Как может показаться, анализ сигналов и данных — тема достаточно хорошо изученная и уже сотни раз проговоренная. Но есть в ней и некоторые провалы. В последние годы словом «энтропия» бросаются все кому не лень, толком и не понимая, о чем говорят. Хаос — да, беспорядок — да, в термодинамике используется — вроде тоже да, применительно к сигналам...
好的。我们需要找到一个实际的比喻。图中显示，各层有不同数量的神经元。如果我们把图倒过来，就会得到一个金字塔。因此，输出要经过几个处理步骤。该层的神经元越多，该层接收和处理的数据就越多。如果下一层输出的数据比上一层少，这意味着数据从一层到另一层是泛化的？
是的，它们是概括性的。如果输入是，比如说，100条，输出应该是两个命令：买入或卖出。
任务不是让神经网络容纳大量的数据，而是要与它所训练的数据量相匹配。如果网络太大，没有足够的数据，它将很容易学习，但它将无法归纳到其他数据。因此，神经元的数量应该尽可能的少。超过三层是有点不必要的。在第一层中，神经元的数量与输入数据模式的大小相对应，而在最后一层中，神经元的数量与结果的变体数量相对应。而在中间环节，它是尽可能的小，但不能比输出端小。
代码很简单，但我们的输入数据并不完全适合。
维基熵："....，衡量一个真实过程与理想过程的偏差。在数学上，熵被定义为系统状态的一个函数，定义为一个任意的常数"。
и?
在金融领域，VR可能是一个理想的市场？- 谁知道呢，好吧，让这成为第一个假设，完美的市场=正弦波!
作为投入，我们至少有三种价格，即高价、低价、低价--我们应该使用哪一种？- 好吧，让它成为第二个假设，中位数价格规则!
我们从什么地方测量，到什么地方测量？- 一天的开始？ 一周的开始？ 到期日？交易时段？- 好了，今天的开始，让它成为第三个假设....。
总共3个问题，3次假设我们是正确的吗？这里的问题归结为组合学：有多少次我们得出了正确的初始假设，有多少次我们的进一步探索导致了正确的市场估值......关于历史 ))))
熵听起来不错，但我几年前从信息熵的角度挖掘了这个主题，结论是一个--如果一个模式开始形成或历史上最近的重复烛台组合--它将不起作用，因为对每个人来说明显的东西在市场上不起作用，模式和相关性也是如此，一旦它们变得明显--它们就不再出现))))，在这种情况下我通常对自己说--你不是最聪明的，这种聪明人住在离显示器半个世界之外))
不，看，这个熵估计了BP中的信息量。熵越低，信息量越大（循环越多，表现越明显）。也就是说，这个措施是相对的，要把它与例如其他国家联系起来使用。哪里低就在哪里交易 - 一个粗略的例子
以及与赫斯特的类比，在sk中的衡量。如果该层中的神经元比前一层少，信息就会被压缩，如果神经元比前一层多，就会被 "未压缩"。
关于熵。
https://habr.com/ru/post/305794/
是的，它们是概括性的。如果输入是，比如说，100条，输出应该是两个命令：买入或卖出。
任务不是让神经网络容纳大量的数据，而是要与它所训练的数据量相匹配。如果网络太大，数据不足，它就会很容易学习，但却无法归纳到其他数据。因此，神经元的数量应该尽可能的少。超过三层是有点不必要的。在第一层中，神经元的数量与输入数据模式的大小相对应，而在最后一层中，神经元的数量与结果的变体数量相对应。而在中间环节，有尽可能少的数量，但不比输出环节少。
....超过三层就有点不必要了。在第一层，神经元的数量对应于输入数据模式的大小，在最后一层--对应于结果变体的数量。而在中间层，它尽可能的小，但不能比输出层小。
数学上已经证明（我在一些书上见到了证明），一个有一个内层的网络可以近似任何连续函数，一个有两层的网络也可以近似有间隙的函数。 因此，从这个证明可以看出，层数大于2没有实际意义，只能导致重新训练。
