Não têm de ser estritamente periódicas, mas não têm de ser barulhentas. O quadro é probabilístico, não rigoroso. A janela deslizante destina-se ao indicador de entropia assim como o número de características para treino, podem ser optimizados.
Se as amostras forem inconsistentes não receberá nada, é por isso que existem tantos 50\50 erros. E um laço não pode ser contraditório, ou existe ou não existe, sob qualquer forma. Se adicionarmos muitos loops diferentes, eles não se contradizem uns aos outros.
Ciclo]-Não ciclo é um conceito relativo dentro da métrica da entropia.
Certamente não olhei através de todos eles, mas todos aqueles "com fontes em MQL" todos sem as próprias redes neurais, mas essencialmente um exercício em OOP sob a forma de invólucros para várias bibliotecas ou para o mesmo NeuroPro, francamente falando depois de uma dúzia de artigos lidos, todos parecem iguais, por vezes até parece que OOP para robots de stock é mais prejudicial do que útil, IMHO OOP para projectos a partir de 100 mil linhas começa a mostrar vantagens, e quando três funções se envolvem em cinco classes e mesmo com herança é ridículo.
PS: por favor não me ensine a pesquisar na Internet, dê ligações específicas ao CÓDIGO ABERTO das redes neurais, não Vopers, não reescrevendo livros e artigos.
Estes dois parágrafos contradizem-se um ao outro. Qualquer pessoa que saiba procurar na Internet (em particular neste site) encontrará rapidamente implementações de tipos básicos de NS em MQL puro sem quaisquer dependências e invólucros.
Os retornados da série original são tomados, e a média e variância são removidas. Nesta base, os retornados da distribuição normal são gerados e são restaurados à distribuição original.
A entropia foi medida em ambas as séries. Na grande maioria dos casos é a mesma coisa, ou seja, as citações são SB.
E por retornos a diferença é como deveria ser (a entropia é mais elevada ao acaso):
Parece não haver sensibilidade suficiente para a fila nua. Pergunto-me se os vossos NSs têm "sensibilidade" suficiente. Duvidoso.
E aqui está um takeaway de Bitcoin (deve ser ainda menos eficiente, supostamente). E de facto.
Os retornados da série original são tomados, e a média e variância são removidas. Nesta base, os retornados da distribuição normal são gerados e são restaurados à distribuição original.
A entropia foi medida em ambas as séries. Na grande maioria dos casos é a mesma coisa, ou seja, as citações são SB.
E nos retornos a diferença é como deveria ser (a entropia é mais elevada nos randoms):
Parece não haver sensibilidade suficiente para a fila nua. Pergunto-me se os vossos NSs têm "sensibilidade" suficiente. Duvidoso.
E aqui está um takeaway de Bitcoin (deve ser ainda menos eficiente, supostamente). E de facto.
Especialmente em H4.
Boa!
E a própria entropia em janelas de tempo deslizantes, como se comporta?
Obviamente, se realizarmos estudos com janelas de tempo em movimento de múltiplos de 1 hora (em dados de um minuto são 60, 120, 180, ...), então devemos identificar aquelas janelas onde a entropia é mínima em média.
Estas são as amostras com que se deve trabalhar - tenho a certeza de que a NS encontrará aí regularidades.
A iniciativa joo estava condenada à infâmia, e não porque as pessoas não são cooperantes, mas porque é uma ideia fútil.
Está bem, obrigado, estou a estudar o assunto.
Alexander_K:
Patamushta aqui não é um verdadeiro líder com conhecimento, de modo que as alas não passariam por opções, e ouvi-lo-iam como crianças.
Quando li este fio, lágrimas correram pelas minhas bochechas senis - como eles imploraram a alguns pingentes para tomarem o leme, mas ele próprio está sem pistas e .... É isso, estamos lixados.
Um ramo vergonhoso e instrutivo.
Os eslavos precisam de um líder, pai, severo mas justo, está nos genes, é lógico que os eslavos o sintam e peçam a outras raças (anglo-saxões, judeus, árabes...) para os comandar, faz sentido, os eslavos não toleram o seu líder, a menos que ele seja mistificado ao nível de profeta ou ungido por Deus.
Mais tarde, escreveu um jpredictor autónomo em java, com 2 redes neurais (mlp e svm, mais especificamente) com selecção automática de características
Tanto quanto sei "jpredictor" ainda tem o mesmo neurónio treinado por optimização de parâmetros, a saída do jpredictor é pesos para um neurónio, o que obviamente não é algo de que se possa orgulhar.
Não têm de ser estritamente periódicas, mas não têm de ser barulhentas. O quadro é probabilístico, não rigoroso. A janela deslizante destina-se ao indicador de entropia assim como o número de características para treino, podem ser optimizados.
Se as amostras forem inconsistentes não receberá nada, é por isso que existem tantos 50\50 erros. E um laço não pode ser contraditório, ou existe ou não existe, sob qualquer forma. Se adicionarmos muitos loops diferentes, eles não se contradizem uns aos outros.
