市场礼仪或雷区中的良好风度 - 页 20

新评论
 
Neutron >> :

给我一个提示，你在输入信号的关联性方面有什么问题。你在输入什么，以及你为什么认为有问题。毕竟，确定它不存在比解决它更容易 :-)

这不是问题，我是我的数学文盲。

你认为我和SP一样吗？你不会相信的!在事先将-/+1的范围划分为0.02的相等间隔后，在循环中，我跑遍了所有的BP，如果某一栏的BP值落在-0.98：+1的范围内，我就在这个 "口袋 "中扔下一个 "chatl"=0.01。为了使SP正常化，我将调查的BP乘以K系数>1。

以下是我的代码。

for(int i = limit; i >= 0; i--)
{
if(first)
for(int k = 200; k >0; k--)
Ind2[k] = 0.0; // Инициализация нулем
first = false;
//---------------------------------------------------
res = th(kf*(Close[i] - Close[i+1])/Close[i+1]); // Входной ВР
Ind1[i] = res;
//-------------------------------------------------------

pos = -1.0;
for(int j=200; j>0; j--)
{
if((res > pos) && (res < (pos+step))) // расчет МО
{
if( i > 2 )
{Ind2[j] = Ind2[j] + chatl;}
break;
}
else
{pos = pos + step;}
}

}


也就是说，我使用一个指标 "手动 "提取这个系数，然后在NS代码中作为常量插入。这是有效果的，但前提是输入的BP增量是在相等的时间段内进行的--例如在每个柱子或相等的N个柱子。但如果输入增量的时间间隔不等--例如，根据斐波那契数列--2,3,5,8......。......那么对于每一个这样的参照物，MO的归一化系数应该是不同的!总的来说，我的做法是高效的，但不是智能的-:)

 

我明白了。

那么，NS输入的相关性是什么？

 
Neutron >> :

我明白了。

那么，NS输入的相关情况如何？

显然，这两者之间几乎没有任何关联。请看图表下面的指标。每条蓝线是其中一个输入。



令人惊讶的是，NS的表现非常好！它是一个非常好的例子。在 "锐化 "后的两个月，它正在以非常可接受的（27%）缩减量增长

 

这是我想问的另一个问题。

网格的 输出神经元 没有FA，因为我们从中提取振幅，我们用它来衡量计划交易的成功概率，但它也没有被规范化。

是否需要对输出进行规范化处理？如果不是，我们如何评估所产生的概率，因为它通常在+/-1范围之外？

 
paralocus писал(а)>>

它似乎可以忽略不计或不存在。请看图表下面的指标。每条蓝线是其中一个输入。

令人惊讶的是，NS的工作效果非常好!在 "磨砺 "两个月后，它以非常可接受的（27%）缩减量增长。

所以不需要美白任何东西!

事实上，如果能得到两个选定的BP的成对相关系数的数字衡量，那就更好了。这就是一个通用的成对相关表的样子。

转到MQL，把两个相同长度的BP（X,Y）-n，得到一个范围为+/-1的输入数。只是做一个简单的猜测，按指数计算的相关系数达到+0.6

至于输出神经元，如果它的输出是用来估计一个事件的概率，就必须有一个非线性的FA作为输入。任何FA都可以做（这是严格证明的），所以把这个。

 
Neutron >> :


...

我不明白，你是如何定义n?????? 的值的？

 

我认为这更简单、更清晰 :o)。



在这种情况下，创建一个循环没有多大意义，从时间上来说，求和运算符会做同样的工作。

PS 另外，这根本不是 "FAC"，意思有点不同。

 
Neutron >> :

至于输出神经元，如果你用它的输出来估计一个事件的概率，你需要有一个非线性的FA作为输入。任何一个人都可以（这是经过严格证明的），所以把这个。

这就是我的工作。然而，我通过th() -:)双关语拥有一切。

按照你的解释做了一切。

1.所有的神经元都有一个单一的输入（+1）（这当然不包括其他的数据输入）。

2.在除最后一个神经元外的所有输出端，输出FA是非线性的--我使用th(x)

现在，如果我想在输出上得到一个概率，这个输出应该在+/-1以内（据我理解）。现在我们来看看这最后一个输出是如何形成的。

如果我们考虑到OUT1-OUT3是上一层神经元的正切输出，取值范围为-/+1，W1-W4是它们的权重，取值范围为-/+1，那么输出神经元的振幅就在-/+4之内。好的，但是如果你考虑到权重可以在很大的范围内变化--正如你所说的+/-20是标准--那么输出网格的振幅范围就会在地平线上消失。

问题。

1.如何在这种条件下估计交易概率？

2.你是否需要对输出信号进行归一化处理，如果需要，用什么处理？


关于MathLab的输出 - 不幸的是，对我来说，这是一个黑暗的森林......MathLab本身也是如此。

你几个帖子前告诉我的很多东西我还没明白，但我在脑子里捣鼓了一个半小时。

而且，请原谅我的打扰，但我对ORO算法的疑问仍然远远多于答案。

对于美白，似乎很清楚--一切都很有效。

我了解这个架构。

纪元和最佳采样几乎是明确的。

我曾试图计算你的 "漂亮方案 "的最佳样本量，结果是这样的。

输入的数量 - 4

突触的数量 - 4*6 + 3*3 + 4 = 37

4的系数。

P = k*w*w/d = 4*37*37/4 = 1369 ....而它应该是1500。

问题：单一输入的突触是否要计算？我数了数。

 
grasn писал(а)>>

我不明白，你是如何确定n?????? 的值的？

从外面看。

嗨，谢尔盖!

你有五个独立的周期，而我只有一个!哪一个更好，是看起来优雅，还是总是那样？

paralocus 写道 >>

问题。

1.在这些条件下，你如何估计交易的概率？

2.是否有必要对输出信号进行归一化处理，如果有必要，用什么处理？

将th()放在最后一个神经元的输出上--你的所有问题都会消失而且它不会使训练网眼变得更难。

我曾试图计算你的 "漂亮方案 "的最佳样本量，结果是这样的。

输入的数量 - 4

突触的数量 - 4*6 + 3*3 + 4 = 37

因素 - 4

P = k*w*w/d = 4*37*37/4 = 1369 ....而它应该是1500。

问题：单一输入的突触需要计算吗？我愿意。

我们来计算每个成员的最佳训练向量长度。由于我们所有的成员都有相同的架构，所以我们为一个人找到。

1.输入的数量d=3+1=4。

2.突触的数量w=2*4+3+1=12

训练向量的最佳长度P=4*w*w/d=4*12*12/4=144

因此，为了训练网络委员会，我们需要三个训练向量（委员会成员的数量），每个向量的长度为144。如果你，paralocus，认为这个值很小，把隐藏层中的神经元数量从2个增加到4个或8个，你就会一下子得到500或2000个样本!记住，你应该在每个样本中训练所有这些东西。

 
Neutron писал(а)>>

从外面看。

你好，Sergei!

你有五个独立的周期，而我只有一个!什么更好--看起来很优雅，还是永远这样？

我猜到了 :o)

当我在创作时--我需要看起来像个艺术家!但当我在编码时......。 :о)))

PS：Serega，在MathCAD中它几乎是单开的，但在C++/FORTRAN中...将是不同的，但在MathCAD中--说句不好听的，不是（对于这个特定的案例）。如果你使用平均数，它的计算速度会更快，如果你使用corr，例如，你的 "快速 "算法会龟缩 :o)。他们是如何做到的，我不知道，但至于 "求和 "运算符--它比循环快得多。如果你没有那样做--那么就放一个新版本。

1...131415161718192021222324252627...104
新评论