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 12345678910 新评论 Andrey Dik 2009.11.09 16:11 #11 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 2009.11.09 16:16 #12 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 2009.11.09 16:28 #13 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 2009.11.09 17:05 #14 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。 附加的文件: backpropagation.zip 422 kb Ruslan 2009.11.09 17:18 #15 gumgum писал(а)>> 接住。 i takoe uge chital mnogo navernoe mne ne dano poniat chto takoe NC cpacibo gumgum 2009.11.09 17:20 #16 Run >> : I takoe uge chital mnogo navernoe mne ne dano poniat chto takoe NC cpacibo 你需要什么!? Ruslan 2009.11.09 17:23 #17 是的,理解NS如何理解176厘米是真的 gumgum 2009.11.09 17:31 #18 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 2009.11.09 17:34 #19 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 2009.11.09 18:18 #20 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。 Finding a set of 将免费为您创建专家顾问! [警告关闭!]任何新手问题,为了不给论坛添乱。专业人士,不要走过。没有你,哪里都不能去。 12345678910 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
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。
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。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。
接住。
i takoe uge chital mnogo navernoe mne ne dano poniat chto takoe NC
cpacibo
I takoe uge chital mnogo navernoe mne ne dano poniat chto takoe NC
cpacibo
你需要什么!?
是的,理解NS如何理解176厘米是真的
>> 是的,理解NS如何理解176厘米是真的
>>.但sin90%=1是真的吗?
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。
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。