katmanı girdi vektörlerini benzerlerinden oluşan gruplara sınıflandırır. Bu, Kohonen katmanının ağırlıklarını, yakın girdi vektörlerinin bu katmandaki aynı nöronu etkinleştirecek şekilde ayarlayarak elde edilir. Hangi nöron| Belirli bir giriş sinyalinin sunulması üzerine etkinleştirilecektir, Kohonen katmanı bir öğretmen olmadan eğitildiğinden önceden tahmin etmek zordur.
Daha sonra Grossberg katmanının görevi gerekli çıktıları elde etmektir. Grossberg katman öğrenmesi, denetimli öğrenmedir. Nöron çıkışları normal operasyondaki gibi hesaplanır. Ayrıca, her ağırlık yalnızca sıfırdan farklı bir çıktıya sahip bir Kohonen nöronuna bağlıysa ayarlanır. Ağırlık düzeltme miktarı, ağırlık ile Grossberg nöronunun istenen çıktısı arasındaki farkla orantılıdır.
Ağ çalışma modunda, bir giriş sinyali sunulur ve bir çıkış sinyali üretilir.
Karşı yayılım ağının tam modelinde, giriş sinyallerinden çıkış sinyallerini almak ve bunun tersi de mümkündür. Bu iki eylem, sinyallerin ileri ve geri yayılımına karşılık gelir.
Ve ne tür zikzaklar sunmak daha iyidir, mutlak veya göreli ve normalleştirmeye ihtiyaç olacak mı? Bence Kohonen katmanı ve Grossberg yıldızı bunu istiyor. Haklı olmama rağmen.
Yurixx , kendi takdirine bağlı olarak, bu dava için Ulusal Meclis'in blok şemasını öner. Bunun hakkında düşünmek istiyorum.
Bir diyagram sunamam. Bu düşüncenin tarihi şöyledir.
İlk başta NS'nin 2 katmandan oluşması gerektiğini düşündüm - Kohonen ve Grosberg. Tek sorun, kaga için, 3Z'nin her bir parçasının 1'den herhangi bir şey olabilmesiydi ... Diyelim ki 3Z'nin N segmentini girdi olarak beslemek ve segment boyutunu 1 ile 50 arasında sınırlamak istiyorum. Sonra Kohonen katmanında (kümelemeden önce) nöronların sayısı maksimum 50^N'ye eşittir. Çok fazla. Bu yüzden Renko'yu düşündüm. H=10'da, benzer bir 3B segmentin boyutu 1 - 5 arasında değişir. Bu sadece 5^N nörondur, bu zaten küçük N değerleri için kabul edilebilirdir. Ve 5N'den büyük tüm segmentler 5N ile kesilebilir. .
Daha sonra, Kohonen katmanı deseni tanır ve karşılık gelen nöronu ateşler. 3Z'nin son bölümü (bu N'ye dahil değildir) Grosberg katmanına beslenir. Grosberg katmanı, diyelim ki, her biri 33'ün son bölümünün boyutuna karşılık gelen, 1'den 100'e kadar olan 100 nöron içerir. Böylece. Grosberg katmanının nöronu uyarılır. Öğrenirken, uyarılmış Kohonen nöronundan uyarılmış Grosberg katman nöronuna olan bağlantının ağırlığı 1 artar. Yani bu bir karşı yayılma ağı değildir. Ama planı bu şekilde oluşturdum. :-))
Ve sonra, eğitimden sonra, girdiye bir 3Z uygularken, Grosberg katmanının bana çıktıda sadece gelecekteki 3Z segmenti için bir dağıtım işlevi göstereceğini düşündüm. Temelde amacım buydu. Ancak, 2 "ama" var.
1. Böyle bir dağıtımı çok daha hızlı ve herhangi bir NN olmadan oluşturabilirim.
2. Neredeyse iki yıllık bir dakika geçmişi yaklaşık 630.000 bar içerir. H=10 parametreli Kagi 33, bu hikayede yaklaşık 17400 segmente sahiptir. Ve Kohonen katmanındaki N=6'daki nöron sayısı 15625 olacaktır. Yani, her model için ortalama 1.1 deneysel değer olacaktır. Buradaki dağılım nedir? :-)
Bu nedenle, Renko bölünmesine geçişle ilişkili kümeleme, feci şekilde yetersizdir. FP'yi Kohonen katmanını kullanarak kümelemek veya (büyük olasılıkla) daha yapıcı fikirlere geçmek gerekir.
not
Saflık için kesinlikle yargılamayın. Ağlarla ilgili deneyimim, okunan 1.5 kitap ve tek bir uygulama değil.
En basitinden başlamanı öneririm. ZZ'yi bir tepe noktasından oluşan temel yapılara ayıralım. Kenarları ilk yüzün uzunluğuna göre normalleştiririz ve ondalık noktadan sonra önemli bir rakam tutarız, bkz. Bu durumda, "en-boy oranı" özelliğine göre (yaklaşık olarak) 50/2H*10=25 gruba bölünmüş (H=10) adımı için 17400 yapıya sahibiz. Onlar. her grupta birkaç yüz modelimiz var - zaten istatistikler.
