나는 이전에 그러한 컨볼루션 "패턴"이 성배 에 지나지 않는 것처럼 보였던 것을 기억합니다. hrenFx는 약 10년 전에 그러한 칠면조를 배치하기도 했습니다. 저도 제 자신의 버전을 만들었지만 ... 어쩐지 잘 작동하지 않습니다. 서로 다른 TF의 투표 컨볼루션이 있는 가장 간단한 옵션입니다.
네, 그녀 스스로 할 수 없다는 것이 분명합니다. 역사 입력을위한 신호가 있고 분류해야 할 많은 지표가 있지만 국회 작업의 결과는 신호의 확인이 아닙니다. , 그러나 신호 자체의 생성. 죄송합니다. 아마도 이것은 어리석은 일이지만 이 주제에 대한 지식이 부족하기 때문에 귀하의 기사를 읽은 후 이것이 가능하지 않은 이유를 알 수 없습니다.
나는 ZZ에 대해 이해하지 못했습니다. 일반적인 ZZ는 현재 극값을 보여줍니다 ...
다시 말하지만, 3Z는 신호 생성용이지 확인용이 아닙니다. 성장하는 시장과 함께 매도하라는 신호는 항상 있지만 과거 옵션의 그림을 기반으로 국회가 확인해야합니다.
국정원의 장점은 히스토리에 수집된 여러 패턴으로 신호를 확인하거나 반박할 수 있고, 서로 모순되어서는 안되며, 거래 신호가 왔을 때 확인된다는 점을 제대로 이해하고 있습니까?
길게 설명하자면 일반적으로 ZZ는 적합하지 않습니다. 이것이 바로 내가 당신에게 말하는 것입니다. 그리고 더:
우리는 무엇을 하고 싶은지 결정해야 합니다. 예측하거나 분류합니다. 접근 방식은 완전히 다르지만 같은 목표를 추구합니다....
기사를 다시 살펴보십시오. 기본 전략은 시장을 분석하는 시점을 결정할 때만 필요합니다. 즉, 이벤트가 발생하면 분석을 진행합니다. 무엇이든 이벤트가 될 수 있습니다.
틱이 교차하고 이벤트가 발생하고 분석을 시작했다고 가정해 보겠습니다.
어느 정도 당신이 옳습니다. 신경망 자체는 기본 전략의 신호가 형성되는 순간에 작동한다는 사실만을 고려하여 신호를 발행합니다. NN은 기본 전략의 신호에 대한 확인 또는 반박임이 밝혀졌습니다. 이 같은....
그러나 우리는 하나의 패턴에 대해 네트워크를 훈련할 것입니다. 시장의 성장으로 이어진 패턴은 1로 표시하고 감소로 이어지는 패턴은 0으로 표시합니다. NS를 훈련시키는 것은 남아 있습니다.
제 경험상 이것이 최선의 방법은 아닙니다. 다음 막대의 가격 인상이 알려진 경우 이를 뉴런의 대상으로 사용하는 것이 좋습니다. 그렇더라도 게인은 0과 1의 두 클래스에 비해 훈련에 유용할 수 있는 정보이기도 합니다. 나중에 회귀 예측이 여전히 두 클래스(매수/매도)로 이어지더라도 던지기보다 회귀 결과를 반올림하는 것이 좋습니다 일부 정보는 아직 학습 단계에 있습니다.
예를 들어, Forex에 대해 작동하는 회귀 모델이 하나 이상 또는 더 적습니다. 모델이 분류 1로 대체되면 완전히 분해됩니다(R에서 분류와 회귀 간의 전환은 실제로 매우 간단하고 모든 대상이 0과 1로 반올림되거나 대상에 요인 유형이 있는 경우 ).
나는 역사상 유사한 패턴을 찾는 지표를 만들었습니다. 여기에 M1 EURUSD의 현재 수치가 있습니다. 1년에 가장 유사한 10개. https://www.mql5.com/en/articles/197 기사에서 예제를 약간 변경했습니다. 가장 유사한 옵션 대신 가장 유사한 옵션을 N개 선택하고 답을 막대로 평균합니다. 나는 패턴을 찾기 위해 하나의 종가를 사용하지 않고 이 시간 동안 가격이 있었던 채널, 즉 낮고 높음. 나는 스프레드 값으로 Low를 올립니다.
