트렌드 변수가 변경될 때마다 훈련 결과가 항상 달라지는 이상한 동작, 그 이유는 무엇인가요?
코드에 논리 오류가 있습니다!
double trend=0; // также при trend=100 результаты много лучше и больше количество точек оптимизаций!?
if(uod>0)
{
highPer=high-close;
lowPer=open-low;
bodyPer=close-open;
trend=1;
}
else
{
highPer=high-open;
lowPer=close-low;
bodyPer=open-close;
trend=-1; // стоял ноль!
}
"bodyPer" 입력을 수정했습니다. 단순히 몸통의 상대 길이를 로드하는 대신 bodyPer=0.5+((닫힘-열림)/p100)/2 값을 계산했습니다;
따라서 변수는 상대 길이 외에도 캔들의 방향도 캡처합니다. 네 번째 변수를 위한 슬롯을 확보한 셈이죠.
int error=CandlePatterns(rates[0].high,rates[0].low,rates[0].open,rates[0].close,rates[0].close-rates[0].open,_xValues);
여기서는 아직 형성되지 않은 캔들의 데이터를 전달합니다. 실제로 캔들이 열리면 모든 매개변수는 동일합니다. 모두 = rates[0].open
int error=CandlePatterns(rates[0].high,rates[0].low,rates[0].open,rates[0].close,rates[0].close-rates[0].open,_xValues);
여기서는 아직 형성되지 않은 캔들의 데이터를 전달합니다. 실제로 캔들이 열리면 모든 매개변수는 동일합니다. 모두 = rates[0].open
틀렸어요!
여기서 복사는 제로 바가 아니라 첫 번째 바에서 수행되므로 여기서는:
CandlePatterns(rates[0].high,rates[0].low,rates[0].open,rates[0].close,rates[0].close-rates[0].open,_xValues);
는 마지막 막대의 값이 됩니다...
5 개의 막대를 복사 할 필요는 없다고 생각하며 이와 같이 과거 막대 1 개를 복사하면 충분할 것입니다:
안녕하세요 앤디, 수고하셨습니다!!!
제 전략에 맞게 코드를 분석하고 있는데 지금까지는 DNN이 정말 훌륭하다고 말할 수 있습니다! 공유해 주셔서 감사합니다.
한 가지 질문이 있습니다. 어떤 상황에서도 "yValues[2]>0.6"을 사용하는 것을 인식하지 못합니다. 다른 자산으로 여러 번 시도했지만 이 조건으로 인해 거래가 체결되지 않았습니다. 이게 맞나요?
감사합니다!
최고,
알렉산드르
이 포럼에서는 포르투갈어로 댓글을 달아주세요. 자동 번역 도구를 사용하거나 다른 언어로 포럼 중 하나에 댓글을 달아주세요.
코드에 논리 오류가 있습니다!
트렌드 변수가 변경될 때마다 훈련 결과가 항상 달라지는 이상한 동작, 그 이유는 무엇인가요?
코드에 논리 오류가 있습니다!
그리고 더 많은 값이 임계값에 도달하거나 임계값 경계를 넘을수록 신경망에 가격 차트를 맞출 수 있는 위치 또는 기회가 더 많아집니다(경로를 기억).레이어가 많을수록 감쇠가 커져 값이 0에 가까워집니다.
오프셋은 이 문제를 약간 해결합니다.
따라서 임계값을 0.6으로 설정하면 가능한 대부분의 세트가 버려집니다. 그리고 입력에 큰 숫자 또는 여러 개의 큰 숫자를 공급하는 경우 스트레이트 패스로도 신경망의 끝에 더 많은 가능한 값을 가져올 수 있습니다.
그리고 더 많은 값이 임계값에 도달하거나 임계값 경계를 넘을수록 신경망에 가격 차트를 맞출 수 있는 위치 또는 기회가 더 많아집니다(경로를 기억하세요).레이어가 많을수록 감쇠가 많아져 값이 0에 가까워집니다.
오프셋은 이 문제를 약간 해결합니다.
따라서 임계값을 0.6으로 설정하면 가능한 대부분의 세트가 버려집니다. 그리고 입력에 큰 숫자 또는 여러 개의 큰 숫자를 공급하는 경우 스트레이트 패스로도 신경망의 끝에 더 많은 가능한 값을 가져올 수 있습니다.
어쨌든 훈련 결과는 모든 유형의 최적화에 따라 항상 매우 가변적이기 때문에 실제 거래에 적용 가능성에 대한 의문이 제기되며, 조합을 다시 정렬 할 때 항상 더 나은 가중치 매개 변수가있을 것입니다. 이 NS의 이러한 특성에 대한 설명은 무엇인가요?
어쨌든 훈련 결과는 모든 유형의 최적화에 따라 항상 매우 가변적이기 때문에 실제 거래에 대한 적용 가능성에 대한 의문이 제기되며, 조합을 다시 정렬 할 때 항상 더 나은 가중치 매개 변수가있을 것입니다. 이 NS의 이러한 특성에 대한 설명은 무엇인가요?
사실 모든 NS와 MO와 관련된 모든 것, 일반적으로 숫자에 숫자를 곱하고 활성화 함수에 가산기가있는 모든 곳에서이 NS를 많이 중요하게 생각하면 모두 차트에 맞을 것입니다. 완전히 불안정한 시스템입니다.
이를 파헤치고, 아키텍처를 구축하고, 뉴런과 레이어를 추가하는 것은 흥미롭습니다. 그러나 그것은 절대적으로 쓸모가 없으며 마쉬카를 교차하는 것보다 낫지 않습니다.게다가 가격 책정은 고정적이지 않은 프로세스입니다. 새로운 데이터가 있을 때마다 차트를 패턴으로 나누면 기록에서 50/50으로 작동하는 경향이 있습니다.
NS는 반복적 인 고정 시스템을위한 것입니다.
그러나 Forex 등에서는 더 고급의 지능형 시스템이 필요합니다. 어떻게 든 서로 연결되어 있고, 어떻게 든 패턴 통계의 변화에 마술처럼 적응하는 여러 NS와 같은 것.
NS 자체는 새로운 데이터의 양이 곱셈으로 얻은 가능한 숫자 조합보다 많은 경우 가격 경로 또는 결과의 평균을 암기하는 것입니다 (또는 간단히 말하면 두세 개의 입력이있는 가장 간단한 NS 아키텍처).