Рыночный этикет или правила хорошего тона на минном поле - страница 70
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Правда дисперсия великовата, нужно увеличивать статистику.
Может для почасовой разбивки котира это вполне нормальное явление? Статистику я увеличивал до 1000. Результат чуть-чуть ниже. Сейчас уже статистика по d считается, как закончит - покажу.
Точнее, из констатации факта квазинестационарности, следует не полная эффективность рынка.
Ага, понял, и по мне так логичнее тоже. Хотя, слово "квазинестационарность" я бы использовал в игре в слова, чтобы отгадывающие мучались подольше. :)
Вот статистика по d на Винере:
Если К=2, то получается красивее(на Винере). Просто я К=1 везде поставил, потому как с ним девушка и учится лучше и работает лучше(значительно)
А это на 1000 опытов котира(К=1)
Вот статистика по d на Винере:
Рис. выглядит не очень информативно. Выведи на одном рис. только тангенсы как функцию от размерности входа по обучающей выборке и по тестовой, и поставь автомасштабирование по оси ординат.
Так нормально?
Теперь объясняй, что у тебя получается.
Если посмотреть на твой рис. где выведен тангенс для Винеры:
Не трудно оценить его значение визуально tg=1/2 для обучающей выборки. Если же смотреть на твой последний рис., то значения tg нигде не превышают уровня 0.1
Прокоментируй.
Это из-за того, что я умножал полученный тангенс на волатильность Винера, которая к тому же неправильно расчитывалась(разность отсчетеов накапливалась без возведения в квадрат)
Эти картинки для К=1
Теперь поздравляю!
Видно, что код однослойной НС работает корректно - по-нулям (если ещё статистики добавить) на случайном процессе и что-то статзначимо отлиное от нуля на рыночном ВР. Теперь можно переходить к работе с универсальным аппроксиматором (двуслойная нелинейная НС) и сравнивать полученные результаты с работой линейного нейрончика. После вылизывания, можно будет сравнивать доходности с разлмчным числом нейронов в скрытом слое и экспериментировать с различными входными данными.