이상적으로 매수(또는 >0.7 - 매수), (-1) - 매도, 나머지 - 우리는 기다림에 대해 1을 제공해야 하는 네트워크가 있다고 가정해 보겠습니다. 여러 네트워크 입력 표시기가 있습니다. 입력 중 하나는 0 아래에서 교차할 때(즉, 부호가 음에서 양으로 변경될 때) 매수 신호를 보내는 것으로 보이는 지표입니다. 즉, 이 표시기에 대한 구매 신호의 최대값은 정확히 0에서 교차하는 순간입니다(그런 다음 신호는 유지되지만 잠재적 이익은 감소합니다).
이제 - 신경망 , 이것은 대략 입력과 가중치의 곱의 합에 대한 특정 기능입니다(내부 레이어의 뉴런도 고려됨). f=F(w1x1+w2*x2+...) 공식을 고려하면 x1=0이면 현재 다른 입력 및 활성화 함수에 관계없이 이 입력은 최종 출력에서 단순히 제외됩니다. 신호는 단순히 무시됩니다.
이 상황은 마치 실제 사례를 떠올리게 하는 것 같습니다(위키피디아에서 발췌) - 사진에서 탱크 이미지를 인식하도록 네트워크를 훈련시킨 사례가 있지만 나중에 모든 탱크가 동일한 배경에서 촬영된 것으로 밝혀졌습니다. 결과적으로 네트워크는 탱크를 인식하는 "학습" 대신 이러한 유형의 지형을 인식하도록 "학습"했습니다.
그리고 실제로 질문입니다. 이 경우 이러한 표시기에 대한 구매 신호의 최대값이 0과의 교차점에 있지 않도록 이러한 방식으로 이 항목의 값을 변환하는 것이 의미가 있습니까(그러나 또 다른 질문은 방법입니다). 예를 들어, 이 지표 = 1입니다.
예를 들어 이 지표를 두 가지로 나눌 수 있습니다. - 첫 번째(유형 1-x)는 0에 접근하는 정도를 나타냅니다. - 두 번째 - 바이너리 -는 이 차이(+1, -1)의 표시일 뿐입니다.
신호가 정확히 아래에서 위로 0과의 교차점인 경우(그리고 반대 방향으로 교차점이 있어 반대 신호를 제공함) 0 자체는 입력에서 중요한 값이 될 수 없습니다. 신호는 신호일 뿐입니다. 예를 들어 특정 지표의 차트에 정확히 표시되는지 여부에 관계없이 +1 매수, -1 매도 등으로 인코딩합니다. 그리고 일반적으로 0을 사용해서는 안 됩니다. 네트워크 가중치의 힘을 최대화하려면 값이 대칭이어야 합니다. 0을 넘을 때 신호를 보내는 지표의 경우 출력에서 파생된 결과를 얻을 수 있습니다(물론 분석 형식이 아님).
근본적인 차이점은 무엇입니까 .. 고도로 전문화되어 (파동, 도형의 조합 인식) 실행이 가장 간단합니다. 예를 들어, 가중치는 단순히 테스터(예: Yu. Reshetov의 퍼셉트론)에 의해 선택되며, 동시에 동일한 범위의 입력 매개변수를 사용하는 내 퍼셉트론은 Yu. Reshetov의 퍼셉트론이 할 수 없는 특정 패턴을 기억할 수 있습니다. Yu. Reshetov의 퍼셉트론 덕분에 개발은 유능한 손에 이익을 가져다 줄 수 있는 아파트를 완벽하게 찾습니다.
거래자는 의미에 따라 신호의 인코딩을 선택해야 합니다. 특히, 그리드에 실제로 확률(x 및 1-x)에 대해 훈련된 출력이 있는 경우 도함수가 필요하지 않습니다. 출력이 바이너리인 경우(구매/구매 안함/판매/판매 안함) 명확한 신호가 필요합니다. 그러나 도함수(특정 막대 수 에 대한 dI/dt)를 계산해야 하는지 여부는 특정 지표에 따라 다릅니다. 특히 각 방향의 제로 크로싱인 IMHO는 내가 제안한 대로 +1과 -1을 지정하기 즉시 더 쉽습니다. 임계값(일반적인 질문)에 대해서는 그리드의 맥락에서뿐만 아니라 일반적으로 합당합니다. 시스템이 임계값에서 작업하는 경우 이를 사용해야 합니다. 임계값을 선택하도록 그리드 자체를 훈련할 수 있습니다.
개인적으로 저만의 네트워크(:
그들은 A라고 말하고 B라고 말하면, 그렇지 않으면 신비롭게 미소 짓습니다 :)
네트워크 간의 주요 차이점은 무엇입니까?