Ciclo]-Não ciclo é um conceito relativo dentro da métrica da entropia.
E como se mede o grau de entropia dos dados?
E como se mede o grau de entropia dos dados?
acima é um link para o meu wiki e Alexander's no Hubr
Certamente não olhei através de todos eles, mas todos aqueles "com fontes em MQL" todos sem as próprias redes neurais, mas essencialmente um exercício em OOP sob a forma de invólucros para várias bibliotecas ou para o mesmo NeuroPro, francamente falando depois de uma dúzia de artigos lidos, todos parecem iguais, por vezes até parece que OOP para robots de stock é mais prejudicial do que útil, IMHO OOP para projectos a partir de 100 mil linhas começa a mostrar vantagens, e quando três funções se envolvem em cinco classes e mesmo com herança é ridículo.
PS: por favor não me ensine a pesquisar na Internet, dê ligações específicas ao CÓDIGO ABERTO das redes neurais, não Vopers, não reescrevendo livros e artigos.
Estes dois parágrafos contradizem-se um ao outro. Qualquer pessoa que saiba procurar na Internet (em particular neste site) encontrará rapidamente implementações de tipos básicos de NS em MQL puro sem quaisquer dependências e invólucros.
É impossível fazer uma matriz normal em MQL sem muletas. De que tipo de NS estamos a falar com tão reduzidas capacidades linguísticas?
Muitas pessoas aqui não conseguem sequer reproduzir a fórmula do MLP.
Os retornados da série original são tomados, e a média e variância são removidas. Nesta base, os retornados da distribuição normal são gerados e são restaurados à distribuição original.
A entropia foi medida em ambas as séries. Na grande maioria dos casos é a mesma coisa, ou seja, as citações são SB.
E por retornos a diferença é como deveria ser (a entropia é mais elevada ao acaso):
Parece não haver sensibilidade suficiente para a fila nua. Pergunto-me se os vossos NSs têm "sensibilidade" suficiente. Duvidoso.
E aqui está um takeaway de Bitcoin (deve ser ainda menos eficiente, supostamente). E de facto.
Especialmente em H4.
É impossível fazer uma matriz normal em MQL sem muletas. De que tipo de NS estamos a falar com tão reduzidas capacidades linguísticas?
Muitas pessoas aqui não conseguem sequer reproduzir a fórmula do MLP.
Caiu da lua, ou do forno quando era criança?
Os retornados da série original são tomados, e a média e variância são removidas. Nesta base, os retornados da distribuição normal são gerados e são restaurados à distribuição original.
A entropia foi medida em ambas as séries. Na grande maioria dos casos é a mesma coisa, ou seja, as citações são SB.
E nos retornos a diferença é como deveria ser (a entropia é mais elevada nos randoms):
Parece não haver sensibilidade suficiente para a fila nua. Pergunto-me se os vossos NSs têm "sensibilidade" suficiente. Duvidoso.
E aqui está um takeaway de Bitcoin (deve ser ainda menos eficiente, supostamente). E de facto.
Especialmente em H4.
Boa!
E a própria entropia em janelas de tempo deslizantes, como se comporta?
Obviamente, se realizarmos estudos com janelas de tempo em movimento de múltiplos de 1 hora (em dados de um minuto são 60, 120, 180, ...), então devemos identificar aquelas janelas onde a entropia é mínima em média.
Estas são as amostras com que se deve trabalhar - tenho a certeza de que a NS encontrará aí regularidades.
Existe um Alglib portado (https://www.mql5.com/en/code/11077).
A iniciativa joo estava condenada à infâmia, e não porque as pessoas não são cooperantes, mas porque é uma ideia fútil.
Está bem, obrigado, estou a estudar o assunto.
Patamushta aqui não é um verdadeiro líder com conhecimento, de modo que as alas não passariam por opções, e ouvi-lo-iam como crianças.
Quando li este fio, lágrimas correram pelas minhas bochechas senis - como eles imploraram a alguns pingentes para tomarem o leme, mas ele próprio está sem pistas e .... É isso, estamos lixados.
Um ramo vergonhoso e instrutivo.
Os eslavos precisam de um líder, pai, severo mas justo, está nos genes, é lógico que os eslavos o sintam e peçam a outras raças (anglo-saxões, judeus, árabes...) para os comandar, faz sentido, os eslavos não toleram o seu líder, a menos que ele seja mistificado ao nível de profeta ou ungido por Deus.
Mais tarde, escreveu um jpredictor autónomo em java, com 2 redes neurais (mlp e svm, mais especificamente) com selecção automática de características
Tanto quanto sei "jpredictor" ainda tem o mesmo neurónio treinado por optimização de parâmetros, a saída do jpredictor é pesos para um neurónio, o que obviamente não é algo de que se possa orgulhar.
A entropia é medida em ambas as filas. É esmagadoramente a mesma coisa, ou seja, as citações são SB.