보시다시피, 역사상 이 패턴은 하향 및 상향 움직임(회색 및 진한 빨간색 선)을 제공했습니다. 평균 가격 움직임(흰색 및 빨간색 선)은 거의 0(스프레드보다 약간 넓음)이며 이러한 예측으로 거래하는 것은 불가능하며 스프레드, 스왑 및 수수료는 거래를 손실로 가져올 것입니다. 때로는 한 방향으로 좋은 예측을 가진 패턴이 있지만 흔적에 있습니다. 바, 예측이 역전될 수 있습니다. 이 경우 포지션의 첫 번째 턴을 하면 스프레드와 커미션이 다시 첫 번째 거래를 수익성이 없게 만듭니다. 지표의 예측은 회귀 NN과 비교할 수 있지만 분류기는 회귀에서 쉽게 만들 수 있습니다. 낮음 및 높음 외에도 모든 지표를 추가할 수 있습니다.
내가 올바르게 이해한다면 신경망은 본질적으로 이 평균화 지표와 동일한 작업을 수행합니다. 기록(예: 1년)에 대해 유사한 예측 변수(내 경우에는 가격만)를 찾고 평균 예측을 작성합니다.
더 쉽게 할 수 있다면 NN을 사용하는 것이 의미가 있습니까? 역사를 살펴보십시오. 그들의 장점은 무엇입니까?
추신
글쎄, 가격이 같은 패턴으로 양방향으로 갔다는 사실은 차트의 패턴 찾는 사람과 NN 사용자 모두에게 프로세스의 우연 또는 전략을 깨려는 인형의 트릭으로 간주 될 수 있습니다. , 예측을 악화시키거나 오히려 그림과 같이 예측이 0에 가까워지도록 축소합니다.
상관 패턴을 찾고 계십니까? 그렇다면 빈
이번 주 내 NS(테스트) 거래, 약 한 달 간의 테스트 및 표준으로 돈을 이체하는 것이 가능할 것입니다. 총계: 한 달 안에 간단하고 강력한 NN이 작성되었습니다.
상관 관계, 즉 원하는 패턴의 각 막대에 있는 가격 간의 차이에 의해. 이를 막대의 오류라고 하면 모든 막대의 오류가 합계되고 총 오류별로 정렬되며 가장 유사한 옵션인 N개를 찾습니다. 2개의 가격 차트를 비교할 수 있는 다른 옵션이 없습니다. 또 어떤 옵션이 있을까요...?
이것은 내가 제 학생들에게 가르치는 주된 것입니다. 남자는 원칙적이며, 그가 죽기로 결정하면 우리는 구부리지 않습니다. 배우면서 가장 어려웠던 점은 학생(맥심)이 한 명 있었는데, 그는 짐을 견디지 못하고, 성격이 부족했고, 너무 여성스러웠고, 소년은 떨렸지만 성공할 것입니다! 당신은 남자입니다!
도서관 : 상관 관계, 즉 원하는 패턴의 각 막대에 있는 가격 간의 차이에 의해. 이를 막대의 오류라고 하면 모든 막대의 오류가 합계되고 총 오류별로 정렬되며 가장 유사한 옵션인 N개를 찾습니다. 2개의 가격 차트를 비교할 수 있는 다른 옵션이 없습니다. 또 어떤 옵션이 있을까요...?
미니엄으로 차트의 아핀 변환을 수행해야 합니다. 패턴이 서로 다른 경사각(자체 아핀 구조)으로 이동하고 두 번째로 다른 TF를 검색하기 때문입니다. 그러나 상관관계가 사용될 때 이 모든 것이 도움이 되지 않습니다. 매우 다른 패턴을 찾습니다. 이를 위해서는 컨볼루션 신경망(컴퓨터 비전)이 더 적합합니다.
예측에 관해서는 주제가 다소 흥미 롭습니다. 그래서 우리는 역사의 뒷마당에서 발견된 패턴을 가지고 있습니다. 지금과 똑같습니다. 그러나 이러한 패턴에 대한 시장의 반응은 분명하지 않습니다. 위가 있고 아래가 있습니다.
