Gerçek Zamanlı Tahmin Sistemlerinin Test Edilmesi - sayfa 27
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
Üzgünüz :-) İşte en baştaki tahmin:
gpwr görünüşe göre Fourier'i farklı şekilde hazırlıyor, yöntemimin parametresi yok.
:hakkında)))
GRNN ve Fourier arasındaki fark nedir? Peki nedir bu GRNN? sadece bilmiyorum. :hakkında(
hayır hayır hayır,
burada tahmini en başta yayınlıyorum ve en sonunda göstermiyorum
ayrıca, parametre yoksa, gpwr nasıl başka bir satır alır?
GRNN çeşitli şekillerde kodlanabilir. En basit sabit sigma (küme boyutu) kodunu kullandım. Model uzunluğu başka bir parametredir. Geçmiş veriler üzerinde optimize ettim ve 140 bar aldım. Fiyatlar yumuşatılmadan girilmiştir. Bu arada, 3. yöntem (doğrusal olmayan otoregresyon) da yakın bir sonuç verdi.
Yeni verilere göre, bu iki yöntem bu tür tahminler veriyor.
GRNN:
doğrusal olmayan AR:
grasn , GRNN bir tür sinir ağıdır. İşte bir tanım içeren bir bağlantı . Ya da burada biraz daha akıllı.
evet, evet - zaten anladım, teşekkürler ... katıldığınız için :o))))))
Ek : "Parametre eksikliği" ifadesi kafamı karıştırdı. Herhangi bir NS "her zaman parametrelere sahiptir"
:hakkında)))
GRNN ve Fourier arasındaki fark nedir? Peki nedir bu GRNN? sadece bilmiyorum. :hakkında(
Matematiksel olarak, GRNN (genel regresyon sinir ağı), 1991 yılında Specht tarafından önerilen en basit ama çok verimli sinir ağıdır. Buradaki bağlantıya bakın
http://people.cecs.ucf.edu/georgiopoulos/eel6812/papers/general_regression_network.pdf
Fourier'le ilgisi yok. GRNN, olasılıksal en yakın komşu sinir ağlarını ifade eder. Tüm geçmiş kalıplar alınır ve mevcut kalıptan geçmişe olan Öklid mesafesi bu şekilde hesaplanır.
D[n] = SUM( (Aç[i] - Aç[n+i])^2, i=0...PatternLength )
Ardından, geçmiş "gelecekteki" fiyatlardan ağırlıklı ortalama tür tahmini hesaplanır.
Open[-1] = SUM( Open[n-1]*exp(D[n]/(2*Sigma)), n=0...AllPastPatterns) / SUM( exp(D[n]/(2*) Sigma))), n=0...AllPastPatterns)
En yakın komşularda, geçmiş örüntülere Öklid mesafeleri hesaplandıktan sonra, en yakın örüntü seçilir ve “gelecek” değerleri mevcut örüntü için tahmin olarak kullanılır. Bu, nadiren kullanılan basit bir versiyondadır. Genellikle, k en yakın komşu bulunur ve mevcut model için tahminleri bulmak için "gelecek" değerlerinin ortalaması alınır veya ağırlıklandırılır.
Evet anladım,
Neyse detaylı açıklayayım soruyu neoklasik - ku sormuş, yazının içeriğini hatırlatayım:
gpwr видимо, по другому готовит Фурье , у моего метода нет параметров
Bu yüzden neoklasik sordum: o))))) Fark nedir, çünkü onun tahmini biraz Fourier'e benziyor, uzaktan öyle.
gpwr'ye
kısa tur için teşekkürler
matematiğe
Teşekkürler zaten söylediniz, ancak her zaman tekrar etmeye hazır :o)))
Grasn , bkz. 'Dinamik Fourier Dönüşümü Ekstrapolatörü'
Çalışma prensibi burada yazılmıştır ve göstergenin kendisi düzenlenmiştir :-)
Grasn, bkz. 'Dinamik Fourier Dönüşümü Ekstrapolatörü'
Çalışma prensibi burada yazılmıştır ve göstergenin kendisi düzenlenmiştir :-)
ve daha sonra:
Görünüşe göre GRNN ikramiyeyi vurdu :-)
yoksa bir kez daha kafamı karıştırmazsan günün gerçekten boşa gideceğine mi karar verdin? :hakkında)))))
Hiçbir şekilde kafanızı karıştırmak istemedim :-)
Похоже GRNN сорвала куш
Dedim ki, gpwr GRNN tahmininin en doğru olduğu ortaya çıktı ve konunun gelişimine resmimi getirdim.
Hiçbir şekilde kafanızı karıştırmak istemedim :-)
Dedim ki, gpwr GRNN tahmininin en doğru olduğu ortaya çıktı ve konunun gelişimine resmimi getirdim.
her şey açık :o))))))
Not: Bir şey dışında - GRNN en kötü tahminlerden sadece birini verdi. Ama bu benim, IMHO. Bu apaçık.