神经网络和输入 - 页 39 1...32333435363738394041 新评论 Mihail Marchukajtes 2015.01.09 18:54 #381 在样本外的建模质量。* 真正的积极因素：83* 真负数：111* 假阳性率：96* 假阴性率：47* 有统计的样本中的总模式：337个*其余的模式在没有统计的样本中：78* 样本外的总误差：143* 归纳能力的敏感度：46.36871508379888%。* 归纳能力的特异性：70.25316455696202%。* 归纳能力：16.621879640760895%* Reshetov的指标：0.004123184591376475*/ double x0 = 2.0 * (v0 - 19.0) / 35.0 - 1.0。 double x1 = 2.0 * (v1 - 12.26) / 57.8300000000005 - 1.0 double x2 = 2.0 * (v2 - 21.0) / 13.0 - 1.0 double x3 = 2.0 * (v3 - 12.11) / 24.3800000000003 - 1.0 double x4 = 2.0 * (v4 - 18.0) / 40.0 - 1.0 double x5 = 2.0 * (v5 - 11.61) / 58.5 - 1.0; double decision = -0.03426154451479057 + 0.09136531101334192 * x0 -0.16115463032514218 * x1 + 0.3774761240476446 * x0 * x1 -0。149536367886396967 * x2 -0.2182655506670959 * x0 * x2 -0.686972851164288 * x1 * x2 -0.7274492971348857 * x0 * x1 * x2 -0.06979110777265085 * x3 + 0。27356476016739995 * x0 * x3 -0.026662374360625248 * x1 * x3 + 0.12474514432879064 * x0 * x1 * x3 -0.291989483838501985 * x2 * x3 -0.28637167793397 * x0 * x2 * x3 + 0。04656257824516221 * x1 * x2 * x3 + 0.11427907143112637 * x0 * x1 * x2 * x3 + 0.01709410880995815 * x4 + 0.21856958901169654 * x0 * x4 -9。925957720785493E-4 * x1 * x4 + 0.9723342991021926 * x0 * x1 * x4 + 0.04599384769467396 * x2 * x4 - 0.05459813284687198 * x0 * x2 * x4 + 0.37290192411918303 * x1 * x2 * x4 + 0.010296169116858033 * x0 * x1 * x2 * x4 + 0.058584612082841506 * x3 * x4 + 0.531371391780234 * x0 * x3 * x4 -0。025018778838931215 * x1 * x3 * x4 + 0.1861984476159817 * x0 * x1 * x3 * x4 + 0.07319097184962621 * x2 * x3 * x4 + 0.09688271273741818 * x0 * x2 * x3 * x4 + 01411041957291555 * x1 * x2 * x3 * x4 + 0.16417712916264263 * x0 * x1 * x2 * x3 * x4 -0.1726597989770004 * x5 + 0.36239224523375185 * x0 * x5 -0。008892292227349143328 * x1 * x5 -0.04417677147047251 * x0 * x1 * x5 -0.7319687377043317 * x2 * x5 -0.7806416997531924 * x0 * x2 * x5 + 0。01225632222209106843 * x1 * x2 * x5 + 0.04393711771649319 * x0 * x1 * x2 * x5 -0.006563651321672569 * x3 * x5 + 0.0627642424509067496 * x0 * x3 * x5 -0。015999570769395857 * x1 * x3 * x5 -0.05302786422005222 * x0 * x1 * x3 * x5 + 0.03534892871195049 * x2 * x3 * x5 + 0.1463193475694817 * x0 * x2 * x3 * x5 -0。