在交易中使用神经网络 - 页 28

新评论
 
2 leksus

你所写的内容已经在这个论坛上讨论过好几次了，还有更多。所以我没有精力把所有东西都写第二遍.......。
 

Robot_al:
... Форекс мне стал более-менее понятен, даже, когда он непонятен - это всего лишь инверсия "понятности".

...好吧，外汇只是一个我能够应用乔治-布尔的代数逻辑的地方。


酷...

很好...

 
LeoV:

你所写的内容已经在这个论坛上讨论过好几次了，而且不仅仅是这样。所以我没有精力把所有东西都写上第二遍.......。


所以我没有仔细阅读这个论坛。因为我没有看到任何这样的讨论。总之，我不坚持。而要写出第二轮，实在不是一件令人感激的事。

来到这个论坛，我只问了自己一个问题。这个问题似乎已经有了答案。

 
Alexey_74:

太阳能，我提请你注意，我暗示了分类的问题。而这是没有老师的学习原则。也就是说，这里没有 "出 "的概念。

P.S. 对不起，由于某些原因，我不得不把我的绰号leksus改为现在这个。


只是在你完全专注于分类之前。但请想一想--比如说，如果你教网络5个字母，扫描后如何进行文字识别？

我根本不是在逗你玩。 主要信息--信息的完整性是需要的。到目前为止，你的注意力都集中在错误的事情上，我认为。

 
solar:

就在你完全专注于分类之前。想一想--比如说，如果你教网络5个字母，扫描后如何进行文字识别？

不，我当然不会去做文字识别。学习所有五个字母是没有意义的...

我根本不是在逗你玩。主要的一点是，你需要的信息是完整的。到目前为止，你的注意力都集中在错误的事情上，我认为。

谢谢你，我也在努力做一个有建设性的人。而在我看来，我们谈论的是不同的事情。我在抱怨分类方面的困难时，是指以下方面。

让我们来看看经典的案例--飞机。该理论指出，数据（在平面的情况下）应该是线性可分离的，以产生一个成功的分类。

(对不起，我没有任何漂亮的图片，我不得不在Excel中做一些快速图片）。

假设我们取了有2个参数X和Y的数据（平面......）。我们把它们附在单位向量上，得到如下图片。我们看到5个截然不同的区域。任何SOM都可以一次性管理分类，而且分类将只是一个分类。任何新的数据都会落入其中一个类别。每个类的属性我们都知道，所以只要找出新数据属于哪个类，我们就知道它的一切。这一切都意味着...

不幸的是，经典案例和实际案例，正如他们在敖德萨所说的那样，是两个很大的区别。

在实际案例中，我们卸载了数据，得到了这样的图片。在这种情况下，分类当然也是可能的，但它没有实际价值。我们可以指定同样的5个类，SOM会老老实实地 "画 "出来，只是均匀地 分配聚类中心。新到的数据将被送往某处。但这个 "某个地方 "已经没有任何意义了。所有的数据以及它们的属性都均匀地散布在整个平面上（杂乱无章）。如果我们相信这样的分类，并将一个新的数据归于其中一个类别，我们只是在愚弄自己。

这就是问题的关键，也是我在那 篇文章中的意思。因此，无论我如何看待这个问题，我从未设法获得具有明确可分离性的数据。所以，要么根本就没有可分离性，所以根本就不要尝试。或者我没有足够的牵引力。大自然赐予我一些自我批评，所以我倾向于第二个选择。因此，我与不同的同志协商。一旦你有了明确的分类，你就可以用概率网格和模糊逻辑来工作。

 
Alexey_74:

不，我当然不是在做文字识别。学习所有五个字母是没有意义的...

谢谢你，我也在努力做一个有建设性的人。我还以为我们在谈论不同的事情。在我关于分类困难的感叹中，我指的是以下内容。

让我们来看看经典的案例--飞机。该理论指出，数据（在平面的情况下）应该是线性可分离的，以产生一个成功的分类。

(对不起，我没有任何漂亮的图片，我不得不在Excel中做一些快速图片）。

假设我们取了有2个参数X和Y的数据（平面......）。我们把它们附在单位向量上，得到如下图片。我们看到5个截然不同的区域。任何SOM都可以一次性管理分类，而且分类将只是一个分类。任何新的数据都会落入其中一个类别。每个类的属性我们都知道，所以只要找出新数据属于哪个类，我们就能立即知道关于它的一切。这一切都意味着...

