sinir ağı ve girişler - sayfa 39

 

Numune dışı modelleme kalitesi:
*
*TruePositives: 83
* TrueNegatives: 111
* YanlışPozitifler: 96
* YanlışNegatifler: 47
* İstatistikli örneklemlerdeki toplam desen sayısı: 337
* İstatistiksiz örneklerden kalan desenler: 78
* Numune dışı toplam hata: 143
* Genelleme yeteneğinin duyarlılığı: 46.36871508379888
* Genelleme yeteneğinin özgüllüğü: %70.25316455696202
* Genelleme yeteneği: 16.621879640760895%
* Reshetov'un Göstergesi: 0.004123184591376475
*/
çift x0 = 2.0 * (v0 - 19.0) / 35.0 - 1.0;
çift x1 = 2.0 * (v1 - 12.26) / 57.830000000000005 - 1.0;
çift x2 = 2.0 * (v2 - 21.0) / 13.0 - 1.0;
çift x3 = 2.0 * (v3 - 12.11) / 24.380000000000003 - 1.0;
çift x4 = 2.0 * (v4 - 18.0) / 40.0 - 1.0;
çift x5 = 2.0 * (v5 - 11.61) / 58.5 - 1.0;
çifte karar = -0.03426154451479057 + 0.09136531101334192 * x0 -0.16115463032514218 * x1 + 0.3774761240476446 * x0 * x1 -0.1495367886396967 * x2 -0.2182655506670959 * x0 * x2 -0.86972851164288 * x5795x97777x97 *x57 x0 * x3 -0.026662374360625248 * x1 * x3 + 0.12474514432879064 * x0 * x1 * x3 -0.2919894838501985 * x2 * x3 -0.286373716779397 * x0 * x2 * x3 + 0.04656257824516221 * x1 * x290 x3 + 0.11427 * x3 x3 + 0.11437 * x2 * x3 0.01709410880995815 * x4 + 0.21856958901169654 * x0 * x4 -9.925957720785493E-4 * x1 * x4 + 0.9723342991021926 * x0 * x1 * x4 + 0.04599384769467396 * x2 * x4 -0.05459813284687198 * x914 * +0.385 x912 * x491 * x2 * x0 * x1 * x2 * x4 + 0.058584612082841506 * x3 * x4 + 0.531371391780234 * x0 * x3 * x4 -0.025018778838931215 * x1 * x3 * x4 + 0.186198476159817 * x0 * x1 * x3 * x4 + 0.073 x190971849626 *88 + 0.073 x190971849626 *88 * x0 * x 2 * x3 * x4 + 0.1411041957291555 * x1 * x2 * x3 * x4 + 0.16417712916264263 * x0 * x1 * x2 * x3 * x4 -0.1726597989770004 * x5 + 0.36239224523375185 * x0 * x5 -0.008892227349143328 * x17 *51 x67 x44 x5 -0.7319687377043317 * x2 * x5 -0.7806416997531924 * x0 * x2 * x5 + 0.012256322209106843 * x1 * x2 * x5 + 0.04393711771649319 * x0 * x1 * x2 * x5 -0.006563651321672569 * x625742 * x450790 * 0,058 x625742 * x450790 * 0,058 x x1 * x3 * x5 -0.05302786422005222 * x0 * x1 * x3 * x5 + 0.03534892871195049 * x2 * x3 * x5 + 0.1463193475694817 * x0 * x2 * x3 * x5 -0.027476124047644598 * x1 * x35200 * x3 *87 x5 + 0.0652* x2 * x3 * x5 -0.018202954537325178 * x4 * x5 + 1.0 * x0 * x4 * x5 -0.07118968415781378 * x1 * x4 * x5 -0.003138748792788926 * x0 * x1 * x4 * x5 + 0.2624137067639589 * x2 * x459 * x5 - 71 x2 * x4 * x5 + 0.08019279607969382 * x1 * x2 * x4 * x5 + 0.06399649461673285 * x0 * x1 * x2 * x4 * x5 -0.025963086168043 78 * x3 * x4 * x5 + 0.18361769860857746 * x0 * x3 * x4 * x5 -0.08407017920377723 * x1 * x3 * x4 * x5 + 0.03014271917587724 * x0 * x1 * x3 * x4 * x5 + 0.0746830675 *0675 0.20722892 * x580 * * x4 * x5 + 0.0075079586507851345 * x1 * x2 * x3 * x4 * x5 + 0.20670493972886933 * x0 * x1 * x2 * x3 * x4 * x5;

Her şey karmaşık ..... Veriler bağımlı değişkeni ne kadar iyi tanımlıyor????

 

Bir eğitim dosyası gönderdim. Henüz bir kontrol aralığı yok :-( Ama bu bir sorun değil .....

Ve anladığım kadarıyla, 600 başvuru yapmama rağmen 337 giriş aldı.

Burada sonucu tekrarlamaya çalışacağım. Farklı makinelerde bile ilginç olacak sonuç ne ???