即最多需要2个内部层（在许多情况下一个就够了）。不，看，这个熵评估了BP的信息量。熵越低，信息就越多（表现为更多的循环）。也就是说，这个措施是相对的，要把它与例如其他国家联系起来使用。哪里低，就在哪里交易--一个粗略的例子。
和Hurst的类比，在天空中测量。马克西姆 好吧，你是对的，但在理论上
这里是图表，我们应该把什么作为信息量？1巴？- 也就是说，拿一组条形图--我们得到了一定的时期，那么我们的方法比用RSI、随机指数或跳蚤图来评估当前的市场情况要好得多？- 一样的，我认为
TS的应用应基于市场背景 - 是的，但背景很难被正式化，有些人试图将当前的平坦作为背景，并进行平坦的交易，其他人则画出趋势线 并等待突破....。而谁是正确的呢？
马克西姆，你是对的，但在理论上。
这是一个图表，我们可以把什么作为信息量？1巴？- 不是认真的，拿一组条形图--我们得到了一定的时期，那么我们的方法比用RSI、随机指数、跳蚤式评估市场的当前状态如何？- 一样的，我认为
TS的应用应基于市场背景 - 是的，但背景很难被正式化，有些人试图将当前的平坦作为背景，并进行平坦的交易，其他人则画出趋势线 并等待突破....。谁是正确的？
我明白了......优化窗口，看熵的变化，用不同的窗口训练模型，并得出结论。很明显，它显示的是过去的情况，但如果我们缩小预测范围，用MOS来填补这些间隔，我们会得到信息
这就是我要说的。
它不会告诉你它是否有周期性循环，它将告诉你它是否有熵。我不是说它会成功，我是说你必须进行数据调查。
我明白了......优化窗口，观察熵的变化，用不同的窗口训练模型，并得出结论。很明显，它显示的是过去的情况，但如果我们降低预测范围，用MOS来填补这些间隔，我们会得到信息
这就是我要说的。
它不会告诉你它是否有周期性循环，它将告诉你它是否有熵。我不是说它会成功，我是说它需要被数据化。
我不打算什么都问，但我已经厌倦了阅读...在滑动窗口中教授NS的准确性如何？
- 如果我们在寻找周期性信息--是的，这是正确的，NS会找到隐藏的循环，并调整自己的加权系数
- 如果我们教NS认识，是的，它是NS的学习。
- 市场上没有周期性的循环，在某处我有一个RE，它画出了RE的顶部形成的时间，在RE的任何设置中，从来没有周期性的重复，没有这样的事情，RE的下一个突破将是在像5,11,7,3....5，11，7,3....- 会有各种各样的组合，但不会有重复。
如果我们在一个非周期性信息的滑动窗口中训练NS，那里的权重会发生什么？- 在我的印象中，你甚至不能在Eu上训练单层网络，只能训练多层网络--滑动窗口能用于这种事情吗？ 我有疑问
ZS：数据挖掘--是的，如果你设法过滤将携带信息的数据--那么圣杯 就是你的；)
我不可能什么都问，而且我已经厌倦了阅读...在滑动窗口中训练NS，其正确性如何？
- 如果我们正在寻找周期性信息--是的，它是正确的，NS将找到隐藏的周期并调整自己的加权系数。
- 如果我们教NS认识，是的，它是NS的学习。
- 市场上没有周期性的循环，在某处我有一个RE，它画出了RE的顶部形成的时间，在RE的任何设置中，从来没有周期性的重复，没有这样的事情，RE的下一个突破将是在像5,11,7,3....5，11，7,3....- 会有各种各样的组合，但不会有重复。
如果我们在一个非周期性信息的滑动窗口中训练NS，那里的权重会发生什么？- 在我的印象中，你甚至不能在Eu上训练单层网络，只能训练多层网络--滑动窗口能用于这种事情吗？ 我有疑问
ZS：数据挖掘--是的，如果你设法过滤将携带信息的数据--那么你就拥有了圣杯；)
它们不一定是严格意义上的定期，但也不一定是噪音。这幅图是概率性的，不是严格的。滑动窗口是为了熵值指标以及训练的特征数量，你可以选择它们。
如果样本不一致，你就不会得到任何东西，这就是为什么有这么多50/50的错误。而一个循环不可能是矛盾的，它要么存在，要么不存在，以任何形式。如果你添加了很多不同的循环，它们不会相互矛盾。
循环/非循环是熵度中的一个相对概念