Bir mayın tarlasında pazar görgü kuralları veya görgü kuralları - sayfa 79
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Bu arada, dakikaları tek bir dağılımla (3 puan) dikey olarak bölersem, birkaç işlem üzerindeki bir dizi ilk farkın dağılımının ne kadar karakteristik bir resmine bakın:
Bir dağıtım işlevi oluşturursunuz, özellikleri daha net bir şekilde temsil eder. Getirdiğiniz şey, zaman ölçeği çözünürlüğü ile FR'nin yukarıdan bir görünümüdür. İlginç, elbette, ama çok açık değil.
Şimdi 2'den biraz fazla (2.153), sonra 2'ye yaklaşıyor, sonra H'ye bağlı olarak uzaklaşıyor, ancak her zaman 2'den biraz fazla
Muhtemelen pazarın doğası modaydı. Büyük parsellerde, puan genellikle <2'dir.
Bir dağıtım işlevi oluşturursunuz, özellikleri daha net bir şekilde temsil eder. Getirdiğiniz, zaman ölçeği çözünürlüğü ile FR'nin yukarıdan bir görünümüdür. İlginç, elbette, ama çok açık değil.
Şimdi 2'den biraz fazla (2.153) sonra 2'ye yaklaşıyor, sonra H'ye bağlı olarak uzaklaşıyor, ancak her zaman 2'den biraz fazla
Muhtemelen pazarın doğası modaydı. Büyük parsellerde, puan genellikle <2'dir.
Bugün inşa edeceğim. Site gerçekten küçük - bir aydan biraz fazla (20.000 dakika) DC'm daha uzun bir dakika geçmişinin yüklenmesine izin vermiyor.
Dün gece aklıma bir fikir geldi ve burada dile getirmek istiyorum. HERKES için geçerlidir beyler.
SOI diyelim (kimse tahmin etmesin diye... - :) )
Bu nedenle, uygun bir veri analizi için, bariz nedenlerle mevcut olmayan iyi (istatistiksel olarak yeterli ve boşluksuz) bir kene geçmişine ihtiyaç vardır.
Fikrin özü, herhangi bir tüccar için en düşük maliyetle ve en büyük fayda için nasıl yaratılacağıdır. Çözüm basittir - özel sunucular (2 ve tercihen 3) kiralamak ve bu sunuculara kene toplayıcıları yüklemek ... herhangi bir enstrüman ve DC'ye. Ve sadece değil (daha sonraları). Bir kişi için bu girişim çok pahalı olacak, ancak fikir tam olarak ücretsiz değil, ucuz, güvenilir ve pratik nasıl yapılacağıdır.
Sayalım:
****************************** GİDERLER ********************* ******
1. Bugün yeterli hacme sahip bir tahsisli sanal sunucu kiralamanın maliyeti ayda yaklaşık 100 dolar (iletişim kanalları üzerinden 2 bağımsız sunucuya ihtiyacınız var) ... 200 dolar / ay
2. Tüm bunlara göz kulak olmak ve hikayeyi yetkin bir şekilde düzeltmek için iyi bir kodlayıcıya ihtiyacınız olacak.
Kodlayıcı, elbette, bu iş için bir tür para almalıdır. Orada çok fazla günlük iş olmayacak, yani ayda 200 dolar (ancak bu, bir kodlayıcının bir projede kazanabileceği sınırdan çok uzak)
Burada, aslında, tüm ana maliyetler! Ayda 400 dolar.
Ayrıca, aşağıdakileri yerleştirmeniz gereken birleşik bir İnternet kaynağına da ihtiyacınız olacak:
a) Kene geçmişini satmak için bir platform.
b) Önerilen danışmanlardan herhangi birinin demosunda mevcut çalışmayı ÜCRETSİZ olarak izleyebileceğiniz danışman satışı için bir platform
c) DC'nin yapıcı eleştirisinin olumlu olduğu bir forum.
****************************** GELİR ********************* ******
1. Tik geçmişi indirme ücreti - Herhangi bir DC - 1WMZ'den herhangi bir enstrüman için 1 aylık tik (hesaplamalar WebMoney üzerinden kolayca yapılır)
2. Danışmanları uzak bir sunucuda barındırma ücreti (gerçek hayatta çalışan) - haftada 20WMZ (danışman o kadar kazanmıyorsa, çöpe atmanız yeterlidir)
3. Danışmanların demoya yerleştirilmesi için ücret - haftada 5WMZ
4. Platform üzerinden satılan Uzman Danışmanların Yüzdesi (Rakam vermekte zorlanıyorum)
******************************************************* **************************************************
Genel olarak, proje oldukça karlı ve kullanışlı görünüyor. SOI, ürünleri - MT5 için iyi bir PR yapacağından, MetaQuotes da büyük olasılıkla ilgilenecektir.
