réseau neuronal et entrées - page 39
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
La qualité de la modélisation en dehors de l'échantillon :
*
* TruePositives : 83
* TrueNegatives : 111
* Faux positifs : 96
* Faux négatifs : 47
* Total des motifs dans les échantillons avec statistiques : 337
* Le reste des modèles en dehors des échantillons sans les statistiques : 78
* Total des erreurs hors échantillon : 143
* Sensibilité de la capacité de généralisation : 46.36871508379888%.
* Spécificité de la capacité de généralisation : 70.25316455696202%.
* Capacité de généralisation : 16,621879640760895 %.
* Indicateur de 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 décision = -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 + 0.3729012411918303 * 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
C'est compliqué..... Dans quelle mesure les données décrivent la variable dépendante ????
J'ai soumis un dossier de formation. Pas encore d'intervalle de test :-( Mais ce n'est pas un problème......
Et d'après ce que j'ai compris, il a fallu 337 entrées, alors que j'en ai soumis 600.
Ici, je vais essayer de reproduire le résultat dans mon environnement. Je me demande quel sera le résultat, même sur des machines différentes ?
Le résultat correspond à ....... Supposons que nous trouvions 83 exemples positifs réels. Comment les séparer de l'échantillon total ? ...... Et l'alimentation pure de ces 83 dossiers s'est naturellement normalisée. Et si le réseau apprend avec un minimum d'erreur à ces 83 enregistrements. Ensuite, il sera (théoriquement) capable de classer ces enregistrements dans le bruit d'entrée....... Comme cela....
J'ai soumis un dossier de formation. Pas encore d'intervalle de test :-( Mais ce n'est pas un problème......
Et d'après ce que j'ai compris, il a fallu 337 entrées, alors que j'en ai soumis 600.
Ici, je vais essayer de reproduire le résultat dans mon environnement. Je me demande quel sera le résultat, même sur des machines différentes ?
Et à propos des données, il n'est pas très clair comment les prendre pour entraîner le réseau sur des données propres...... Comment extraire d'un ensemble d'entraînement les VraisPositifs : VraisNégatifs : FauxPositifs : FauxNégatifs et essayer d'entraîner le réseau.
En fait, JPrediction n'a pas été créé pour prédire les instruments financiers, mais pour prédire la rentabilité des signaux pour le mois suivant.
En d'autres termes, je compile un échantillon qui comprend les caractéristiques actuelles du signal : nombre de transactions, durée, % de profit mensuel, pourcentage de transactions rentables, pourcentage de transactions perdantes, facteur de profit, ratio de Sharp, etc. Ensuite, j'attends un mois et je marque avec 1 par mois les transactions rentables et 0 les non rentables.
J'entraîne ensuite le modèle sur cet échantillon et je l'utilise pour prévoir les signaux pour le mois suivant.
L'idée est que les signaux sont plus faciles à prévoir car ils contiennent beaucoup d'informations utiles supplémentaires en plus des données historiques. Les instruments financiers ne disposent pas de données supplémentaires autres que les données historiques.
Je réfléchis donc... comment interpréter le résultat... pour le rendre plus rapide et certainement pas par la main.........
En fait, JPrediction n'a pas été créé pour prédire les instruments financiers, mais pour prédire la rentabilité des signaux pour le mois suivant.
En d'autres termes, je compile un échantillon qui comprend les caractéristiques actuelles du signal : nombre de transactions, durée, % de profit mensuel, pourcentage de transactions rentables, pourcentage de transactions perdantes, facteur de profit, ratio de Sharp, etc. Ensuite, j'attends un mois et je marque 1 pour les signaux qui ont eu un bénéfice dans le mois, tandis que je marque 0 pour les transactions non rentables.
J'entraîne ensuite le modèle sur cet échantillon et je l'utilise pour prévoir les signaux pour le mois suivant.
L'idée est que les signaux sont plus faciles à prévoir car ils contiennent beaucoup d'informations utiles supplémentaires en plus des données historiques. Les instruments financiers ne disposent pas de données supplémentaires autres que les données historiques.