결국 시계열을 예측하기 위해 시작 가격과 종료 가격의 차이를 사용할 수 있습니다! 그러면 복도가 더 작아지고 점프가 그렇게 강하지 않을 것입니다!
그렇게 간단하지...
네트워크 전문가를 위한 질문
이상적으로 매수(또는 >0.7 - 매수), (-1) - 매도, 나머지 - 우리는 기다림에 대해 1을 제공해야 하는 네트워크가 있다고 가정해 보겠습니다. 여러 네트워크 입력 표시기가 있습니다. 입력 중 하나는 0 아래에서 교차할 때(즉, 부호가 음에서 양으로 변경될 때) 매수 신호를 보내는 것으로 보이는 지표입니다. 즉, 이 표시기에 대한 구매 신호의 최대값은 정확히 0에서 교차하는 순간입니다(그런 다음 신호는 유지되지만 잠재적 이익은 감소합니다).
이제 - 신경망 , 이것은 대략 입력과 가중치의 곱의 합에 대한 특정 기능입니다(내부 레이어의 뉴런도 고려됨). f=F(w1x1+w2*x2+...) 공식을 고려하면 x1=0이면 현재 다른 입력 및 활성화 함수에 관계없이 이 입력은 최종 출력에서 단순히 제외됩니다. 신호는 단순히 무시됩니다.
이 상황은 마치 실제 사례를 떠올리게 하는 것 같습니다(위키피디아에서 발췌) - 사진에서 탱크 이미지를 인식하도록 네트워크를 훈련시킨 사례가 있지만 나중에 모든 탱크가 동일한 배경에서 촬영된 것으로 밝혀졌습니다. 결과적으로 네트워크는 탱크를 인식하는 "학습" 대신 이러한 유형의 지형을 인식하도록 "학습"했습니다.
그리고 실제로 질문입니다. 이 경우 이러한 표시기에 대한 구매 신호의 최대값이 0과의 교차점에 있지 않도록 이러한 방식으로 이 항목의 값을 변환하는 것이 의미가 있습니까(그러나 또 다른 질문은 방법입니다). 예를 들어, 이 지표 = 1입니다.
예를 들어 이 지표를 두 가지로 나눌 수 있습니다.
- 첫 번째(유형 1-x)는 0에 접근하는 정도를 나타냅니다.
- 두 번째 - 바이너리 -는 이 차이(+1, -1)의 표시일 뿐입니다.
이것이 네트워크에 대한 근본적인 중요성의 조작입니까?
예를 들어 이 지표를 두 가지로 나눌 수 있습니다.
- 첫 번째(유형 1-x)는 0에 접근하는 정도를 나타냅니다.
- 두 번째 - 바이너리 -는 이 차이(+1, -1)의 표시일 뿐입니다.
이것이 네트워크에 대한 근본적인 중요성의 조작입니까?
모든 신경망의 경우 첫 번째 옵션이 두 번째 옵션보다 더 유익합니다 .....
그들은 A라고 말하고 B라고 말하면, 그렇지 않으면 신비롭게 미소 짓습니다 :)
네트워크 간의 주요 차이점은 무엇입니까?
근본적인 차이점은 무엇입니까 .. 고도로 전문화되어 (파동, 도형의 조합 인식) 실행이 가장 간단합니다. 예를 들어, 가중치는 단순히 테스터(예: Yu. Reshetov의 퍼셉트론)에 의해 선택되며, 동시에 동일한 범위의 입력 매개변수를 사용하는 내 퍼셉트론은 Yu. Reshetov의 퍼셉트론이 할 수 없는 특정 패턴을 기억할 수 있습니다. Yu. Reshetov의 퍼셉트론 덕분에 개발은 유능한 손에 이익을 가져다 줄 수 있는 아파트를 완벽하게 찾습니다.
모든 신경망의 경우 첫 번째 옵션이 두 번째 옵션보다 더 유익합니다 .....
그리고 우리가 (물론 위의 조건에서) 원래 신호와 도함수를 비교한다면, 그 선택은 도함수를 위한 것입니까?
그리고 상황이 바이어스를 0으로 설정하여 일부 임계값의 교차로 확장되면 "임계값" 신호가 이러한 방식으로 증폭되어야 합니까?...
거래자는 의미에 따라 신호의 인코딩을 선택해야 합니다.
동의한다. 차량에 대한 아이디어가 있어야 합니다. NS는 도구일 뿐입니다. 따라서 주요 역할은 진입 신호를 선택하고 출구에서 얻고자 하는 것을 이해하는 것입니다.