Marktknigge oder gute Manieren im Minenfeld - Seite 20
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Geben Sie mir einen Hinweis darauf, was Ihr Problem mit der Korrelation der Eingangssignale ist. Was geben Sie ein, und warum glauben Sie, dass es ein Problem gibt. Schließlich ist es einfacher, sich zu vergewissern, dass es das Problem nicht gibt, als es zu lösen :-)
Das ist nicht das Problem, sondern mein mathematischer Analphabetismus.
Denken Sie, ich bin wie SP? Sie werden es nicht glauben! Nachdem ich im Voraus den Bereich -/+1 in gleiche Intervalle von 0,02 unterteilt hatte, ging ich in der Schleife alle BP durch, und wenn der BP-Wert auf einem bestimmten Balken in den Bereich -0,98 : +1 fiel, warf ich in diese "Tasche" ein "chatl" = 0,01. Dann zeigte ich den Inhalt dieser 100 Taschen auf den letzten 100 Balken an. Und um die SP zu normalisieren, habe ich die untersuchten BP mit einem K-Faktor > 1 multipliziert
Hier ist mein Code:
{
if(first)
for(int k = 200; k >0; k--)
Ind2[k] = 0.0; // Инициализация нулем
first = false;
//---------------------------------------------------
res = th(kf*(Close[i] - Close[i+1])/Close[i+1]); // Входной ВР
Ind1[i] = res;
//-------------------------------------------------------
pos = -1.0;
for(int j=200; j>0; j--)
{
if((res > pos) && (res < (pos+step))) // расчет МО
{
if( i > 2 )
{Ind2[j] = Ind2[j] + chatl;}
break;
}
else
{pos = pos + step;}
}
}
Das heißt, ich erfasse diesen Koeffizienten "manuell" mit Hilfe eines Indikators und füge ihn dann als Konstante in den NS-Code ein. Dies funktioniert jedoch nur, wenn die eingegebenen BP-Inkremente in gleichen Zeitabständen genommen werden - zum Beispiel bei jedem Balken oder bei gleich vielen Balken. Wenn aber die Eingabeschritte in ungleichen Zeitabständen erfolgen - zum Beispiel nach der Fibonacci-Reihe - 2,3,5,8... ... dann sollte der MO-Normalisierungskoeffizient für jede solche Referenz unterschiedlich sein! Im Allgemeinen ist die Art, wie ich es mache, effizient, aber nicht intelligent -:)
Ich verstehe.
Wie ist der Zusammenhang zwischen den NS-Eingängen?
Ich verstehe.
Wie sieht es also mit der Korrelation der NS-Eingänge aus?
Offensichtlich gibt es nur einen geringen oder gar keinen Zusammenhang. Siehe den Indikator unterhalb des Diagramms. Jede blaue Linie ist einer der Eingänge.
Überraschend ist, dass NS bemerkenswert gut abschneidet! Zwei Monate nach der "Verschärfung" wächst sie mit einer sehr akzeptablen (27%) Absenkung
Hier ist eine weitere Frage, die ich stellen wollte:
Das Ausgangsneuron des Gitters ist ohne FA, denn wir entnehmen ihm die Amplitude, die wir als Maß für die Erfolgswahrscheinlichkeit der geplanten Transaktion verwenden, aber es ist auch nicht normalisiert.
Ist für die Ausgabe eine Normalisierung erforderlich? Wenn nicht, wie ist die resultierende Wahrscheinlichkeit zu bewerten, da sie im Allgemeinen außerhalb des Bereichs von +/- 1 liegt?
Sie scheint vernachlässigbar oder nicht vorhanden zu sein. Siehe den Indikator unterhalb des Diagramms. Jede blaue Linie ist einer der Eingänge.
Erstaunlich ist, dass der NS bemerkenswert gut funktioniert! Zwei Monate nach dem "Schärfen" wächst er mit einem sehr akzeptablen (27 %) Drawdown.
Es ist also nicht nötig, irgendetwas zu bleichen!
In der Tat wäre es gut, eine numerische Bewertung des paarweisen Korrelationskoeffizienten für die beiden ausgewählten GP zu erhalten. So sieht ein universelles paarweises Korrelationsmessgerät aus:
Übertragen Sie auf MQL, setzen Sie zwei BPs (X,Y) der gleichen Länge - n, und erhalten Sie eine Eingangszahl im Bereich +/-1. Der Korrelationskoeffizient bei den Indizes erreicht +0,6, um nur eine kurze Schätzung vorzunehmen.
Wenn die Ausgabe des Ausgangsneurons dazu dient, die Wahrscheinlichkeit eines Ereignisses abzuschätzen, ist es notwendig, einen nicht-linearen FA als Eingabe zu haben. Jede FA wird tun (dies ist streng bewiesen), so setzen th.
...
Ich verstehe das nicht, wie definieren Sie den Wert von n??????
Ich denke, das ist einfacher und klarer :o):
In diesem Fall macht es nicht viel Sinn, eine Schleife zu erstellen, da der Summationsoperator die gleiche Aufgabe in Bezug auf die Zeit erledigt.
PS: Es handelt sich auch nicht um ein "FAC", die Bedeutung ist etwas anders.
Wenn Sie das Ausgangsneuron verwenden, um die Wahrscheinlichkeit eines Ereignisses abzuschätzen, benötigen Sie einen nicht-linearen FA als Eingabe. Jeder wird tun (dies ist rigoros bewiesen), so setzen th.
Das tue ich auch. Ich habe alles über th() -:) Wortspiel beabsichtigt, aber.