027476124047644598 * x1 * x2 * x3 * x5 + 0.052884787352004865 * x0 * x1 * x2 * x3 * x5 -0.018202954537325178 * x4 * x5 + 1.0 * x0 * x4 * x5 -0。07118968415781378 * x1 * x4 * x5 -0.003138748792788926 * x0 * x1 * x4 * x5 + 0.2624137067639589 * x2 * x4 * x5 -0.02015595378617162 * x0 * x2 * x4 * x5 + 0。08019279607969382 * x1 * x2 * x4 * x5 + 0.06399649461673285 * x0 * x1 * x2 * x4 * x5 -0.02596308616804378 * x3 * x4 * x5 + 0。18361769860857746 * x0 * x3 * x4 * x5 -0.08407017017920377723 * x1 * x3 * x4 * x5 + 0.03014271917587724 * x0 * x1 * x3 * x4 * x5 + 0.07432306756805093 * x2 * x3 * x4 * x5 + 0。20722895875809277 * x0 * x2 * x3 * x4 * x5 + 0.0075079586507851345 * x1 * x2 * x3 * x4 * x5 + 0.20670493972886933 * x0 * x1 * x2 * x3 * x4 * x5它是复杂的.....数据对因变量的描述程度如何???? neural network and inputs MQL5 中的统计分布 - 充分利用 逆转：正规化入场点并开发手动交易算法 Mihail Marchukajtes 2015.01.10 05:11 #382 我已经提交了一份培训文件。还没有测试间隔 :-( 但这不是问题.....而据我所知，它需要337个作品，尽管我提交了600个。这里，我将尝试在我的环境中重现这个结果。我想知道，即使在不同的机器上，结果会是什么？ 附加的文件： reshetovtest.txt 23 kb Mihail Marchukajtes 2015.01.10 05:58 #383 而关于数据，目前还不太清楚如何拿它们来训练清洁数据的网络.....。如何从训练样本中选择TruePositives: TrueNegatives: FalsePositives: FalseNegatives并尝试训练网络。看看会发生什么。对传入的数据进行规范化处理，这是件好事....我不知道如何使用....只是为了让它看起来不错... Mihail Marchukajtes 2015.01.10 11:09 #384 结果匹配.......假设我们找到了83个真实的正面例子。我们如何将它们与总的样本......。而饲料纯粹是这83条记录自然而然的正常化。而如果网络以最小的误差学习到了这83条记录。然后它将（理论上）能够对输入的噪音...... 中的此类记录进行分类。像这样.... Yury Reshetov 2015.01.10 11:35 #385 nikelodeon:我已经提交了一份培训文件。还没有测试间隔 :-( 但这不是问题.....而据我所知，它需要337个作品，尽管我提交了600个。这里，我将尝试在我的环境中重现这个结果。我想知道，即使在不同的机器上，结果会是什么？ VMR将总样本分为两部分：训练和控制。也就是说，如果总样本包含600个例子，这意味着600-337=263个例子包含在训练样本中，在此基础上创建了模型（训练），337个例子包含在控制样本中，在此基础上测试了模型（但没有训练）。nikelodeon: 而关于数据，目前还不太清楚如何在干净的数据上拿它来训练网络.....。如何从训练集中提取TruePositives: TrueNegatives: FalsePositives: FalseNegatives并尝试训练网。 从训练集中提取任何东西都没有意义。训练样本只是为了建立模型，而模型是为了其他数据，这些数据不会出现在这个样本中，所以VMR只对控制样本进行所有的计算。 Yury Reshetov 2015.01.10 11:49 #386 事实上，JPrediction的创建不是为了预测金融工具，而是为了预测下个月的信号盈利能力。换句话说，我编制一个样本，其中包括当前的信号特征：交易数量、期限、月盈利%、盈利交易的百分比、亏损交易的百分比、盈利系数、夏普比率等。然后我等了一个月，用一个月的盈利和0个不盈利的交易来标记。然后我在这个样本上训练模型，用它来预测下个月的信号。这个想法是，信号更容易预测，因为除了历史数据之外，它们还有很多额外的有用信息。金融工具除了历史数据外，没有任何其他数据。 Mihail Marchukajtes 2015.01.10 15:58 #387 Wizard，你用什么程序来解释数据？E-excel？ Mihail Marchukajtes 2015.01.10 16:37 #388 所以我在想......如何解释结果......使其更快，当然不是通过手........。 