文章 "神经网络变得轻松（第十四部分）：数据聚类" 新评论 MetaQuotes 2022.08.05 08:16 新文章 神经网络变得轻松（第十四部分）：数据聚类已发布： 我的上一篇文章已经发表一年多了。 这令我有了大量时间考虑修改思路和发展新方法。 在这篇新文章中，我想转移一下以前使用的监督学习方法。 这次我们将深入研究无监督学习算法。 特别是，我们将考虑一种聚类算法 — k-均值。 如您所见，无监督学习算法可用于解决各种问题。 但如何在交易中运用它们呢？ 我们来思考一下。 图形分析方法几乎总是涉及某些图表形态：双顶/双底、头和肩、旗帜、各种谐波形态、等等。 甚而，还有许多由 1-3 根烛条组成的较小形态。 但是当我们试图用数学语言描述一个特定的形态时，我们必须处理大量的约定和冗余。 这令在算法交易中运用它们复杂化。 即使当交易者人工判定了形态，也有很多主观性。 这就是为什么在分析同一张图表时，不同的交易者从图表上识别出的形态，往往具有相反的预测走势方向。 好吧，也许这才是整个交易的底层规则。 有些境况下人盈利，其它则亏损。 在交易过程中，并未创造新的商品资料价值，且其中货币供应量保持不变。 它只能从一个钱包转移到另一个钱包。 那么，我们如何避免亏损呢？ 我们再次看看上面提到的图表形态。 是的，它们都有各自的变体。 但与此同时，每种形态都有自己的特定结构，它的辨识度与一般价格走势图表区别明显。 那么，如果我们采用无监督数据聚类算法，令模型识别特定时间周期内数据中所有可能的变化，那会怎么样呢。 由于我们采用无监督学习，因此不需要标记数据，而且时间周期可能相当长。 然而，不要忘记，历史时间周期的增加亦会令模型训练成本增加。 作者：Dmitriy Gizlyk 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
新文章 神经网络变得轻松（第十四部分）：数据聚类已发布：
我的上一篇文章已经发表一年多了。 这令我有了大量时间考虑修改思路和发展新方法。 在这篇新文章中，我想转移一下以前使用的监督学习方法。 这次我们将深入研究无监督学习算法。 特别是，我们将考虑一种聚类算法 — k-均值。
如您所见，无监督学习算法可用于解决各种问题。 但如何在交易中运用它们呢？ 我们来思考一下。 图形分析方法几乎总是涉及某些图表形态：双顶/双底、头和肩、旗帜、各种谐波形态、等等。 甚而，还有许多由 1-3 根烛条组成的较小形态。 但是当我们试图用数学语言描述一个特定的形态时，我们必须处理大量的约定和冗余。 这令在算法交易中运用它们复杂化。 即使当交易者人工判定了形态，也有很多主观性。 这就是为什么在分析同一张图表时，不同的交易者从图表上识别出的形态，往往具有相反的预测走势方向。 好吧，也许这才是整个交易的底层规则。 有些境况下人盈利，其它则亏损。 在交易过程中，并未创造新的商品资料价值，且其中货币供应量保持不变。 它只能从一个钱包转移到另一个钱包。 那么，我们如何避免亏损呢？
我们再次看看上面提到的图表形态。 是的，它们都有各自的变体。 但与此同时，每种形态都有自己的特定结构，它的辨识度与一般价格走势图表区别明显。 那么，如果我们采用无监督数据聚类算法，令模型识别特定时间周期内数据中所有可能的变化，那会怎么样呢。 由于我们采用无监督学习，因此不需要标记数据，而且时间周期可能相当长。 然而，不要忘记，历史时间周期的增加亦会令模型训练成本增加。
作者：Dmitriy Gizlyk