文章 "神经网络在交易中的实际应用 (第二部分). 计算机视觉"
非常好的文章！
，我很喜欢逐字逐句地阅读（翻译）这篇文章，因为我也用 Pytorch 实现做过类似的基于 CNN 的市场预测实验。
感谢您分享您的辛勤工作！:)
分析纯粹的之字形（当然是在最后一个极值形成的时候）会很有趣。
可能会出现许多模式。也许吧。
对纯 ZigZag（当然是在最后一个极值形成时）进行分析会很有趣。
可能会出现许多模式。也许吧。
唯一的问题是为什么需要计算机视觉。人字形很容易形式化为 "凿形"）。
唯一的问题是，为什么这里需要计算机视觉。人字形很容易被形式化为 "凿子"）。
与作者所考虑的带有指标的条形图完全相同。只是 ZZ 更 "干净"。
与作者所考虑的带指标的条形图完全相同。只是 ZZ 更 "干净"。
我同意。闲来无事，瞎琢磨。
问题的关键并不是要将某些东西形式化为 "凿子"。一般来说，"之 "字形是一个有问题的指标...特别是动态滞后，不能说明任何问题....
https://youtu.be/mcQH-OqC0Bs, https://youtu.be/XL5n4X0Jdd8
- 2021.01.27
- www.youtube.com
问题的关键并不是要将某些东西形式化为 "凿子"。一般来说，"之 "字形是一个有问题的指标...特别是在动态方面滞后，不能说明任何问题....
https://youtu.be/mcQH-OqC0Bs, https://youtu.be/XL5n4X0Jdd8
安德烈，我并不想批评或 "贬低 "你的工作，工作本身就很强大，也很有用，因为它提供了学习的机会。
但是，这样的问题陈述的实用性似乎仍然很值得怀疑。毕竟，卷积网络 的本质是检测和识别非形式化输入数据中的任何实体，将其形式化并传递给全连接层进行分类或其他处理。那么，卷积网络的输出将主要是形式化的实体，而这些实体在这些指标中是形式化的，具体表示是次要问题。除了这些，我不明白卷积网络还能找到什么。如果将这种方法与以指标数据为输入的经典网络在相同数据上进行 比较，你的实验就能确保这一点。我敢肯定，卷积只会花费更长的时间来学习，指标也不会更好。也许我错了，也许有什么超出了我的理解范围，如果能得到反驳，那将会非常有趣。
安德鲁，我绝不是想批评或 "贬低 "你的工作，工作本身就具有强大的力量和有用的学习机会。
但这一问题陈述的实用性似乎仍然很值得怀疑。毕竟，卷积网络的本质是在未形式化的输入数据中检测和选择任何实体，将其形式化并传递给全连接层进行分类或其他处理。那么，卷积网络的输出将主要是形式化的实体，这些指标都是形式化的，具体的表示是次要问题。除了这些，我不明白卷积网络还能找到什么。如果将这种方法与以指标数据为输入的经典网络在相同数据上进行 比较，你的实验就能确保这一点。我敢肯定，卷积只会花费更长的时间来学习，指标也不会更好。也许我错了，也许有什么超出了我的理解范围，如果能得到反驳，那将会非常有趣。
我完全同意这一点，也做过比较。但这次实验的任务截然不同--不对所用指标进行数字表示。我在文章的引言中提到了这一点。顺便说一下，您完全可以不使用指标....。结果也将是积极的。现在，我正准备在实际工作中使用它。让我们看看它在实践中的表现.....。
我完全同意这一点，并进行了比较。但这次实验的任务截然不同--不对所用指标进行数字表示。我在文章的引言中提到了这一点。顺便说一下，您完全可以不使用指标....。结果也将是积极的。现在，我正准备在实际工作中使用它。让我们看看它在实践中的表现.....。
我明白了，同时我也要指出，这种方法也符合所谓的 "人工智能系统通用化"，即使用相同的解决方案=架构来解决不同的问题。
我相信，这种方法还能部分摆脱数据预处理过程。我将原始数据源输入 "网络"，它将对其进行消化，并将其规范化，等等。
感谢您的回答。祝您工作顺利）
新文章 神经网络在交易中的实际应用 (第二部分). 计算机视觉已发布：
利用计算机视觉可以训练神经网络对价格图表和指标的直观表示。这种方法可以对整个复杂的技术指标进行更广泛的操作，因为不需要将它们以数字形式输入神经网络。
在准备一组图像之前，先定义神经网络的用途。理想情况下，在轴枢点上训练网络会很好。根据这个目的，我们需要用最后一个极值柱做截图。然而，这个实验没有实际价值。这就是为什么我们将使用另一组图像。此外，还可以使用不同的数组进行实验，包括上面提到的数组。这也可能为神经网络在解决基于图像的分类任务时的效率提供额外的证据。在连续时间序列上获得的神经网络响应需要额外的优化。
让我们不要把实验复杂化，集中在两类图像上：
出于神经网络训练的目的，任何方向的移动都将被确定为价格在趋势方向上达到新的极值。此时将制作图表截图。趋势反转时刻对网络训练也很重要。当价格达到每日高点或低点时，还将制作图表截图。
作者：Andrey Dibrov