rete neurale e ingressi - pagina 39
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
La qualità della modellazione in fuori campione:
*
* TruePositives: 83
* TrueNegatives: 111
* Falsi positivi: 96
* Falsi negativi: 47
* Modelli totali in campioni con statistiche: 337
* Il resto dei modelli di campioni senza le statistiche: 78
* Errori totali nel fuori campione: 143
* Sensibilità della capacità di generalizzazione: 46.36871508379888%
* Specificità della capacità di generalizzazione: 70,25316455696202%
* Capacità di generalizzazione: 16.621879640760895%
* Indicatore di Reshetov: 0,004123184591376475
*/
doppio x0 = 2,0 * (v0 - 19,0) / 35,0 - 1,0;
doppio x1 = 2,0 * (v1 - 12,26) / 57,8300000000005 - 1,0
doppio x2 = 2,0 * (v2 - 21,0) / 13,0 - 1,0
doppio x3 = 2,0 * (v3 - 12,11) / 24,3800000000003 - 1,0
doppio x4 = 2,0 * (v4 - 18,0) / 40,0 - 1,0
doppio x5 = 2,0 * (v5 - 11,61) / 58,5 - 1,0;
doppia decisione = -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 + 0.09688271273741818 * 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 + 0.06276424509067496 * 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
È complicato..... Quanto bene i dati descrivono la variabile dipendente????
Ho presentato un file di formazione. Nessun intervallo di prova ancora :-( Ma questo non è un problema.....
E per quanto ho capito ha preso 337 voci, anche se ne ho presentate 600.
Qui cercherò di riprodurre il risultato nel mio ambiente. Mi chiedo quale sarà il risultato, anche su macchine diverse?
Il risultato corrisponde....... Supponiamo di aver trovato 83 esempi positivi reali. Come li separiamo dal campione totale...... E alimentare puramente questi 83 record naturalmente normalizzati. E se la rete impara con un errore minimo a questi 83 record. Poi sarà (teoricamente) in grado di classificare tali record nell'input noise...... Come questo....
Ho presentato un file di formazione. Nessun intervallo di prova ancora :-( Ma questo non è un problema.....
E per quanto ho capito ha preso 337 voci, anche se ne ho presentate 600.
Qui cercherò di riprodurre il risultato nel mio ambiente. Mi chiedo quale sarà il risultato, anche su macchine diverse?
E riguardo ai dati, non è molto chiaro come prenderli per addestrare la rete su dati puliti..... Come estrarre da un set di allenamento TruePositives: TrueNegatives: FalsePositives: FalseNegatives e provare ad allenare la rete.
Infatti, JPrediction non è stato creato per prevedere strumenti finanziari, ma per prevedere la redditività dei segnali per il mese successivo.
In altre parole, compilo un campione che include le caratteristiche attuali del segnale: numero di operazioni, termine, % di profitto mensile, percentuale di operazioni redditizie, percentuale di operazioni perdenti, fattore di profitto, rapporto di Sharp, ecc. Poi aspetto un mese e segno con 1 al mese i trade redditizi e 0 quelli non redditizi.
Poi alleno il modello su questo campione e lo uso per prevedere i segnali per il mese successivo.
L'idea è che i segnali sono più facili da prevedere perché hanno molte informazioni utili aggiuntive oltre ai dati storici. Gli strumenti finanziari non hanno dati aggiuntivi oltre a quelli storici.
Quindi sto pensando... come interpretare il risultato... per renderlo più veloce e certamente non a mano........
Infatti, JPrediction non è stato creato per prevedere strumenti finanziari, ma per prevedere la redditività dei segnali per il mese successivo.
In altre parole, compilo un campione che include le caratteristiche attuali del segnale: numero di trade, termine, % di profitto mensile, percentuale di trade redditizi, percentuale di trade perdenti, fattore di profitto, rapporto di Sharp, ecc. Poi aspetto un mese e segno 1 per i segnali che hanno avuto un profitto entro un mese, mentre segno 0 per i trade non redditizi.
Poi alleno il modello su questo campione e lo uso per prevedere i segnali per il mese successivo.
L'idea è che i segnali sono più facili da prevedere perché hanno molte informazioni utili aggiuntive oltre ai dati storici. Gli strumenti finanziari non hanno dati aggiuntivi oltre ai dati storici.