Neuronales Netz und Eingaben - Seite 39
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
Die Qualität der Modellierung in out of sample:
*
* TruePositives: 83
* TrueNegatives: 111
* FalschePositive: 96
* FalschNegative: 47
* Gesamtzahl der Muster in den Stichproben mit Statistik: 337
* Die restlichen Muster in den Stichproben ohne Statistik: 78
* Gesamtfehler in der nicht in die Stichprobe einbezogenen Gruppe: 143
* Empfindlichkeit der Verallgemeinerungsfähigkeit: 46.36871508379888%
* Spezifität der Verallgemeinerungsfähigkeit: 70,25316455696202%
* Verallgemeinerungsfähigkeit: 16.621879640760895%
* Indikator von Reshetov: 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 -0.2863737167793397 * 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 + 0,0968827127374181818 * 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
Es ist kompliziert..... Wie gut die Daten die abhängige Variable beschreiben????
Ich habe eine Ausbildungsdatei eingereicht. Noch kein Testintervall :-( Aber das ist kein Problem.....
Und soweit ich verstanden habe, waren 337 Beiträge nötig, obwohl ich 600 eingereicht habe.
Hier werde ich versuchen, das Ergebnis in meiner Umgebung zu reproduzieren. Ich frage mich, was das Ergebnis sein wird, auch auf verschiedenen Rechnern?
Das Ergebnis entspricht....... Angenommen, wir haben 83 echte positive Beispiele gefunden. Wie können wir sie von der Gesamtprobe trennen...... Und füttern Sie rein diese 83 Datensätze natürlich normalisiert. Und wenn das Netz mit minimalem Fehler zu diesen 83 Datensätzen lernt. Dann wird es (theoretisch) in der Lage sein, solche Datensätze in der Eingabe noise...... zu klassifizieren. So....
Ich habe eine Ausbildungsdatei eingereicht. Noch kein Testintervall :-( Aber das ist kein Problem.....
Und soweit ich verstanden habe, waren 337 Beiträge nötig, obwohl ich 600 eingereicht habe.
Hier werde ich versuchen, das Ergebnis in meiner Umgebung zu reproduzieren. Ich frage mich, was das Ergebnis sein wird, auch auf verschiedenen Rechnern?
Und was die Daten betrifft, so ist nicht ganz klar, wie man sie zum Trainieren des Netzes auf saubere Daten verwenden kann..... Wie extrahiert man aus einer Trainingsmenge TruePositives: TrueNegatives: FalsePositives: FalseNegatives und versucht, das Netz zu trainieren.
JPrediction wurde nicht geschaffen, um Finanzinstrumente vorherzusagen, sondern um die Rentabilität von Signalen für den nächsten Monat vorherzusagen.
Mit anderen Worten, ich stelle eine Stichprobe zusammen, die die aktuellen Signaleigenschaften enthält: Anzahl der Geschäfte, Laufzeit, monatlicher Gewinnanteil, Prozentsatz der gewinnbringenden Geschäfte, Prozentsatz der Verlustgeschäfte, Gewinnfaktor, Sharps Ratio usw. Dann warte ich einen Monat und markiere mit 1 pro Monat profitable und 0 unprofitable Trades.
Dann trainiere ich das Modell anhand dieser Stichprobe und verwende es zur Vorhersage der Signale für den nächsten Monat.
Der Gedanke dahinter ist, dass Signale leichter zu prognostizieren sind, weil sie neben den historischen Daten viele zusätzliche nützliche Informationen enthalten. Für Finanzinstrumente gibt es außer den historischen Daten keine weiteren Daten.
Ich überlege also... wie man das Ergebnis interpretieren kann... um es schneller zu machen und sicherlich nicht per Hand........
JPrediction wurde nicht geschaffen, um Finanzinstrumente vorherzusagen, sondern um die Rentabilität von Signalen für den nächsten Monat vorherzusagen.
Mit anderen Worten, ich stelle eine Stichprobe zusammen, die die aktuellen Signaleigenschaften enthält: Anzahl der Geschäfte, Laufzeit, monatlicher Gewinnprozentsatz, Prozentsatz der gewinnbringenden Geschäfte, Prozentsatz der Verlustgeschäfte, Gewinnfaktor, Sharp's Ratio usw. Dann warte ich einen Monat und markiere 1 Markierung für Signale, die innerhalb eines Monats einen Gewinn erzielt haben, während ich 0 Markierung für unrentable Geschäfte markiere.
Dann trainiere ich das Modell anhand dieser Stichprobe und verwende es zur Vorhersage der Signale für den nächsten Monat.
Der Gedanke dahinter ist, dass Signale leichter zu prognostizieren sind, weil sie zusätzlich zu den historischen Daten eine Menge zusätzlicher nützlicher Informationen enthalten. Für Finanzinstrumente gibt es außer den historischen Daten keine weiteren Daten.