Tek kelimeyle, DC hariç herkes kazanır. Bununla birlikte, dürüst DC'lerin de korkacak hiçbir şeyi yoktur.
Herhangi bir imtiyaz başlatmak için hissedarlara ihtiyaç vardır. Şahsen, 100WMZ tutarında banknot yatırmaya hazırım. Başka kim...?
1. İhtiyaçlarım için kendim tiki topluyorum. Yeterlik.
2. Ticari bir proje olarak, bu proje, bence, Forex markası altındaki başka bir projeden daha düşük.
3. Keneler sadece analiz için gerekliyse, öncelikle projenin fizibilitesinin gösterilmesi gerekir. Keneler üzerinde gerçek geliri gösterin ve fiyat serisini sunmanın diğer yollarında üstünlüğünü kanıtlayın. Yetkililere yapılan atıfların kanalize olmadığı açıktır.
Ve sonuncusu. Herkes kendi DC'sinin geçmişini kendi benzersiz fiyat teklifi filtresiyle takas eder. Ulusal Meclis belirli bir DC için eğitilir. Bu nedenle, önerilen projenin evrenselliği söz konusu olamaz! Senden başka kim ilgilenecek? 1 veya 2 kişi daha...
Nötron ve paralokus için soru. Neutron'un ağını değiştirilmiş bir RPROP yöntemiyle eğitirken, paralocus ağını değiştirilmiş bir ORO (BPROP) yöntemiyle eğitiyor. Klasik ODP yönteminde, kare öğrenme hatasının gradyanları (dE^2/dw = -delta*Neuron_Input) ile öğrenme hızı çarpılarak ağırlık adımları hesaplanır. Bu yöntem, bir eğitim setinden diğerine geçerken yerel olarak veya tüm eğitim setleri için hata gradyanlarını toplayarak ve ardından ağırlık adımlarını hesaplayarak çığır açan olarak uygulanabilir. Yaptığınız değişiklik, ağırlık adımlarının ek olarak (1-L/N)*dw/sqrt(dwNorm) ile çarpılmasıdır. Nötron , RPROP'ta olduğu gibi yalnızca dw'lik artışlar alır. Neredeyse her çeşit ORO yöntemini (BPROP, RPROP, IRPROP+/-, SARPROP, GRPROP) oldukça kötü sonuçlarla denedim. Ağırlıkları bazı rasgele sayılarla başlatırken (diyelim ki -0.5...0.5 aralığında), ilk öğrenme hatası çok yüksektir ve öğrenme yöntemleri bunu başarılı bir şekilde azaltır. Burada sorun yok. Ancak ağırlıkları sıfır değerlerine veya çok küçük rastgele değerlere (örneğin -0.05...0.05) başlatırsanız, ilk öğrenme hatası küçüktür ve ağırlıklar "büyük" ile başlatıldığında son öğrenme hatasına eşittir. " rastgele sayılar. O halde, sıfır ağırlıkların bize rastgele başlangıç ağırlıklarıyla son öğrenme hatasına yakın bir hata verdiğini biliyorsak, ağı eğitmenin anlamı nedir? İşte paralocus gibi değiştirilmiş bir ODP yöntemiyle öğrenme hatasının bir grafiği (önceki gönderilere bakılırsa, Neutron başlangıçta aynı yöntemi kullandı)
Listelediğim tüm eğitim yöntemleri aşağı yukarı aynı davranışı gösteriyor: rastgele başlangıç ağırlıkları ile çağdan çağa öğrenme hatasında güzel ve ilham verici bir azalma (hatta bir makale veya tez yazabilirsiniz). Ve sıfır başlangıç ağırlıklarında, hata zaten yeterince küçüktür ve ağ neredeyse onu iyileştirmez. Aynı giriş verileriyle aynı ağın IRPROP+ yöntemiyle eğitim örneği
Belki de öğrenme hatasının bu davranışı yalnızca ağımın (iki katman, 12 giriş, 5 gizli nöron, 1 çıkış, 120 eğitim seti) veya girdi verilerinin (farklı gecikmelerle nispi fiyat artışları) özelliğidir. Ağlarınızın rastgele ve sıfır başlangıç ağırlıklarıyla nasıl çalıştığını görmek isterim. Zor değilse, bu iki durum için çağın bir fonksiyonu olarak UNNORIZED öğrenme hatasının grafiklerini gösterin.
