Riconoscere le immagini (tema retorico) - pagina 12
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
denis_orlov:
думаю, именно это ты и просишь, т.к. сам конкретику представить не в состоянии.
Non sto chiedendo nulla. E non ne ho chiesto nessuno.
Ve l'ho detto - non ho bisogno di darvi l'algoritmo. Mi si può dare il risultato del suo lavoro, e io testerò il risultato. E vi dirò se potete ottenere qualcosa da un tale algoritmo. È una richiesta o una petizione? Si trattava di un suggerimento, che mira principalmente a beneficiare l'autore dell'algoritmo di riconoscimento. Se qualcuno può fare un buon riconoscitore, ma non può implementarlo con profitto (è difficile!), dovrebbe cercare direttamente la cooperazione con un altro sviluppatore.
Puoi caricare un file con i segnali di riconoscimento qui, in questo thread, qualcun altro oltre a me cercherà di usare questi segnali per testare l'algoritmo per entrare e uscire da un trade.
Ma vedo che stai facendo trading con profitto? Quindi questa offerta non è per te :)
Non sto dicendo che sono inutili, ma nel mio caso non sono applicabili.
L'approccio al riconoscimento dei pattern candlestick in sé non comporta il riconoscimento di per sé, ma una ricerca di pattern semplici. Questo perde >99% delle informazioni codificate nel modello.
Beh, se la si guarda in questo modo, fondamentalmente ogni indicatore che si allontana dal valore formale del prezzo perde la sua informatività e commette un errore. Per esempio, ciò che si perde è il metodo di codifica candlestick usato da Richie - K= (HL, LO/HL, LC/HL). Ora la domanda è: quale metodo di selezione del modello su BP dovrebbe essere usato?
Perché faccio la domanda, ho già affrontato questa domanda molte volte durante l'elaborazione - come formalizzare un modello. Vedo due metodi, il primo è la codifica - quando formiamo codici simili a Richie o Lihovidov. Il secondo metodo è quello di introdurre criteri di confine, ma anche in questo caso si perde un fattore importante: il tempo. Bisogna anche considerare il numero di fotogrammi durante i quali si forma la figura.
Il problema non è riconoscere i modelli (qualunque cosa implichi la parola "modello"). Il problema è la pre-elaborazione dei dati per l'analisi. La pre-elaborazione è una priorità sorprendentemente bassa in questo forum. Ma tutte le informazioni devono essere presentate in una forma adatta alla successiva analisi.
Rumore, lacune e picchi sono ostacoli tipici per un'analisi adeguata (indipendentemente dai metodi utilizzati). Permettetemi di fare un parallelo con uno specchio. Il rumore è analogo alla rugosità della superficie di uno specchio, il riflesso diventa sfocato e sbavato. Le lacune sono crepe e spostamenti di parti dello specchio, come se fosse rotto. Le espulsioni, o barre anormalmente grandi (non ci sono barre anormalmente piccole) sono analoghe a uno specchio storto. E alcune parti del riflesso non sono distorte, mentre altre sono distorte al di là del riconoscimento.
Questi tre problemi devono essere risolti separatamente. E poi possiamo parlare del riconoscimento dei modelli.
Provate a scattare una foto dello specchio difettoso (di cui ho scritto) e ad applicare qualche tipo di sistema di riconoscimento dei modelli alla foto. Potresti non riconoscerti nel riflesso, per non parlare del "ferro glitchato".
PS Ognuno dei difetti dello specchio porta informazioni, ma non sulla luce originale che è stata riflessa dallo specchio, ma sulle cause dei difetti (vacanze e altri fattori).
Ci sono altri fenomeni che sostengono la mia tesi. Il cervello umano ha dei filtri "incorporati" di informazioni provenienti dai sensi. Così, le persone sono facilmente in grado di parlare tra loro in un luogo molto rumoroso, anche se centinaia di altre persone stanno parlando nelle vicinanze. Vision ha la stessa proprietà. Il cervello è in grado di concentrarsi su un singolo elemento dell'immagine tra gli elementi rumorosi - il captcha è un esempio.
È per questo che il trading manuale è difficile da formalizzare? È la ragione per cui i trader manuali prestano molta attenzione a un singolo strumento di trading e affinano i loro filtri cerebrali?
Mi sembra che il concetto di pattern sia meglio applicato qui in modo generalizzato, come una sezione riconoscibile del grafico dei prezzi. Non deve necessariamente essere una figura grafica. La cosa principale è che deve essere riconosciuto costantemente, senza omissioni e fallimenti, se possibile. Di conseguenza, il metodo di riconoscimento può essere quasi tutto. La codifica va bene. Ci possono essere molti metodi di codifica. Graficamente è ok. Criticamente, questo è quello che capisco dagli indicatori - anche bene. Per ricerca di modelli - no. Funziona in modo instabile e manca la maggior parte di loro. È vero, la ricerca dei modelli può essere adattiva, ma non l'ho visto. Neuronet è buona, ma la loro formazione è una cosa complicata, tutti si allenano solo per il commercio. Non credo che ci sia stata alcuna discussione qui sull'uso delle reti neurali solo per il riconoscimento dei modelli. Quali altri metodi le vengono in mente?
Ci sono altri fenomeni che sostengono la mia tesi. Il cervello umano ha dei filtri "incorporati" di informazioni provenienti dai sensi. Così, le persone sono facilmente in grado di parlare tra loro in un luogo molto rumoroso, anche se ci sono centinaia di persone che parlano tra loro. Vision ha la stessa proprietà. Il cervello è capace di concentrarsi su un singolo elemento dell'immagine tra elementi rumorosi; il captcha ne è un esempio.
Non è per questo che il trading manuale è difficile da formalizzare? È per questo che i "trader manuali" prestano molta attenzione a un singolo strumento di trading mentre affilano i loro filtri cerebrali?
Non sono d'accordo :) Secondo i lavori dei premi Nobel nel campo della medicina Torsten Nils Wiesel e David H. Hubel, che hanno condotto studi sulla corteccia visiva del gatto, che hanno scoperto che ci sono le cosiddette cellule semplici, che rispondono particolarmente forte alle linee rette ad angoli diversi, e cellule complesse, che rispondono al movimento delle linee in una direzione, cioè il cervello effettua la separazione dei tratti. Su questa base si sviluppa l'intera classe di NS chiamata reti convoluzionali, che si basa sul meccanismo di convoluzione. Così qui è il più interessante che questa classe di NS mostra alcune delle migliori prestazioni nel riconoscimento delle immagini con distorsione (si tratta della curva specchio e distorsione) è molto ben mostrato nei lavori del dottor Jan LeCun. Ma non puoi applicare le reti convoluzionali al BP forex :) le reti sono buone per il riconoscimento dei dati distorti, ma cattive per la ricostruzione delle immagini.
Ci sono altri fenomeni che sostengono la mia tesi. Il cervello umano ha dei filtri "incorporati" di informazioni provenienti dai sensi. Così le persone sono facilmente in grado di parlare tra loro in un luogo molto rumoroso, anche se ci sono centinaia di altre persone che parlano nelle vicinanze. Vision ha la stessa proprietà. Il cervello è in grado di concentrarsi su un singolo elemento dell'immagine tra gli elementi rumorosi - il captcha è un esempio.