Mihail Marchukajtes 2015.01.11 07:04 #389 Reshetov:事实上，JPrediction的创建不是为了预测金融工具，而是为了预测下个月的信号盈利能力。换句话说，我编制一个样本，其中包括当前的信号特征：交易数量、期限、月盈利%、盈利交易的百分比、亏损交易的百分比、盈利系数、夏普比率等。然后我等待一个月，对一个月内有盈利的信号标记1个标记，而对无盈利的交易标记0个标记。然后我在这个样本上训练模型，用它来预测下个月的信号。这个想法是，信号更容易预测，因为除了历史数据之外，它们还有很多额外的有用信息。金融工具除了历史数据外，没有任何其他数据。 我完全支持这个观点，我有一个指标，可以提供信号。同样的行业。我认为在JPrediction中也可能运行，但不清楚如何选择训练间隔？而且，如果能将文件与每条记录的计算指标.....，就像Vizard所做的那样......，并保存数据本身，这样就可以获得....，这将是很方便的。在他们身上，你可以尝试训练另一个网络 later.....就这样了。Say Yuri, is this planned???? Mihail Marchukajtes 2015.01.11 11:07 #390 最烦人的是，Excel也不支持这么长的公式：-( 1...32333435363738394041 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
在样本外的建模质量。
* 真正的积极因素：83
* 真负数：111
* 假阳性率：96
* 假阴性率：47
* 有统计的样本中的总模式：337个
*其余的模式在没有统计的样本中：78
* 样本外的总误差：143
* 归纳能力的敏感度：46.36871508379888%。
* 归纳能力的特异性：70.25316455696202%。
* 归纳能力：16.621879640760895%
* Reshetov的指标：0.004123184591376475
*/
double x0 = 2.0 * (v0 - 19.0) / 35.0 - 1.0。
double x1 = 2.0 * (v1 - 12.26) / 57.8300000000005 - 1.0
double x2 = 2.0 * (v2 - 21.0) / 13.0 - 1.0
double x3 = 2.0 * (v3 - 12.11) / 24.3800000000003 - 1.0
double x4 = 2.0 * (v4 - 18.0) / 40.0 - 1.0
double x5 = 2.0 * (v5 - 11.61) / 58.5 - 1.0;
double decision = -0.03426154451479057 + 0.09136531101334192 * x0 -0.16115463032514218 * x1 + 0.3774761240476446 * x0 * x1 -0。149536367886396967 * x2 -0.2182655506670959 * x0 * x2 -0.686972851164288 * x1 * x2 -0.7274492971348857 * x0 * x1 * x2 -0.06979110777265085 * x3 + 0。27356476016739995 * x0 * x3 -0.026662374360625248 * x1 * x3 + 0.12474514432879064 * x0 * x1 * x3 -0.291989483838501985 * x2 * x3 -0.28637167793397 * x0 * x2 * x3 + 0。04656257824516221 * x1 * x2 * x3 + 0.11427907143112637 * x0 * x1 * x2 * x3 + 0.01709410880995815 * x4 + 0.21856958901169654 * x0 * x4 -9。925957720785493E-4 * x1 * x4 + 0.9723342991021926 * x0 * x1 * x4 + 0.04599384769467396 * x2 * x4 - 0.05459813284687198 * x0 * x2 * x4 + 0.37290192411918303 * x1 * x2 * x4 + 0.010296169116858033 * x0 * x1 * x2 * x4 + 0.058584612082841506 * x3 * x4 + 0.531371391780234 * x0 * x3 * x4 -0。025018778838931215 * x1 * x3 * x4 + 0.1861984476159817 * x0 * x1 * x3 * x4 + 0.07319097184962621 * x2 * x3 * x4 + 0.09688271273741818 * x0 * x2 * x3 * x4 + 01411041957291555 * x1 * x2 * x3 * x4 + 0.16417712916264263 * x0 * x1 * x2 * x3 * x4 -0.1726597989770004 * x5 + 0.36239224523375185 * x0 * x5 -0。