Burada sonucum hakkında biraz düşündüm ve öğrenme sürecinde ağ ağırlıkları sıfıra meyilliyse ya da başka bir deyişle sıfır başlangıç ağırlıkları ağın eğitilmiş durumuna yakınsa, ağın tanımlamaya çalıştığı sonucuna vardım. çok zayıf korelasyonlu girdiler ve çıktılar, yani. tahminin imkansız olduğu rastgele bir pazar. İşte böyle bir teoremi "icat etti"
Belki de öğrenme hatasının bu davranışı yalnızca ağımın (iki katman, 12 giriş, 5 gizli nöron, 1 çıkış, 120 eğitim seti) veya girdi verilerinin (farklı gecikmelerle nispi fiyat artışları) özelliğidir. Ağlarınızın rastgele ve sıfır başlangıç ağırlıklarıyla nasıl çalıştığını görmek isterim.
İki katmanlı bir NN'nin öğrenme hatasını azaltma süreci, dönem numarasına bağlı olarak şu şekilde görünür:
Ağın 5 girişi, 4 gizli katman nöronu ve bir çıkış nöronu vardır. Standart sapmalarına göre normalize edilmiş EURUSD1h açılış fiyatları bir eğitim vektörü olarak kullanılmıştır. Şek. daireler, hatayı giriş vektörünün uzunluğuna göre normalleştirmeden 50 sayısal deneyin ortalaması alınan standart sapma olarak bulunan öğrenme hatasını gösterir. İnce çizgiler, 1/e düzeyi üzerindeki istatistiksel yayılımı göstermektedir. Mavi - 0 aralığında ağırlıkların ilk rastgeleleştirilmesi için bu işlemin uygulanması. Kırmızı - +/-1 aralığında raf şeklinde bir dağılım ile.
Ağırlıklar başlangıçta rasgele değişkenlerle başlatılırsa, sıfırdan başlamaya kıyasla NN'nin belirgin şekilde daha iyi öğrendiği görülebilir. Ayrıca, ağırlıkların başlangıçtaki randomizasyon aralığındaki bir artış, genel durumda, nihai öğrenme hatasında bir azalmaya yol açar. Bununla birlikte, bu, gerekli dönem sayısında bir artış gerektirir (bütün olarak grafik en üste yükselir).
İki katmanlı bir NN'nin öğrenme hatasını azaltma süreci, dönem numarasına bağlı olarak şu şekilde görünür:
Ağın 5 girişi, 4 gizli katman nöronu ve bir çıkış nöronu vardır. Standart sapmalarına göre normalize edilmiş EURUSD1h açılış fiyatları bir eğitim vektörü olarak kullanılmıştır. Şek. daireler, hatayı giriş vektörünün uzunluğuna göre normalleştirmeden 50 sayısal deneyin ortalaması alınan standart sapma olarak bulunan öğrenme hatasını gösterir. İnce çizgiler, 1/e düzeyi üzerindeki istatistiksel yayılımı göstermektedir. Mavi - 0 aralığında ağırlıkların ilk rastgeleleştirilmesi için bu işlemin uygulanması. Kırmızı - +/-1 aralığında raf şeklinde bir dağılım ile.
Ağırlıklar başlangıçta rasgele değişkenlerle başlatılırsa, sıfırdan başlamaya kıyasla NN'nin belirgin şekilde daha iyi öğrendiği görülebilir. Ayrıca, ağırlıkların başlangıçtaki randomizasyon aralığındaki bir artış, genel durumda, nihai öğrenme hatasında bir azalmaya yol açar. Bununla birlikte, bu, gerekli dönem sayısında bir artış gerektirir (bütün olarak grafik en üste yükselir).
Teşekkür ederim. Ve neden istatistiksel yayılma mavi dairelerin yanına çizilmiş? Ağırlıklar sıfırdan başlıyorsa, istatistiksel bir yayılma olmamalıdır.
Ve bir soru daha. Standart sapmalarına göre normalleştirilmiş EURUSD1h açılış fiyatları kullanıldıysa, ortalamaları sıfıra eşit değildir. Yoksa ortadakini mi aldın?