NS + göstergeleri. Deney. - sayfa 4
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
Yakın zamanda Neuroshell Day Trader'da C ZZ ile deneyler yaptım. PNN'nin (sınıflandırıcı) girişi, fiyat ile birkaç sabit 3Z uç noktası arasındaki normalleştirilmiş farktı. Fark oranlarını da denedim (yani isterseniz harmonik modeller). NN, sınırlı bir süre için kuralları bulur. Kâsenin elde edildiğini söylemeyeceğim, ancak sistem görmediği verilerden yararlandı.
Fark tam olarak nasıl normalleştirildi? Fiyat ve son uç arasındaki fark? Ya da başka bir şekilde? Ve hangi sınıflandırıcıyı kullandınız? Kohonen kartları mı?
Henüz ZZ'ye gelmedim. Şimdiye kadar Kohonen ile deneyler yaptım ve verileri hareketli ortalamaya göre normalleştirdim. Genel olarak, zayıf olmasına rağmen potansiyel de görülebilir. Şebekenin çıkışlarını "amplifikatöre" bağlamak istiyorum =)) Ayrıca mumları kendileri sınıflandırmaya çalıştım - farklı soplarla kodladım ve onları Kohonen'e sürdüm. Temel olarak, o da kötü değil. En azından aynı türden mumlar aynı sınıflara sahiptir. Burada sadece normalleşme ile anlamadı. Gerçekten seçmedim. 0 +1 aralığına, -1 +1 aralığına, sigmoidal, tanjant aralığına ulaşmaya çalıştı. Verileri "olduğu gibi" kullanmaya çalıştım. Her nasılsa, bir veya diğer yöntemin avantajlarını görmedim.
Rosh , rastgele bir süreç için H + L'nin değerinin neden tahmin edilebilir (bu durumda kalıcı) olduğunu anlıyor musunuz?
Ve bana burada her şey basit gibi geldi, H ve L rastgele bir değer için bir güven aralığı gibidir, eğer değiştirebilirsek ve değişmezsek, o zaman bu güven aralığı yerinde kalacaktır (sabit). Ve Kapat, bu davanın değerinin bir tahminidir. buradaki değerler H ve L arasında çalışır ve bu nedenle tahmin edilmesi daha zordur.
Ve bu anlayışa sahip değildim ve hala yok. Prival , bunun dov gibi bir şey olduğu hipoteziniz. aralık, kabul etmiyorum ( tek tik ile yapılmış kablodaki 200 noktalı saç tokasını hatırlıyor musunuz?). Evet, bunu Phoebe dışında herhangi bir sinir ağıyla tahmin edemezsiniz. .. Bence muhtemel...
Not Ve hala belirsiz: Bu uzun saç tokaları neden sadece aşağı inmeyi seviyor?
Yakın zamanda Neuroshell Day Trader'da C ZZ ile deneyler yaptım. PNN'nin (sınıflandırıcı) girişi, fiyat ile birkaç sabit 3Z uç noktası arasındaki normalleştirilmiş farktı. Fark oranlarını da denedim (yani isterseniz harmonik modeller). NN, sınırlı bir süre için kuralları bulur. Kâsenin elde edildiğini söylemeyeceğim, ancak sistem görmediği verilerden yararlandı.
Fark tam olarak nasıl normalleştirildi? Fiyat ve son uç arasındaki fark? Ya da başka bir şekilde? Ve hangi sınıflandırıcıyı kullandınız? Kohonen kartları mı?
Henüz ZZ'ye gelmedim. Şimdiye kadar Kohonen ile deneyler yaptım ve verileri hareketli ortalamaya göre normalleştirdim. Genel olarak, zayıf olmasına rağmen potansiyel de görülebilir. Şebekenin çıkışlarını "amplifikatöre" bağlamak istiyorum =)) Ayrıca mumları kendileri sınıflandırmaya çalıştım - farklı soplarla kodladım ve onları Kohonen'e sürdüm. Temel olarak, o da kötü değil. En azından aynı tipteki mumlar aynı sınıflara sahiptir. Burada sadece normalleşme ile ve anlamadı. Gerçekten seçmedim. 0 +1 aralığına, -1 +1 aralığına, sigmoidal, tanjant aralığına ulaşmaya çalıştı. Verileri "olduğu gibi" kullanmaya çalıştım. Her nasılsa, bir veya diğer yöntemin avantajlarını görmedim.
