記事についてのディスカッション
とても素晴らしい記事だ！
私もPytorchの実装で同じようなCNNベースの市場予測実験を行ったので、一語一語（翻訳で）楽しく読ませてもらった。
苦労を分かち合ってくれてありがとう！:)
純粋なジグザグを分析するのは面白いだろう（もちろん、最後の極端が形成された時点で）。
多くのパターンが現れるかもしれない。おそらく。
純粋なジグザグを分析するのも面白いかもしれない（もちろん、最後の極値が形成された時点で）。
多くのパターンが現れるかもしれない。おそらく。
唯一の疑問は、なぜコンピュータービジョンが必要なのかということだ。ジグザグは簡単に "ノミ "に形式化できる。）
唯一の疑問は、なぜここでコンピュータ・ビジョンが必要なのかということだ。ジグザグは簡単に "ノミ "に形式化できる)
著者が検討したインジケータ付きバーとまったく同じ。ただ、ZZの方が「きれい」である。
著者が検討したインジケータ付きバーとまったく同じである。ZZだけが「きれい」である。
同感だ。何もしていないところからの思いつき。
重要なのは、何かを "ノミ "に形式化することではない。ジグザグは一般的に問題のある指標だ...。特にダイナミクスに遅れをとり、何も語らない...。
https://youtu.be/mcQH-OqC0Bs, https://youtu.be/XL5n4X0Jdd8
- 2021.01.27
- www.youtube.com
重要なのは、何かを "ノミ "に形式化することではない。ジグザグは一般的に問題のある指標だ...。特にダイナミクスが遅れていて、何も語らない...。
https://youtu.be/mcQH-OqC0Bs, https://youtu.be/XL5n4X0Jdd8
アンドレイ、私はあなたの仕事を批判したり「軽んじたり」するつもりはない。
しかし、このような問題文の実際的な有用性には疑問が残る。結局のところ、畳み込みネットワークの 本質は、形式化されていない入力データから任意の実体を検出して選択し、形式化して、分類のために完全接続層に渡すか、あるいは別の場所に渡すことなのだ。つまり、畳み込みネットワークの出力は、主にこれらの指標で形式化されたエンティティになる。畳み込みネットワークがこれ以外に何を見つけることができるのか、私には理解できない。あなたの実験では、指標データを入力とする古典的なネットワークと同じデータで このアプローチを比較すれば、それを確かめることができる。畳み込みは学習に時間がかかるだけで、指標は良くならないと思います。もしかしたら私が間違っているのかもしれないし、私の理解を超える何かがあるのかもしれない。
アンドリュー、私は決してあなたの仕事を批判したり、"軽んじたり "したいわけではない。
しかし、それでもこの問題文の実際的な有用性には疑問が残る。結局のところ、畳み込みネットワークの本質は、形式化されていない入力データから任意の実体を検出して選択し、形式化して、分類のために完全接続層に渡すか、あるいは別の場所に渡すことなのだ。さて、畳み込みネットワークの出力は、主にこれらの指標で形式化されたエンティティになる。畳み込みネットワークがこれ以外に何を見つけることができるのか、私には理解できない。あなたの実験では、指標データを入力とする古典的なネットワークと同じデータで このアプローチを比較すれば、それを確かめることができる。畳み込みは学習に時間がかかるだけで、指標は良くならないと思います。もしかしたら私が間違っているのかもしれないし、私の理解を超える何かがあるのかもしれない。
これにはまったく同意するし、比較もした。しかし、この実験での課題はまったく異なるもので、使用した指標を数値化せずに行うことだった。そのことは、記事の冒頭で述べた。ちなみに、指標をまったく使わないこともできる......。そして、その結果もまたプラスになるだろう。現在、実戦投入に向けて準備中である。実際にどのような結果が出るか見てみよう......。
私はこれに全面的に同意し、比較した。しかし、この実験における課題はまったく異なるもので、使用した指標を数値化せずに行うことだった。そのことは、記事の冒頭で述べた。ちなみに、指標をまったく使わないこともできる......。そして、その結果もまたプラスになるだろう。現在、実戦投入に向けて準備中である。実際にどのような結果が出るか見てみよう......。
このアプローチは、いわゆる「AIシステムの普遍化」、つまり同じソリューション＝アーキテクチャが異なる問題を解決するために使用される場合に適合するということです。
また、部分的にはデータの前処理を省くこともできると思う。一次ソースを生のまま「ネットワーク」に送り込むと、ネットワークはそれを正規化するなどして消化してくれます。
回答ありがとう。成功を祈る。）
- 無料取引アプリ
- 8千を超えるシグナルをコピー
- 金融ニュースで金融マーケットを探索
新しい記事「取引におけるニューラルネットワークの実用化(第2部)コンピュータービジョン」はパブリッシュされました:
コンピュータービジョンを使用すると、価格チャートと指標の視覚的表現に関してニューラルネットワークを訓練できるようになります。この方法では、ニューラルネットワークにデジタルでフィードする必要がないため、テクニカル指標全体でより幅広い操作が可能になります。
画像の配列を準備する前に、ニューラルネットワークの目的を定義します。理想的には、ピボットでネットワークを訓練するのは素晴らしいことです。この目的に応じて、最後の極度のバーでスクリーンショットを作成する必要がありますが、この実験では実用的な価値が示されませんでした。そのため、別の画像セットを使用して、さらに、上記のアレイを含むさまざまなアレイを試すことができます。これはまた、画像ベースの分類タスクを解決する際のニューラルネットワークの効率の付加的な証明を提供する可能性があります。連続時系列で得られたニューラルネットワーク応答には、さらなる最適化が必要です。
実験を複雑にせず、2つのカテゴリの画像に焦点を当てましょう。
ニューラルネットワーク訓練の目的では、任意の方向への動きは、価格がトレンド方向で新しい極値に達することとして定められます。これらの瞬間ではチャートのスクリーンショットが作成されます。トレンド反転の瞬間もネットワーク訓練にとって重要であり、価格が1日の高値または安値に達すると、チャートのスクリーンショットが作成されます。
作者: Andrey Dibrov