또한 그래프에서 볼 수 있는 한 동일한 패턴이 각각 여러 번 발견되었으며 이벤트 개발을 위한 몇 가지 옵션이 있습니다. 여기서 분류가 작동합니다. 그러나 우리는 하나의 패턴에 대해 네트워크를 훈련할 것입니다. 시장의 성장으로 이어진 패턴은 1로 표시하고 감소로 이어지는 패턴은 0으로 표시합니다. NS를 훈련시키는 것은 남아 있습니다. 그리고 이 패턴이 나타나면 그 순간에 입력값을 주고 NN은 시장의 증감에 대한 패턴인지 아닌지를 말해줍니다.
얻은 N 템플릿을 기록에서 더 이상 나눌 수 없습니다. 원하는 템플릿과 최대한 유사하고 서로 최소한의 차이가 있습니다. 차이를 최소화하려면 10개가 아니라 2-3개의 가장 유사한 패턴을 찾아야 하지만 3개 옵션에 대한 예측은 예측 오류 = 33%, 10개 패턴에 대해 10%, 100개에 대해 패턴은 대략 1% 정도 (오류계산에 포함되어야 하고 각 패턴의 오차 정도는 원본에서 찾아야 한다고 생각합니다.)
얻은 N 템플릿을 기록에서 더 이상 나눌 수 없습니다. 원하는 템플릿과 최대한 유사하고 서로 최소한의 차이가 있습니다. 차이를 최소화하려면 10개가 아니라 2-3개의 가장 유사한 패턴을 찾아야 하지만 3개 옵션에 대한 예측은 예측 오류 = 33%, 10개 패턴에 대해 10%, 100개에 대해 패턴은 대략 1% 정도 (오류계산에 포함되어야 하고 각 패턴의 오차 정도는 원본에서 찾아야 한다고 생각합니다.)
예측을 구축할 최적의 템플릿 수를 찾는 문제는 최적화 프로그램에 제공될 수 있습니다.
이것은 현재 형태로 적용되는 경우 유망하지 않은 접근 방식이며 규모 불변(스케일링) 및 아핀 변환을 고려합니다. 패턴이 유사하다는 바로 그 사실은 아무 말도 하지 않습니다. 여러 패턴의 상대적 위치, 일종의 교차 검증을 고려해야 하고 패턴에서 그 위치를 훨씬 더 크게 봐야 합니다. 이 모든 작업을 수행했지만 별로 마음에 들지 않았습니다. 상관 관계가 관련되어 있기 때문에 상관 관계를 제거하고 검색을 컨볼루션 신경망으로 전송해야 합니다.
나는 이전에 그러한 컨볼루션 "패턴"이 성배 에 지나지 않는 것처럼 보였던 것을 기억합니다. hrenFx는 약 10년 전에 그러한 칠면조를 배치하기도 했습니다. 저도 제 자신의 버전을 만들었지만 ... 어쩐지 잘 작동하지 않습니다. 서로 다른 TF의 투표 컨볼루션이 있는 가장 간단한 옵션입니다.
네, 그녀 스스로 할 수 없다는 것이 분명합니다. 역사 입력을위한 신호가 있고 분류해야 할 많은 지표가 있지만 국회 작업의 결과는 신호의 확인이 아닙니다. , 그러나 신호 자체의 생성. 죄송합니다. 아마도 이것은 어리석은 일이지만 이 주제에 대한 지식이 부족하기 때문에 귀하의 기사를 읽은 후 이것이 가능하지 않은 이유를 알 수 없습니다.
나는 ZZ에 대해 이해하지 못했습니다. 일반적인 ZZ는 현재 극값을 보여줍니다 ...
다시 말하지만, 3Z는 신호 생성용이지 확인용이 아닙니다. 성장하는 시장과 함께 매도하라는 신호는 항상 있지만 과거 옵션의 그림을 기반으로 국회가 확인해야합니다.
국정원의 장점은 히스토리에 수집된 여러 패턴으로 신호를 확인하거나 반박할 수 있고, 서로 모순되어서는 안되며, 거래 신호가 왔을 때 확인된다는 점을 제대로 이해하고 있습니까?
길게 설명하자면 일반적으로 ZZ는 적합하지 않습니다. 이것이 바로 내가 당신에게 말하는 것입니다. 그리고 더:
우리는 무엇을 하고 싶은지 결정해야 합니다. 예측하거나 분류합니다. 접근 방식은 완전히 다르지만 같은 목표를 추구합니다....