不幸的是，经典案例和实际案例，正如他们在敖德萨所说的，是两个大的区别。

在实际案例中，我们卸载了数据，得到了这样的图片。在这种情况下，分类当然也是可能的，但它没有实际价值。我们可以指定同样的5个类，SOM会老老实实地 "画 "出来，只是均匀地分配聚类中心。新到的数据将被送往某处。但这个 "某个地方 "已经没有任何意义了。所有的数据以及它们的属性都均匀地散布在整个平面上（杂乱无章）。如果我们相信这样的分类，并将一个新的数据归于其中一个类别，我们只是在愚弄自己。

这就是问题的关键，也是我在那 篇文章中的意思。因此，无论我如何看待这个问题，我从未设法获得具有明确可分离性的数据。所以，要么根本就没有可分离性，所以根本就不要尝试。或者我没有足够的牵引力。大自然赐予我一些自我批评，所以我倾向于第二个选择。因此，我与不同的同志协商。一旦你有了明确的分类，你就可以用概率网格和模糊逻辑来工作。

典型的TA推理，盲目相信假设--"历史会重演"。

你所写的一切对数据分析来说是好的（也许），但对预测来说，它甚至不是好的。

为什么你认为作为成功分类的结果所确定的类（假设你成功地解决了这个问题）会在未来？主要的问题不是分类，而是方法的可预测性，对未来使用的信心。这是一个完全不同的问题。这就是为什么神经网络在交易中的价值非常有限。IMHO。

 
Alexey_74:


一般来说，如果你使用与对象有稳定关系的间接数据，而不是直接数据，就可以充分利用网络的力量。

例如，物体 在白天和晚上的照度，将取决于太阳的角度。而如果你使用太阳的照度数据，你将得到物体的照度。

网络的意义在于从相关事件中重构信息。网络不是一个神奇的函数，它和任何数学函数一样具有魔力。

我不会坚持，但如果你想进行分类、近似、预测、插值或其他任何.....，任何工具，你都需要存档。 一切 我将强调与之相关的所有数据。而这不仅是OHLCV以任何方式转变的。例如，黄金的走势是否会对任何工具产生影响？油？以此类推.....

祝你在完成这项艰巨的任务时总体上好运。

 
solar:

也许你终究不应该在里面塞东西？ 也许在进去的东西和出来的东西之间应该有一些联系？

你是否建议用美元作为投入？

我一直在想。也许这是对的。))

 
EconModel:

典型的TA推理，盲目相信假设--"历史会重演"。

盲目的信仰从来没有存在过。唯物主义的核心。但我绝对相信，"历史会重演"。我相信，这是在重复自己。这并不意味着今天下午3点的价格会和上周二下午3点的价格表现一样，或者类似。

你写的一切对数据分析来说是好的（也许），但对预测来说远远不够好。

为什么你认为作为成功分类的结果所确定的类（假设你成功地解决了这个问题）会在未来？主要的问题不是分类，而是方法的可预测性，对未来使用的信心。这是一个完全不同的问题。这就是为什么神经网络在交易中的价值非常有限。IMHO。


在这种情况下，分析和预测都在同一个杯子里。

关于班级我不计较，目前我只是在猜测。而且你是对的，主要问题不是分类。分类只是一种基础。而进一步的（目标）正是可预测性。但在这里我也不计较什么。我不知道它是否能发挥作用。当我实施 "铁中的设备 "时，我就会知道。只有这样，它才会被了解。

 
Alexey_74:

盲目的信仰从来没有存在过。一个核心的唯物主义者。但我绝对相信，"历史会重演"。我相信它正在重演。这并不意味着价格会和上周二15:00时的表现一样，或类似的情况。


在这种情况下，分析和预测都在同一个杯子里。

关于班级，我没有计算，目前我只是猜测。而且你是对的，主要问题不是分类。分类只是一种基础。而进一步的（目标）是可预测性。但在这里我也不计较什么。我不知道它是否能发挥作用。当我实施 "铁中装置 "时，我就会知道。只有这样，它才会被了解。

也许我不明白什么。

我们将其归类为模式。我们相信，这样的模式会在未来出现，我们将能够利用这些知识进行预测。对吗？

根据什么？谁证明了根本就会有这样的模式，或者稍有或强烈的改变？

IMHO，如果我们教网络识别手写字母 "a"，那么绝对可以肯定，这个字母将在未来出现，因为它存在于语言中，如果未来大多数人开始用脚写字，仍然会有一个 "a"，只是字体会改变，也许网络将不得不进一步培训。它说的是静止性。

报价原则上是一个非稳态过程，即一直存在某种偏差，在不同时期不同，与稳态部分相当（超过）。这就是问题所在--原文的非稳定性：今天是俄语字母，明天是中文字母。 人们必须寻找信件所反映的客观现实。而这正是神经网络学家所不做的。

1...212223242526272829303132333435...40
新评论