Ich habe alles so gemacht, wie Sie es erklärt haben:
1. Alle Neuronen haben einen einzigen Eingang (+1) (dies schließt natürlich andere Dateneingänge aus)
2. Am Ausgang aller Neuronen, mit Ausnahme des letzten, ist die Ausgabe FA nicht linear - ich verwende th(x)
Wenn ich nun eine Wahrscheinlichkeit für die Ausgabe erhalten möchte, sollte diese Ausgabe innerhalb von +/-1 liegen (soweit ich das verstehe). Schauen wir uns nun an, wie diese letzte Ausgabe gebildet wird.
Wenn wir berücksichtigen, dass OUT1 - OUT3 die hypertangentialen Ausgänge der Neuronen der vorherigen Schicht sind und Werte aus dem Bereich -/+1 annehmen, und W1 - W4 ihre Gewichte sind, die Werte aus dem Bereich -/+1 annehmen, dann liegt die Amplitude des Ausgangsneurons innerhalb von -/+ 4. Ok, aber wenn man berücksichtigt, dass die Gewichte über einen weiten Bereich variieren können - wie Sie sagten, ist +/-20 die Norm - dann verschwindet der Amplitudenbereich des Ausgangsgitters über den Horizont.
Fragen:
1. Wie lässt sich die Transaktionswahrscheinlichkeit unter solchen Bedingungen einschätzen?
2. Müssen Sie das Ausgangssignal normalisieren und wenn ja, womit?
Über Ausgaben von MathLab - leider ist es für mich ein dunkler Wald... Das gilt auch für MathLab selbst.
Ich habe vieles von dem, was Sie mir vor ein paar Beiträgen gesagt haben, nicht verstanden, aber ich habe eineinhalb Stunden lang in meinem Kopf herumgestochert.
Und, verzeihen Sie mir meine Aufdringlichkeit, aber ich habe immer noch weit mehr Fragen als Antworten zum ORO-Algorithmus.
Bei der Zahnaufhellung scheint alles klar zu sein - alles funktioniert.
Ich verstehe die Architektur.
Die Epochen und das optimale Sampling sind fast eindeutig:
Ich habe versucht, die optimale Stichprobengröße für Ihr "nettes Schema" zu berechnen und bin zu diesem Ergebnis gekommen:
Anzahl der Eingänge - 4
Anzahl der Synapsen - 4*6 + 3*3 + 4 = 37
Faktor von 4.
P = k*w*w/d = 4*37*37/4 = 1369 .... und es sollte 1500 sein.
Frage: Müssen die Synapsen der einzelnen Eingänge gezählt werden? Ich habe gezählt.
Ich verstehe nicht, wie Sie den Wert von n?????? bestimmen.
Von außen.
Hallo, Sergej!
Sie haben fünf unabhängige Zyklen, ich habe nur einen! Was ist besser: elegant aussehen oder immer so sein?
paralocus schrieb >>
Fragen:
1. Wie schätzen Sie die Wahrscheinlichkeit einer Transaktion unter diesen Bedingungen ein?
2. Ist es notwendig, das Ausgangssignal zu normalisieren, und wenn ja, womit?
Legen Sie th() auf den Ausgang des letzten Neurons - und alle Ihre Probleme werden verschwinden! Und die Ausbildung des Netzes wird dadurch nicht schwieriger.
Ich habe versucht, die optimale Stichprobengröße für Ihr "schönes Schema" zu berechnen, und bin zu diesem Ergebnis gekommen:
Anzahl der Eingänge - 4
Anzahl der Synapsen - 4*6 + 3*3 + 4 = 37
Faktor - 4
P = k*w*w/d = 4*37*37/4 = 1369 .... und es sollte 1500 sein.
Frage: Müssen die Synapsen der einzelnen Eingänge gezählt werden? Das tue ich.
Berechnen wir nun die optimale Länge des Trainingsvektors für jedes Mitglied. Da wir alle Mitglieder mit der gleichen Architektur haben, suchen wir nach einem:
1. Anzahl der Eingänge d=3+1=4.
2. Anzahl der Synapsen w=2*4+3+1=12
Optimale Länge des Trainingsvektors P=4*w*w/d=4*12*12/4=144
Um den Netzausschuss zu trainieren, benötigen wir also drei Trainingsvektoren (die Anzahl der Ausschussmitglieder) mit einer Länge von jeweils 144. Wenn Sie, Paralocus, der Meinung sind, dass dieser Wert zu klein ist, erhöhen Sie die Anzahl der Neuronen in der versteckten Schicht von zwei auf 4 oder 8 und Sie erhalten 500 oder 2000 Proben auf einmal! Denken Sie daran, dass Sie all diese Dinge in jeder Probe trainieren sollten.
Von außen.
Hallo, Sergej!
Sie haben fünf unabhängige Zyklen und ich habe nur einen! Was ist besser - elegant auszusehen oder für immer so zu bleiben?
Ich habe es erraten :o)
Während ich kreativ bin, muss ich wie ein Künstler aussehen! Aber wenn ich kodiere ... :о)))
PS: Serega, in MathCAD ist es fast monopenisch, aber in C++/FORTRAN ... wird anders sein, aber in MathCAD - um es gelinde auszudrücken nicht (für diesen speziellen Fall). Und wenn du mean verwendest, wird er noch schneller zählen, und wenn du z.B. corr verwendest, wird dein "schneller" Algorithmus turteln :o). Wie sie das machen, weiß ich nicht, aber was den Operator "Summieren" angeht, so ist er viel schneller als eine Schleife. Wenn Sie es nicht so haben, dann stellen Sie eine neue Version ein.