Dosyalar:
 
Peki, veriler hakkında, ağı saf veriler üzerinde eğitmek için bunların nasıl alınacağı tam olarak açık değil ..... TruePositives: TrueNegatives: FalsePositives: FalseNegatives eğitim örneğinden nasıl seçilir ve ağı eğitmeye çalışın. Neyin işe yaradığını görün. Gelen verilerin normalleştirilmesi gerekli bir haber .... Eh, hala göstergeyi nasıl yapıştıracağımı bilmiyorum .... En azından bir şekilde her şey görsel olarak görünüyordu ...
 

Sonuç aynı ....... Diyelim ki gerçekten olumlu 83 örnek bulduk. Bunlar genel seçimden nasıl seçilir...... Ve tamamen doğal olarak normalleştirilmiş bu 83 kaydı teslim etmek. Ve ağ bu 83 kayıt için minimum hata ile öğrenirse. Daha sonra (teorik olarak) bu tür kayıtları giriş gürültüsünde sınıflandırabilecektir ...... Bunun gibi bir şey ....

 
nikelodeon :

Bir eğitim dosyası gönderdim. Henüz bir kontrol aralığı yok :-( Ama bu bir sorun değil .....

Ve anladığım kadarıyla, 600 başvuru yapmama rağmen 337 giriş aldı.

Burada sonucu tekrarlamaya çalışacağım. Farklı makinelerde bile ilginç olacak sonuç ne ???

VMR, toplam numuneyi iki kısma ayırır: eğitim ve kontrol. Onlar. toplam örnekte 600 örnek sunulduysa, bu, modelin oluşturulduğu (eğitildiği) eğitim örneğine 600 - 337 = 263 örneğin dahil edildiği ve modelin üzerinde olduğu 337 örneğin kontrol örneği olduğu anlamına gelir. sonra test edildi (ancak eğitilmedi)
nikelodeon :
Peki, veriler hakkında, ağı saf veriler üzerinde eğitmek için bunların nasıl alınacağı tam olarak açık değil ..... TruePositives: TrueNegatives: FalsePositives: FalseNegatives eğitim örneğinden nasıl seçilir ve ağı eğitmeye çalışın.
Eğitim örneğinden herhangi bir şey ayırmanın bir anlamı yok. Eğitim örneği yalnızca bir model oluşturmak içindir ve model, bu örnekte olmayacak diğer veriler için tasarlanmıştır. Bu nedenle, VMR tüm hesaplamaları yalnızca kontrol numunesi için gerçekleştirir.
 

Aslında, JPrediction finansal araçları tahmin etmek için değil, gelecek ay boyunca sinyallerin karlılığını tahmin etmek için yaratıldı.

Onlar. Sinyalin mevcut özelliklerini içeren bir seçim yapıyorum: işlem sayısı , dönem, % olarak aylık kar, karlı işlem yüzdesi, kaybedilen işlem yüzdesi, kar faktörü, Sharpe oranı, vb. Sonra bir ay beklerim ve o ay için kâr veren sinyalleri 1 ve kârsız 0 olarak işaretliyorum.

Sonra modeli bu örnek üzerinde eğitiyorum ve onu gelecek ay için sinyalleri tahmin etmek için kullanıyorum.

Sonuç olarak, sinyallerin tahmin edilmesi daha kolay çünkü. tarihsel verilere ek olarak, birçok ek yararlı bilgiye sahiptirler. Finansal araçların geçmiş veriler dışında ek verileri yoktur.

 
Sihirbaz, söyle bana, verileri hangi programda yorumluyorsun. Excel'de???
 

Bu yüzden düşünüyorum ... sonucu nasıl yorumlayacağım ... böylece daha hızlı olacak ve kesinlikle elle değil ........

 
Reshetov :

Aslında, JPrediction finansal araçları tahmin etmek için değil, gelecek ay boyunca sinyallerin karlılığını tahmin etmek için yaratıldı.

Onlar. Sinyalin mevcut özelliklerini içeren bir seçim yapıyorum: işlem sayısı, dönem, % olarak aylık kar, karlı işlem yüzdesi, kaybedilen işlem yüzdesi, kâr faktörü, Sharpe oranı, vb. Sonra bir ay beklerim ve o ay için kâr veren sinyalleri 1 ve kârsız 0 olarak işaretliyorum.

Sonra modeli bu örnek üzerinde eğitiyorum ve onu gelecek ay için sinyalleri tahmin etmek için kullanıyorum.

Sonuç olarak, sinyallerin tahmin edilmesi daha kolay çünkü. tarihsel verilere ek olarak, birçok ek yararlı bilgiye sahiptirler. Finansal araçların tarihsel veriler dışında ek verileri yoktur.

Bu bakış açısını tamamen destekliyorum, sinyal veren bir göstergem var. Aynı anlaşmalar. JPrediction'da çalıştırmanın da mümkün olacağını düşünüyorum, ancak eğitim aralığının nasıl seçildiği açık değil mi? Evet ve her kayıt için hesaplanmış bir gösterge ile bir dosya kaydetmek uygun olacaktır ..... Vizard bunu nasıl yapar ...... Peki, verilerin kendisi bunu elde etmek mümkündü .... O zaman yapabilirsiniz üzerlerinde başka bir ağ eğitmeye çalışın ..... Bunun gibi bir şey. Yuri'ye söyle, bu planlanmış mı????
 
En sinir bozucu şey, Excel'in bu kadar uzun formülleri desteklememesidir :-(