Onu NN'ye itmek ve tahmin edilen hareketin uzunluğunun DF'sinin (yeşil vektör eksi H) sol tarafın değerine nasıl bağlı olduğunu bulmak için kalır. Ama meslektaşlarım, bu sorunu çözmek için gerçekten Millet Meclisine gerek yok. Yoksa bir şey mi kaçırıyorum?
PS Şek. sağda, bir tepe noktasında 3Z'nin kenarlarının oranının DF'si gösterilir. Bunlar EURUSD (keneler) için H=5,10,15 ve 20 puan yapılarıdır. Normalleştirme fikri sağlam görünüyor ve giriş verilerinin boyutunu önemli ölçüde azaltmanıza izin veriyor.
Onu NN'ye itmek ve tahmin edilen hareketin uzunluğunun DF'sinin (yeşil vektör eksi H) sol tarafın değerine nasıl bağlı olduğunu bulmak için kalır. Ama meslektaşlarım, bu sorunu çözmek için gerçekten Millet Meclisine gerek yok. Yoksa bir şey mi kaçırıyorum?
PS Şek. sağda, bir tepe noktasında 3Z'nin kenarlarının oranının DF'si gösterilir. Bunlar EURUSD (keneler) için H=5,10,15 ve 20 puan yapılarıdır. Normalleştirme fikri sağlam görünüyor ve giriş verilerinin boyutunu önemli ölçüde azaltmanıza izin veriyor.
Ayrıca bunun için Ulusal Meclis'e gerek olmadığını düşünüyorum. Ve normalleştirme seçeneği meşru görünüyor, hiç aklıma gelmedi.
Nötron
Ne kurduğunu anlayamıyorum. DF (dağıtım işlevi) biraz farklı görünmelidir https://en.wikipedia.org/wiki/%D0%A0%D0%B0%D1%81%D0%BF%D1%80%D0%B5%D0%B4 %D0%B5%D0%BB%D0%B5%D0%BD%D0%B8%D0%B5_%D0%B2%D0%B5%D1%80%D0%BE%D1%8F%D1%82%D0 %BD%D0%BE%D1%81%D1%82%D0%B5%D0%B9
Belki PV'dir (olasılık yoğunluğu)?. Evet ise, biraz daha ayrıntılı olarak, sağdaki grafikte ne olduğunu (X ve Y eksenlerinde ne olduğunu) tekrar yapabilirsiniz.
Özel'e
Bir dizi n hesaplama yaptık (Zig-Zag'ın sağ tarafının uzunluğu, sol tarafın uzunluk birimleriyle ifade edilir) ve bir takım x1,...,xi,...,xn değerleri elde ettik. Bu sözde örnek. Apsis ekseninde, x'in ayrı hesaplamalarında elde edilen xi değerlerini çizeceğiz. X eksenini dx eşit aralıklarına bölün ve xk+-1/2dx aralığında yer alan x değerleriyle sonuçlanan nk hesaplama sayısını sayın (burada xk, x eksenindeki aralık merkezinin koordinatıdır). Her aralıkta yüksekliği nk ve genişliği dx olan bir dikdörtgen oluşturuyoruz. Bu şekilde elde edilen bir grafiğe histogram denir. X ekseni boyunca hesaplama sonuçlarının dağılım yoğunluğunu yansıtır.
Hesaplama sayısı büyükse, aralığın genişliği küçük yapılabilir (bu durumda, her aralıkta oldukça fazla okuma olacaktır). Ardından, limitte, bir histogram yerine, her aralığa düşen nk/n okuma sayısının kesriyle orantılı değerin y ekseni boyunca çizildiği bir grafik elde edeceğiz. Böyle bir grafiğe dağılım eğrisi veya dağılım fonksiyonu denir ve fonksiyonun kendisine olasılık yoğunluğu denir.
PS DF normalleştirilebilir, daha sonra tüm tanım alanı üzerindeki integrali aynı şekilde 1'e eşittir.
Nötron
Teşekkür ederim. Şimdi net. Sadece hepiniz bir olasılık yoğunluğu (PV) oluşturdunuz, bir DF (dağıtım fonksiyonu) değil, çünkü FR'nin 3 özelliği vardır. 1. It (FR) azalmaz. 2. x sonsuzluğa meyilliyse, o zaman DF 1'e meyleder. Doğal olarak, her şey normalize edilirse. PV ve FR birbirine bir integral ile bağlanır (FR, PV'nin bir integralidir)
"Böyle bir grafiğe dağılım eğrisi veya dağılım işlevi denir ve işlevin kendisine olasılık yoğunluğu denir" ifadesi tamamen doğru değildir.