找到一组指标来输入神经网络的输入。讨论。一个评估结果的工具。 - 页 2

[Andrey Dik]

在手指上。

一个人说话，另一个人回答。

一个人的身高（厘米）。

1- 不太可能

10- 它不可能是

30- 不太可能

100-Maybe

176-true

200-小的机会

230-不可能。

300-不太可能。

这是一个非线性转换的例子。

[Alexey]

而如果我们按照幸运猴子的原则来做。例如，我们采取CCI，并在所有可用的历史上检查它，然后我们选择有利可图的行业，不会一直亏损。然后，我们采取动量、布林、Muvings 并选择有利可图的区域。交易是以虚拟方式进行的，一个显示与最初选择一样好的系统被允许用于真实交易。如果历史重演，它应该是有效的。另外，这种方法的优点是对良好情况下的持续时间有一个大致的估计。你选择盈利区域的标准是什么，比如交易数量、平均交易、最大跌幅、盈利区域的持续时间，我有一个小想法，以后再告诉你。

[ilyaa]

ivandurak >> :
如果我们按照幸运猴子的原则来做，会怎么样呢。例如，让我们采取CCI，并在所有可用的历史上检查它，我们将选择有利可图的部门，不会一直损失。然后，我们采取动量、布林、Muvings并选择有利可图的区域。交易是以虚拟方式进行的，一个显示与最初选择一样好的系统被允许用于真实交易。如果历史重演，它应该是有效的。另外，这种方法的优点是对良好情况下的持续时间有一个大致的估计。你选择盈利区域的标准是什么，比如交易数量、平均交易、最大跌幅、盈利区域的持续时间，我有一个小想法，以后再告诉你。

你可以在这里 的另一个主题中去。

[gumgum]

Run >> :

你好

我一直有兴趣学习NS，但只要我开始阅读一些关于这个主题的文献，我的头就开始沸腾，最后我甚至无法理解NS是什么。

你能不能举一个简单的例子（可以说是在手指上）来解释它是什么？

>> 谢谢你

接住。

[Ruslan]

gumgum писал(а)>>

接住。

i takoe uge chital mnogo navernoe mne ne dano poniat chto takoe NC

cpacibo

[gumgum]

Run >> :

I takoe uge chital mnogo navernoe mne ne dano poniat chto takoe NC

cpacibo

你需要什么！？

[Ruslan]

是的，理解NS如何理解176厘米是真的

[gumgum]

Run >> :

>> 是的，理解NS如何理解176厘米是真的

>>.但sin90%=1是真的吗？

[Andrey Dik]

Run >> :

以了解NS如何理解5英尺7英寸是真的。

过程来了!

我之前的例子是一个非线性的钟形变换函数

一般来说，最常用的函数，至少对我来说，是(2/(1-2^(-x))-1。

在Excel或Matcad中进行实验。以上面的例子为例，很多东西都会变得清晰。

[Alexey]

IlyaA писал(а)>>

你去这里的 另一个主题。

我也对找到一套最低限度的指标和评估结果非常感兴趣，但是为了我自己的目的。

只是我们应该使用交易的结果而不是收盘价。 谁擅长几何学，请纠正代码

double Dispersia (int i, int N)
{
// 在这个子程序中，我们计算了收盘价偏离的离散度。
// 线性回归线
// 我认为，从平均值的分散度是不太充分的，因为分布
例如，用y=b*x+c来描述，那么分散性（从平均值来看）取决于斜率角、//深度和//速度。
// 样本和传播。在我的情况下，方差只取决于价差。
在我的例子中，分散性只取决于散布。//当然，最好是使用幂或指数，特别是在计算基于加速率的系统时，//。
//驱动的加速率，那么我很抱歉，我太笨了。
double Pi=3.141592653589793 ; // 忘记了等价运算符。
int j;
double a,b,Summ_x,Summ_y,Summ_x_2,Summ_xy,Deviation,StdDeviation,Sredn_y,AC;
for (int x=1;x<N;x++)
{ j=N-x+i;
Summ_x=Summ_x+x。
Summ_y=Summ_y+Close[j]。
Summ_xy=Summ_xy+x*Close[j]。
Summ_x_2=Summ_x_2+MathPow(x,2);
}
b=((N-1)*Summ_xy-Summ_x*Summ_y)/((N-1)*Summ_x_2-MathPow(Summ_x,2) )。
a=（Summ_y-b*Summ_x）/（N-1）。
Sredn_y=Summ_y/（N-1）。
for ( x=N ;x>=1 ;x--)
{
j=N-x+i ;
如果 ( b >0 )
{
AC= MathAbs(Close[j]-(b*x+a))*MathSin(Pi/2-MathArctan(b) );
}
如果 ( b<0 )
{
AC=MathAbs(Close[j]-(b*x+a))*MathSin(MathArctan(b)-Pi/2) 。
}
偏差=偏差+ MathPow(AC,2) 。
}
StdDeviation=MathSqrt(Deviation/N)。
返回（StdDeviation*StdDev）。
}

如果我们根据这个公式估计结果，那么TS由两个参数描述，即回归线的斜率角越大越好，假分散越接近于零越好。