기사를 다시 살펴보십시오. 기본 전략은 시장을 분석하는 시점을 결정할 때만 필요합니다. 즉, 이벤트가 발생하면 분석을 진행합니다. 무엇이든 이벤트가 될 수 있습니다.
틱이 교차하고 이벤트가 발생하고 분석을 시작했다고 가정해 보겠습니다.
어느 정도 당신이 옳습니다. 신경망 자체는 기본 전략의 신호가 형성되는 순간에 작동한다는 사실만을 고려하여 신호를 발행합니다. NN은 기본 전략의 신호에 대한 확인 또는 반박임이 밝혀졌습니다. 이 같은....
먼저 375,000개의 막대(M1의 경우 올해는 1년)의 기록을 배열에 로드합니다. RAM(약 30-60초)에서 패턴의 깊이에 따라 통과하는 데 30-700ms가 걸립니다.
이 문제의 해결 방법에 대해 다시 한 번 말씀드립니다. 물고기가 있는거 같은데...
그러나 우리는 하나의 패턴에 대해 네트워크를 훈련할 것입니다. 시장의 성장으로 이어진 패턴은 1로 표시하고 감소로 이어지는 패턴은 0으로 표시합니다. NS를 훈련시키는 것은 남아 있습니다.
제 경험상 이것이 최선의 방법은 아닙니다. 다음 막대의 가격 인상이 알려진 경우 이를 뉴런의 대상으로 사용하는 것이 좋습니다. 그렇더라도 게인은 0과 1의 두 클래스에 비해 훈련에 유용할 수 있는 정보이기도 합니다. 나중에 회귀 예측이 여전히 두 클래스(매수/매도)로 이어지더라도 던지기보다 회귀 결과를 반올림하는 것이 좋습니다 일부 정보는 아직 학습 단계에 있습니다.
예를 들어, Forex에 대해 작동하는 회귀 모델이 하나 이상 또는 더 적습니다. 모델이 분류 1로 대체되면 완전히 분해됩니다(R에서 분류와 회귀 간의 전환은 실제로 매우 간단하고 모든 대상이 0과 1로 반올림되거나 대상에 요인 유형이 있는 경우 ).
나는 역사상 유사한 패턴을 찾는 지표를 만들었습니다. 여기에 M1 EURUSD의 현재 수치가 있습니다. 1년에 가장 유사한 10개. https://www.mql5.com/en/articles/197 기사에서 예제를 약간 변경했습니다. 가장 유사한 옵션 대신 가장 유사한 옵션을 N개 선택하고 답을 막대로 평균합니다. 나는 패턴을 찾기 위해 하나의 종가를 사용하지 않고 이 시간 동안 가격이 있었던 채널, 즉 낮고 높음. 나는 스프레드 값으로 Low를 올립니다.
보시다시피, 역사상 이 패턴은 하향 및 상향 움직임(회색 및 진한 빨간색 선)을 제공했습니다. 평균 가격 움직임(흰색 및 빨간색 선)은 거의 0(스프레드보다 약간 넓음)이며 이러한 예측으로 거래하는 것은 불가능하며 스프레드, 스왑 및 수수료는 거래를 손실로 가져올 것입니다. 때로는 한 방향으로 좋은 예측을 가진 패턴이 있지만 흔적에 있습니다. 바, 예측이 역전될 수 있습니다. 이 경우 포지션의 첫 번째 턴을 하면 스프레드와 커미션이 다시 첫 번째 거래를 수익성이 없게 만듭니다.
지표의 예측은 회귀 NN과 비교할 수 있지만 분류기는 회귀에서 쉽게 만들 수 있습니다. 낮음 및 높음 외에도 모든 지표를 추가할 수 있습니다.
내가 올바르게 이해한다면 신경망은 본질적으로 이 평균화 지표와 동일한 작업을 수행합니다. 기록(예: 1년)에 대해 유사한 예측 변수(내 경우에는 가격만)를 찾고 평균 예측을 작성합니다.
더 쉽게 할 수 있다면 NN을 사용하는 것이 의미가 있습니까? 역사를 살펴보십시오. 그들의 장점은 무엇입니까?
추신
글쎄, 가격이 같은 패턴으로 양방향으로 갔다는 사실은 차트의 패턴 찾는 사람과 NN 사용자 모두에게 프로세스의 우연 또는 전략을 깨려는 인형의 트릭으로 간주 될 수 있습니다. , 예측을 악화시키거나 오히려 그림과 같이 예측이 0에 가까워지도록 축소합니다.
