测试实时预测系统 - 页 27 1...202122232425262728293031323334...93 新评论 Сергей 2009.08.31 18:17 #261 neoclassic писал(а)>> 对不起:-)这里是开头的预测。 gpwr显然以不同的方式处理傅里叶,我的方法没有参数。 :о))) 而GRNN与Fourier有什么不同?而这个GRNN到底是什么?我只是不知道。:о( Vladimir 2009.08.31 18:21 #262 grasn >> : 不,不,不。 我在一开始就发布预测,而不是在最后显示。 另外,如果没有参数,gpwr是如何获得另一行的? GRNN可以用不同的方式进行编码。我使用了最简单的代码,有固定的西格玛(集群大小)。图案的长度是另一个参数。我利用过去的数据对其进行了优化,得到了140条。没有平滑的价格被用作输入。顺便说一下,第三种方法(非线性自回归)也得到了类似的结果。 根据新的数据,这两种方法给出了以下预测 GRNN。 非线性的AR。 Sceptic Philozoff 2009.08.31 18:25 #263 GRNN 是神经网的一种类型。这里有一个 定义的链接。或者这里 有一个更聪明的办法。 Сергей 2009.08.31 18:29 #264 是的,是的--已经想明白了,谢谢......的参与 :o)))))) 补充:我被 "缺乏参数 "这句话弄糊涂了。任何NS都有 "参数总是"。 Vladimir 2009.08.31 18:39 #265 grasn >> : :о))) GRNN与Fourier有什么不同?而这个GRNN到底是什么?我只是不知道。:о( 在数学上,GRNN(一般回归神经网络)是最简单但非常有效的神经网络,由Specht在1991年提出。见此链接 http://people.cecs.ucf.edu/georgiopoulos/eel6812/papers/general_regression_network.pdf 这与傅立叶没有关系。GRNN指的是概率性神经网络,如最近的邻居。它采用所有过去的模式,并以这种方式计算当前模式与过去模式之间的欧几里得距离 D[n] = SUM( ( Open[i] - Open[n+i])^2, i=0...PatternLength ) 然后计算出过去 "未来 "价格的加权平均型预测值 Open[-1] = SUM( Open[n-1]*exp(D[n]/(2*Sigma), n=0...AllPastPatterns) / SUM( exp(D[n]/(2*Sigma)) , n=0...AllPastPatterns) 在最近的邻居中,在计算与过去模式的欧几里得距离后,选择最接近的模式,其 "未来 "值被用作当前模式的预测。这是在简单版本,很少使用。通常会找到最近的邻居,并对其 "未来 "值进行平均或加权,以找到对当前模式的预测。 Сергей 2009.08.31 18:51 #266 是的,我明白。 为了明确 起见,这个问题是向新古典主义 提出的--只是为了提醒你他的帖子内容。 gpwr видимо, по другому готовит Фурье, у моего метода нет параметров 这就是我问新古典主义 的原因 :o)))))有什么区别呢?因为他的预测有点像傅里叶的预测,遥相呼应。 到gpwr 谢谢你的概要介绍。 到数学 我已经说过感谢,但我随时准备重复:o))) Олег 2009.08.31 18:53 #267 Grasn,见《基于傅里叶变换的动态外推器》。 这里你可以看到工作原理和指标本身:-) Сергей 2009.08.31 18:57 #268 neoclassic >> : Grasn,见"基于傅里叶变换的动态外推器 这里你可以看到工作原理和指标本身:-) 然后。 看起来GRNN已经中了大奖 :-) 还是你已经决定,如果你不对我进行不必要的迷惑,这一天实际上将是一个失败的一天?:о))))) Олег 2009.08.31 19:00 #269 绝不是为了混淆你的视听 :-) Похоже GRNN сорвала куш 我说我的意思是,gpwr GRNN的预测是最准确的,而我的图片只是一个后续。 Сергей 2009.08.31 19:06 #270 neoclassic >> : 绝不是为了混淆你的视听 :-) 我说,意思是gpwr GRNN的预测结果是最准确的,我给出我的图片只是为了发展这个话题。 >> 一切顺利 :o)))))) PS:除了一件事--GRNN给出的只是最差的预测之一。但这是我的,IMHO。我的意思是,这很明显。 1...202122232425262728293031323334...93 新评论 您错过了交易机会: 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符(不带空格) 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号,请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置,否则您将无法登录。 忘记您的登录名/密码? 使用 Google 登录
对不起:-)这里是开头的预测。
gpwr显然以不同的方式处理傅里叶,我的方法没有参数。
:о)))
而GRNN与Fourier有什么不同?而这个GRNN到底是什么?我只是不知道。:о(
不,不,不。
我在一开始就发布预测,而不是在最后显示。
另外,如果没有参数,gpwr是如何获得另一行的?
