La etiqueta del mercado o los buenos modales en un campo de minas - página 20
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Dame una pista de cuál es tu problema con la correlación de las señales de entrada. ¿Qué está introduciendo y por qué cree que hay un problema? Al fin y al cabo, es más fácil asegurarse de que no existe que resolverlo :-)
Este no es el problema, sino mi analfabetismo matemático.
¿Crees que soy como SP? No te lo vas a creer. Habiendo dividido de antemano el rango -/+1 en intervalos iguales de 0,02, en el bucle recorrí todos los PA y si el valor del PA en una barra determinada caía en el rango -0,98 : +1 metí en este "bolsillo" un "chatl" = 0,01. Luego mostré el contenido de estos 100 bolsillos en las últimas 100 barras. Y para normalizar el SP, he multiplicado la PA investigada por un factor K > 1
Aquí está mi código:
{
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;}
}
}
Es decir, recojo este coeficiente "manualmente", utilizando un indicador, y luego lo inserto como una constante en el código NS. Esto funciona, pero sólo si los incrementos de BP de entrada se toman en periodos de tiempo iguales - por ejemplo en cada barra o en n barras iguales. Pero si los incrementos de entrada se toman a intervalos de tiempo desiguales - por ejemplo, según la serie de Fibonacci - 2,3,5,8... ... ¡entonces para cada una de esas referencias el coeficiente de normalización de MO debe ser diferente! En general, la forma en que lo hago es eficiente, pero no inteligente -:)
Ya veo.
Entonces, ¿cuál es la correlación en las entradas NS?
Ya veo.
Entonces, ¿qué pasa con la correlación en las entradas NS?
Aparentemente hay poca o ninguna correlación. Vea el indicador debajo del gráfico. Cada línea azul es una de las entradas.
Lo que es sorprendente es que la NS se comporta de forma notable. Dos meses después del "afilado" crece con una reducción muy aceptable (27%)
Aquí hay otra pregunta que quería hacer:
La neurona de salida de la red no tiene FA, ya que tomamos de ella la amplitud, que utilizamos como medida de la probabilidad de éxito de la operación prevista, pero tampoco está normalizada.
¿Es necesario normalizar la salida? Si no es así, ¿cómo evaluamos la probabilidad resultante, ya que generalmente está fuera del rango +/-1?
Parece ser insignificante o inexistente. Vea el indicador debajo del gráfico. Cada línea azul es una de las entradas.
Lo que es sorprendente es que la NS está funcionando notablemente bien. Dos meses después del "afilado" crece con una reducción muy aceptable (27%).
Así que no hay necesidad de blanquear nada.
De hecho, sería bueno obtener una evaluación numérica del coeficiente de correlación por pares para los dos PB seleccionados. Este es el aspecto de un medidor de correlación universal por pares:
Transferir a MQL, poner dos BPs (X,Y) de la misma longitud - n, y obtener un número de entrada en el rango +/-1. Sólo para hacer una estimación rápida, el coeficiente de correlación por índices alcanza el +0,6
En cuanto a la neurona de salida, si su salida se utiliza para estimar la probabilidad de un evento, es necesario tener un FA no lineal como entrada. Cualquier FA servirá (esto se demuestra estrictamente), así que ponte th.
...
No lo entiendo, ¿cómo se define el valor de n??????
Creo que es más sencillo y claro :o):
En este caso no tiene mucho sentido crear un bucle, el operador de suma hará el mismo trabajo en términos de tiempo.
PS Además, esto no es un "FAC" en absoluto, el significado es un poco diferente.
En cuanto a la neurona de salida, si utilizas su salida para estimar la probabilidad de un evento, necesitas tener un FA no lineal como entrada. Cualquiera servirá (esto está comprobado rigurosamente), así que ponga th.
Eso es lo que hago. Tengo todo a través de th() -:) juego de palabras, sin embargo.
Haciendo todo lo que has explicado:
1. Todas las neuronas tienen una sola entrada (+1) (esto, por supuesto, excluyendo otras entradas de datos)
2. En la salida de todas las neuronas, excepto la última, la FA de salida es no lineal - uso th(x)
Ahora, si quiero obtener una probabilidad en la salida, esta salida debe estar dentro de +/-1(según tengo entendido). Ahora veamos cómo se forma esta última salida.