상관 패턴을 찾고 계십니까? 그렇다면 빈
이번 주 내 NS(테스트) 거래, 약 한 달 간의 테스트 및 표준으로 돈을 이체하는 것이 가능할 것입니다. 총계: 한 달 안에 간단하고 강력한 NN이 작성되었습니다.
상관 패턴을 찾고 계십니까? 그렇다면 빈
2개의 가격 차트를 비교할 수 있는 다른 옵션이 없습니다. 또 어떤 옵션이 있을까요...?
이것은 내가 제 학생들에게 가르치는 주된 것입니다. 남자는 원칙적이며, 그가 죽기로 결정하면 우리는 구부리지 않습니다. 배우면서 가장 어려웠던 점은 학생(맥심)이 한 명 있었는데, 그는 짐을 견디지 못하고, 성격이 부족했고, 너무 여성스러웠고, 소년은 떨렸지만 성공할 것입니다! 당신은 남자입니다!
상관 관계, 즉 원하는 패턴의 각 막대에 있는 가격 간의 차이에 의해. 이를 막대의 오류라고 하면 모든 막대의 오류가 합계되고 총 오류별로 정렬되며 가장 유사한 옵션인 N개를 찾습니다.
2개의 가격 차트를 비교할 수 있는 다른 옵션이 없습니다. 또 어떤 옵션이 있을까요...?
미니엄으로 차트의 아핀 변환을 수행해야 합니다. 패턴이 서로 다른 경사각(자체 아핀 구조)으로 이동하고 두 번째로 다른 TF를 검색하기 때문입니다. 그러나 상관관계가 사용될 때 이 모든 것이 도움이 되지 않습니다. 매우 다른 패턴을 찾습니다. 이를 위해서는 컨볼루션 신경망(컴퓨터 비전)이 더 적합합니다.
실험해보고 싶었는데 아직 해보지 못했어요.
예측에 관해서는 주제가 다소 흥미 롭습니다. 그래서 우리는 역사의 뒷마당에서 발견된 패턴을 가지고 있습니다. 지금과 똑같습니다. 그러나 이러한 패턴에 대한 시장의 반응은 분명하지 않습니다. 위가 있고 아래가 있습니다.
또한 그래프에서 볼 수 있는 한 동일한 패턴이 각각 여러 번 발견되었으며 이벤트 개발을 위한 몇 가지 옵션이 있습니다. 여기서 분류가 작동합니다. 그러나 우리는 하나의 패턴에 대해 네트워크를 훈련할 것입니다. 시장의 성장으로 이어진 패턴은 1로 표시하고 감소로 이어지는 패턴은 0으로 표시합니다. NS를 훈련시키는 것은 남아 있습니다. 그리고 이 패턴이 나타나면 그 순간에 입력값을 주고 NN은 시장의 증감에 대한 패턴인지 아닌지를 말해줍니다.
얻은 N 템플릿을 기록에서 더 이상 나눌 수 없습니다. 원하는 템플릿과 최대한 유사하고 서로 최소한의 차이가 있습니다.
차이를 최소화하려면 10개가 아니라 2-3개의 가장 유사한 패턴을 찾아야 하지만 3개 옵션에 대한 예측은 예측 오류 = 33%, 10개 패턴에 대해 10%, 100개에 대해 패턴은 대략 1% 정도 (오류계산에 포함되어야 하고 각 패턴의 오차 정도는 원본에서 찾아야 한다고 생각합니다.)
예측을 구축할 최적의 템플릿 수를 찾는 문제는 최적화 프로그램에 제공될 수 있습니다.
얻은 N 템플릿을 기록에서 더 이상 나눌 수 없습니다. 원하는 템플릿과 최대한 유사하고 서로 최소한의 차이가 있습니다.
차이를 최소화하려면 10개가 아니라 2-3개의 가장 유사한 패턴을 찾아야 하지만 3개 옵션에 대한 예측은 예측 오류 = 33%, 10개 패턴에 대해 10%, 100개에 대해 패턴은 대략 1% 정도 (오류계산에 포함되어야 하고 각 패턴의 오차 정도는 원본에서 찾아야 한다고 생각합니다.)
예측을 구축할 최적의 템플릿 수를 찾는 문제는 최적화 프로그램에 제공될 수 있습니다.