int w0= постоянное смещение ( вот с этим не совсем понятно);
double w1=High[1]-Low[1];
double w2=High[1]-Low[2];
double w3=High[1]-Low[3];
double w4=High[1]-Low[4];
double w5=High[1]-Low[5];
double w6=High[1]-Low[0];
int w0=1;// это для того, чтобы все ниже описаные входы были проработаны на истории?double w1=High[1]-Low[1];double w2=High[1]-Low[2];double w3=High[1]-Low[3];double w4=High[1]-Low[4];double w5=High[1]-Low[5];double w6=High[1]-Low[0];
你可以,当然了
但它会在10节课内学会你的规则,然后呢?
这个算法被作为创建神经网络的一个简单例子,因为你必须从一个简单的一....。
如果一根蜡烛的范围大于过去五根蜡烛的平均范围,达到一定的系数(如果蜡烛在上升--买入,如果蜡烛在下降--卖出)。
基于这种算法,输入参数将是过去五个柱状体的平均范围的裂缝?
你给出了你所使用的术语的定义。什么是 "蜡烛范围"?一个网络应该从实例中学习。对你的网络来说,什么算得上是积极和消极的例子(从你的角度来看)?什么是 "过冲率"?
你给出了你所使用的术语的定义。什么是 "蜡烛范围"?一个网络应该从实例中学习。对你的网络来说,什么算得上是积极和消极的例子(从你的角度来看)?什么是 "过冲系数"?
最后形成的条形图的范围=High[1]-Low[1]。
double cdpb // 最后五个柱子的平均范围。
for(i=1;i<5;i++){
сдппб=сдппб+(High[1]-Low[1])/5;
}
购买条件
如果(最后完成的柱子的范围>最后五个柱子的平均范围*系数 && Close[1]>Open[1]){
按市场购买
}
你能告诉我,为净值定义一个正负的例子是多么容易,也许是交易的结果?
диапазон последнего сформировавшегося бара>средний диапазон пяти последних баров*коэффицент
这一条件将决定网络训练算法及其架构。我们将把预测的Kotir运动的巧合视为NS的积极结果,该运动从开仓开始,在出现头寸逆转 信号时以平仓结束。阴性--分别--不匹配。网络三角的结果将是找到最佳(从它的角度来看)的系数值。该网络将有7个输入。第一个输入将是一个恒定的偏移量(增加网络的计算能力并加速学习),第二个输入的范围是1巴,第三个输入的范围是第二个巴,以此类推,直到第五个巴,第七个(NS的最后一个输入)的范围是零巴(电流),它将与它进行比较。
我们选择的网络是最简单的--线性perseptron。在学习过程中,它将为每个柱子分配最佳比率(不是像你的情况那样,为所有五个柱子分配一个比率,而是为每个柱子分配一个单独的比率(w0, w1...w6)),如果原则上可以做到,国家计算机将预测买入或卖出,几乎没有错误
这一条件将决定网络训练算法及其架构。我们将把预测的Kotir运动的网络巧合视为积极的结果,该运动以开仓开始,并在出现头寸逆转信号时以平仓结束。阴性--分别--不匹配。网络三角的结果将是找到最佳(从它的角度来看)的系数值。该网络将有7个输入。第一个输入将是一个恒定的偏移量(增加网络的计算能力并加速学习),第二个输入的范围是1巴,第三个输入的范围是第二个巴,以此类推,直到第五个巴,第七个(NS的最后一个输入)的范围是零巴(电流),它将与它进行比较。
我们选择的网络是最简单的--线性perseptron。在学习过程中,它将为每个柱状体分配最佳比率(不是像你的情况那样,为所有五个柱状体分配一个比率,而是为每个柱状体分配一个单独的比率(w0, w1...w6)),如果原则上可以,NS将预测买入或卖出几乎没有错误
非常感谢中子。
如果我理解正确的话,这些条目被标记为Wn,如果是这样的话,我的下一个任务就是用一个代码来描述每个条目,比如说。
这是否正确?
这就对了!
恒定输入是什么不清楚?我们必须事先对输入数据进行归一化处理,这个程序不是强制性的,但却是可取的(它有助于网络更快地学习,并提高其预测能力)。作为这个过程的结果,整个输入信号的种类(从-无穷到+无穷),将被映射到一个有限的区间+/-1。作为一个恒定的偏移量,我们将向NS的第一个输入端提供+1(为清晰起见)。输出端将输出Out>0表示Bue,Out<0表示Sell。
这就对了!
恒定输入是什么不清楚?我们必须事先对输入数据进行归一化处理,这个程序不是强制性的,但却是可取的(它有助于网络更快地学习,并提高其预测能力)。作为这个过程的结果,整个输入信号的种类(从-无穷到+无穷),将被映射到一个有限的区间+/-1。作为一个恒定的偏移量,我们将+1(用于确定)输入到NS的第一个输入。
这样做对吗?
这还是不对的。
在这种表述中,NS的输入将只有正的振幅信号,网络将无法获得所有可能的信息,而这些信息将作为分析的基础。更好的方法是将你的输入值乘以蜡烛的颜色:如果蜡烛在上升,则+1,如果在下降,则-1。而且甚至不是+/-1,而是对增量的值:Close[i]-Open[i]。
它将看起来像这样。
w1=(High[1]-Low[1])/Point*( Close[1]-Open[1])/Point;
w1=(High[2]-Low[2])/Point*( Close[2]-Open[2])/Point;
w1=(High[3]-Low[3])/Point*( Close[3]-Open[3])/Point;
这暂时还没有正常化。
P.S.我不明白://是为了让下面描述的所有输入通过历史来实现吗?
这仍然是不正确的。
在这种表述中,NS的输入将只有正的振幅信号,网络将无法获得所有可能的信息,以作为分析的基础。更好的方法是将你的输入值乘以蜡烛的颜色:如果蜡烛在上升,则+1,如果在下降,则-1。而且甚至不是+/-1,而是对增量的值:Close[i]-Open[i]。
它将看起来像这样。
w1=(High[1]-Low[1])/Point*( Close[1]-Open[1])/Point;
w1=(High[2]-Low[2])/Point*( Close[2]-Open[2])/Point;
w1=(High[3]-Low[3])/Point*( Close[3]-Open[3])/Point;
这暂时还没有正常化。
P.S.我不明白://是为了让下面描述的所有输入通过历史来实现吗?
你的例子中三行都有w1,应该是这样的吗?
P.S. 我不明白的是://是这样的,下面描述的所有输入都可以在历史上进行操作?
我想了解w0将执行什么功能,我假设它是故事中的一个步骤,就像在循环中一样,如果不是,你能告诉我更多...
在你的例子中,你的三行都有w1,应该是这样的吗?
我想弄清楚w0将执行什么功能,所以我假设它是进入历史的一步,就像在循环中一样,如果不是,请详细解释......
要了解w0执行什么功能,我们最好从一些教科书开始,而不是跳进NS,IMHO。