GRNN可以用不同的方式进行编码。我使用了最简单的代码,有固定的西格玛(集群大小)。图案的长度是另一个参数。我利用过去的数据对其进行了优化,得到了140条。没有平滑的价格被用作输入。顺便说一下,第三种方法(非线性自回归)也得到了类似的结果。
根据新的数据,这两种方法给出了以下预测
GRNN。
非线性的AR。
GRNN 是神经网的一种类型。这里有一个 定义的链接。或者这里 有一个更聪明的办法。
是的,是的--已经想明白了,谢谢......的参与 :o))))))
补充:我被 "缺乏参数 "这句话弄糊涂了。任何NS都有 "参数总是"。
:о)))
GRNN与Fourier有什么不同?而这个GRNN到底是什么?我只是不知道。:о(
在数学上,GRNN(一般回归神经网络)是最简单但非常有效的神经网络,由Specht在1991年提出。见此链接
http://people.cecs.ucf.edu/georgiopoulos/eel6812/papers/general_regression_network.pdf
这与傅立叶没有关系。GRNN指的是概率性神经网络,如最近的邻居。它采用所有过去的模式,并以这种方式计算当前模式与过去模式之间的欧几里得距离
D[n] = SUM( ( Open[i] - Open[n+i])^2, i=0...PatternLength )
然后计算出过去 "未来 "价格的加权平均型预测值
Open[-1] = SUM( Open[n-1]*exp(D[n]/(2*Sigma), n=0...AllPastPatterns) / SUM( exp(D[n]/(2*Sigma)) , n=0...AllPastPatterns)
在最近的邻居中,在计算与过去模式的欧几里得距离后,选择最接近的模式,其 "未来 "值被用作当前模式的预测。这是在简单版本,很少使用。通常会找到最近的邻居,并对其 "未来 "值进行平均或加权,以找到对当前模式的预测。
是的,我明白。
为了明确 起见,这个问题是向新古典主义 提出的--只是为了提醒你他的帖子内容。
gpwr видимо, по другому готовит Фурье, у моего метода нет параметров
这就是我问新古典主义 的原因 :o)))))有什么区别呢?因为他的预测有点像傅里叶的预测,遥相呼应。
到gpwr
谢谢你的概要介绍。
到数学
我已经说过感谢,但我随时准备重复:o)))
Grasn,见《基于傅里叶变换的动态外推器》。
这里你可以看到工作原理和指标本身:-)
Grasn,见"基于傅里叶变换的动态外推器
这里你可以看到工作原理和指标本身:-)
然后。
看起来GRNN已经中了大奖 :-)
还是你已经决定,如果你不对我进行不必要的迷惑,这一天实际上将是一个失败的一天?:о)))))
绝不是为了混淆你的视听 :-)
Похоже GRNN сорвала куш
我说我的意思是,gpwr GRNN的预测是最准确的,而我的图片只是一个后续。
绝不是为了混淆你的视听 :-)
我说,意思是gpwr GRNN的预测结果是最准确的,我给出我的图片只是为了发展这个话题。
>> 一切顺利 :o))))))
PS:除了一件事--GRNN给出的只是最差的预测之一。但这是我的,IMHO。我的意思是,这很明显。