Y se forma así: OUT1*W1 + OUT2*W2 + OUT3*W3 + W4. Si tenemos en cuenta que OUT1 - OUT3 son salidas hipertangentes de las neuronas de la capa anterior y toman valores del rango -/+1, y W1 - W4 son sus pesos tomando valores del rango -/+1, entonces la amplitud de la neurona de salida está dentro de -/+ 4. De acuerdo, pero si se tiene en cuenta que los pesos pueden variar en un amplio rango -como has dicho, +/-20 es la norma-, entonces el rango de amplitud de la red de salida desaparece en el horizonte.
Preguntas:
1. ¿Cómo estimar la probabilidad de transacción en tales condiciones?
2. ¿Es necesario normalizar la señal de salida y, si es así, con qué?
Sobre las salidas de MathLab - desafortunadamente, para mí es un bosque oscuro... También lo es el propio MathLab.
No he entendido mucho de lo que me dijiste hace unos posts, pero he estado hurgando en mi cabeza durante hora y media.
Y, perdone mi intromisión, pero todavía tengo muchas más preguntas que respuestas sobre el algoritmo ORO.
Con el blanqueamiento parece claro: todo funciona.
Entiendo la arquitectura.
Las épocas y el muestreo óptimo están casi claros:
He intentado calcular el tamaño óptimo de la muestra para su "bonito esquema" y he acabado con esto:
número de entradas - 4
número de sinapsis - 4*6 + 3*3 + 4 = 37
factor de 4.
P = k*w*w/d = 4*37*37/4 = 1369 .... y debería ser de 1500.
Pregunta: ¿hay que contar las sinapsis de las entradas individuales? He contado.
No entiendo, ¿cómo se determina el valor de n??????
Desde fuera.
¡Hola, Sergei!
¡Tú tienes cinco ciclos independientes y yo sólo uno! ¿Qué es mejor, tener un aspecto elegante o ser siempre así?
paralocus escribió >>
Preguntas:
1. ¿Cómo se estima la probabilidad de una transacción en estas condiciones?
2. ¿Es necesario normalizar la señal de salida y, en caso afirmativo, con qué?
Poner th() en la salida de la última neurona - ¡todos tus problemas desaparecerán! Y no hará más difícil el entrenamiento de la malla.
He intentado calcular el tamaño óptimo de la muestra para su "bonito esquema", y he acabado con esto:
número de entradas - 4
número de sinapsis - 4*6 + 3*3 + 4 = 37
factor - 4
P = k*w*w/d = 4*37*37/4 = 1369 .... y debería ser de 1500.
Pregunta: ¿hay que contar las sinapsis de las entradas individuales? Yo sí.
Calculemos la longitud óptima del vector de entrenamiento para cada miembro. Como tenemos todos los miembros con la misma arquitectura, encontramos para uno:
1. Número de entradas d=3+1=4.
2. Número de sinapsis w=2*4+3+1=12
Longitud óptima del vector de entrenamiento P=4*w*w/d=4*12*12/4=144
Así, para entrenar el comité de redes, necesitamos tres vectores de entrenamiento (el número de miembros del comité), cada uno con una longitud de 144. Si a usted, paraloco, le parece que este valor es pequeño, aumente el número de neuronas de la capa oculta de dos a 4 u 8 y obtendrá 500 o 2000 muestras de una vez. Recuerda que debes entrenar todo esto en cada muestra.
Desde fuera.
¡Hola, Sergei!
Tú tienes cinco ciclos independientes y yo sólo uno. ¿Qué es mejor, tener un aspecto elegante o ser así para siempre?
Lo he adivinado :o)
Mientras estoy creando, necesito parecer un artista. Pero cuando estoy codificando... :о)))
PD: Serega, es casi monopénico en MathCAD, pero en C++/FORTRAN ... será diferente, pero en MathCAD - por decirlo suavemente no (para este caso particular). Y si usas la media, contará aún más rápido, y si usas corr, por ejemplo, tu algoritmo "rápido" será una tortuga :o). Cómo lo hacen, no lo sé, pero en cuanto al operador "suma" - es mucho más rápido que el bucle. Si no lo tienes así - entonces pon una versión fresca.