008892292227349143328 * x1 * x5 -0.04417677147047251 * x0 * x1 * x5 -0.7319687377043317 * x2 * x5 -0.7806416997531924 * x0 * x2 * x5 + 0。01225632222209106843 * x1 * x2 * x5 + 0.04393711771649319 * x0 * x1 * x2 * x5 -0.006563651321672569 * x3 * x5 + 0.0627642424509067496 * x0 * x3 * x5 -0。015999570769395857 * x1 * x3 * x5 -0.05302786422005222 * x0 * x1 * x3 * x5 + 0.03534892871195049 * x2 * x3 * x5 + 0.1463193475694817 * x0 * x2 * x3 * x5 -0。027476124047644598 * x1 * x2 * x3 * x5 + 0.052884787352004865 * x0 * x1 * x2 * x3 * x5 -0.018202954537325178 * x4 * x5 + 1.0 * x0 * x4 * x5 -0。07118968415781378 * x1 * x4 * x5 -0.003138748792788926 * x0 * x1 * x4 * x5 + 0.2624137067639589 * x2 * x4 * x5 -0.02015595378617162 * x0 * x2 * x4 * x5 + 0。08019279607969382 * x1 * x2 * x4 * x5 + 0.06399649461673285 * x0 * x1 * x2 * x4 * x5 -0.02596308616804378 * x3 * x4 * x5 + 0。18361769860857746 * x0 * x3 * x4 * x5 -0.08407017017920377723 * x1 * x3 * x4 * x5 + 0.03014271917587724 * x0 * x1 * x3 * x4 * x5 + 0.07432306756805093 * x2 * x3 * x4 * x5 + 0。20722895875809277 * x0 * x2 * x3 * x4 * x5 + 0.0075079586507851345 * x1 * x2 * x3 * x4 * x5 + 0.20670493972886933 * x0 * x1 * x2 * x3 * x4 * x5
它是复杂的.....数据对因变量的描述程度如何????
我已经提交了一份培训文件。还没有测试间隔 :-( 但这不是问题.....
而据我所知，它需要337个作品，尽管我提交了600个。
这里，我将尝试在我的环境中重现这个结果。我想知道，即使在不同的机器上，结果会是什么？
结果匹配.......假设我们找到了83个真实的正面例子。我们如何将它们与总的样本......。而饲料纯粹是这83条记录自然而然的正常化。而如果网络以最小的误差学习到了这83条记录。然后它将（理论上）能够对输入的噪音...... 中的此类记录进行分类。像这样....
我已经提交了一份培训文件。还没有测试间隔 :-( 但这不是问题.....
而据我所知，它需要337个作品，尽管我提交了600个。
这里，我将尝试在我的环境中重现这个结果。我想知道，即使在不同的机器上，结果会是什么？
而关于数据，目前还不太清楚如何在干净的数据上拿它来训练网络.....。如何从训练集中提取TruePositives: TrueNegatives: FalsePositives: FalseNegatives并尝试训练网。
事实上，JPrediction的创建不是为了预测金融工具，而是为了预测下个月的信号盈利能力。
换句话说，我编制一个样本，其中包括当前的信号特征：交易数量、期限、月盈利%、盈利交易的百分比、亏损交易的百分比、盈利系数、夏普比率等。然后我等了一个月，用一个月的盈利和0个不盈利的交易来标记。
然后我在这个样本上训练模型，用它来预测下个月的信号。
这个想法是，信号更容易预测，因为除了历史数据之外，它们还有很多额外的有用信息。金融工具除了历史数据外，没有任何其他数据。
所以我在想......如何解释结果......使其更快，当然不是通过手........。
事实上，JPrediction的创建不是为了预测金融工具，而是为了预测下个月的信号盈利能力。
换句话说，我编制一个样本，其中包括当前的信号特征：交易数量、期限、月盈利%、盈利交易的百分比、亏损交易的百分比、盈利系数、夏普比率等。然后我等待一个月，对一个月内有盈利的信号标记1个标记，而对无盈利的交易标记0个标记。
然后我在这个样本上训练模型，用它来预测下个月的信号。
这个想法是，信号更容易预测，因为除了历史数据之外，它们还有很多额外的有用信息。金融工具除了历史数据外，没有任何其他数据。