Tüm deneyler NSDT'de yapılır. Fiyat ve ZZ'nin son ekstremumları arasındaki farklar alındı. Ve ayrıca, son ve sondan bir önceki ekstremum, vb. Arasındaki farklar arasındaki ilişki, - (XA) / (AB), (BA) / (BC), (BC) / (CD), (XA) / (DA), genellikle Hartley harmonik modelleri oluşturmaya çalıştı. Her şeyi olasılıksal bir ağa sürdüm (NS'de birkaç çeşit var). NSh ile değerleri normalleştirdim, aslında bu bir formül
(x-ma(x,n))/(3*stdev(x,n))), son zamanlarda hep bu formülü kullanıyorum. Ve aslında, eğitim, çapraz kontrol ve OOS'a doğru. ..
İşte hemen hemen her yerde kullandığım bir normalleştirme örneği.
Kapat yerine istediğinizi değiştirebilirsiniz...
Ve bu anlayışa sahip değildim ve hala yok. Prival , bunun dov gibi bir şey olduğu hipoteziniz. aralık, kabul etmiyorum ( tek tik ile yapılmış kablodaki 200 noktalı saç tokasını hatırlıyor musunuz?). Evet, bunu Phoebe dışında herhangi bir sinir ağıyla tahmin edemezsiniz. .. Bence muhtemel...
Not Ve hala belirsiz: Bu uzun saç tokaları neden sadece aşağı inmeyi seviyor?
Daha detaylı açıklamaya çalışacağım. H ve L bir güven aralığından başka bir şey değildir. Sl. değeri bu reyonlardan öteye geçmedi diyelim gün içinde. 1 günlük çubuk. Şimdi sadece bunun böyle olduğunu hayal edin. değer normlara tabidir. zak. dağıtım. H ve L yaklaşık olarak olasıdır + -3sko, yani. 0.997 s olasılıkla. değer bu sınırlar içindedir. Bu durumda, H ve L'yi tahmin etmek daha kolaydır, çünkü neredeyse sabittir ve sl. değer (Kapat) olduğu gibi ve kaldı.
Peki, sadece çizin (oluşturabilirsiniz) sl'nin olasılık yoğunluğunu oluşturun . büyüklük ve mümkün + 3sko bir kenara koymak. 1000 değer üretir ve bu noktaları ona göre belirlersiniz (örnek), neredeyse değişmezler, ancak son sayı oluşturulduğunda rastgeledir (Kapat). 100 defa yapıp kontrol edebilirsiniz.
Ve saç tokası için belki bu yöntem yardımcı olur, 10 ölçüm (kene) alınır, hesaplanabilir. + ve -'deki en uç 2 tanesi atılır. Ve yeniden inşa edebiliriz. Bilinmeyen miktarın bu tahmini daha doğrudur, çünkü bu tür anormal aykırı değerlere karşı direnç özelliklerine sahiptir (açık ölçüm hatası).
Yüksek, Düşük'ün ilginç özellikleri konusunda, (H+L)/2 serisinin "anormal" tahmininden bahsediyoruz. Hayali bir paradoks!
Bakın, HL'nin (ilk yaklaşımda, enstrümanın oynaklığının) (H+L)/2'den (ilk yaklaşımda, enstrüman fiyatının mutlak değeri) çok daha az olması koşulu karşılanıyorsa, o zaman değer (H+L)/2, sürgülü pencere 2'ye eşit olan VR için ortalama alma prosedürüne eşdeğerdir. Düşünün, gerçekten neredeyse ortalama alıyor. Öte yandan, hareketli bir ortalama HER ZAMAN serinin bitişik artışları arasında pozitif bir otokorelasyon katsayısına (AS) sahiptir (bu doğrudan kanıtlanabilir). Bu nedenle, rastgele artışların entegre edilmesiyle elde edilen VR için ve AS artışlarının sıfıra eğilimli olmasının bir sonucu olarak, (H + L) / 2 serisi için oluşturulan AS her zaman sıfırdan farklı ve pozitif olacaktır! Ne yazık ki, bu gerçek VR'yi tahmin etmeyi mümkün kılmayacak, çünkü (H + L) / 2 serisi için, her şeyi yerine koyacak olan her zaman bir faz gecikmesi meydana gelecektir.
Bunun gibi.