文章 "神经网络在交易中的实际应用 (第二部分). 计算机视觉" - 页 2

新评论
 

融合网络 不适合交易。

在交易中，有必要确定是现在买入还是卖出，即在第 0 条栏处或图片最右边的边界处。

卷积网络并不与第 0 条挂钩。它回答的问题是：图片中是否存在某种图案（例如，一只小猫）。在任何地方，而不是固定在右边。只要图片中有一只小猫（右侧、中间、左侧），它就会发出信号，表示小猫就在那里。

例如，她发现了一个买入模式，在 50 条和 100 条处。显然，在 50 条和 100 条时，进行买入交易为时已晚。在极少数情况下，如果买入形态出现在右边，那么现在就可以进行交易。

显然，卖出形态也会出现在每幅（或几乎每幅）图中。例如，在 0 条买入时，您可以在 50 条前卖出。80 条前也可以买入，等等。也就是说，每幅图都很可能包含几个买入和几个卖出形态。将它们平均起来，预测概率约为 50%+-10%。也就是说，答案将被解读为：在这幅图中，有 3 个买入位置和 4 个卖出位置。卖出的概率 = 4/7 = 57%。但这并不能作为在第 0 个交易栏立即开仓的决定。

但总的来说，使用图片的事实是很有趣的。
 
elibrarius:

融合网络不适合交易。

在交易中，有必要确定是现在买入还是卖出，即在第 0 条栏处或图片最右边的边界处。

卷积网络并不与第 0 条挂钩。它回答的问题是：图片中是否存在某种图案（例如，一只小猫）。在任何地方，而不是固定在右边。只要图片中有一只小猫（右侧、中间、左侧），它就会发出信号，表示小猫就在那里。

例如，她发现了一个买入模式，在 50 条和 100 条处。显然，在 50 条和 100 条时，进行买入交易为时已晚。在极少数情况下，如果买入形态出现在右边，那么现在就可以进行交易。

显然，卖出形态也会出现在每幅（或几乎每幅）图中。例如，在 0 条买入时，您可以在 50 条前卖出。80 条前也可以买入，等等。也就是说，每幅图都很可能包含多个买入和多个卖出形态。通过平均计算，预测概率约为 50%。

为此，将卷积和 lstm 结合起来

 
Maxim Dmitrievsky:

为此，将卷积和 lstm 结合起来

例如，组合的顺序是：趋势向上->反转形态->趋势 向下->反转形态->买入信号。

在没有 lstm 的情况下，您可以通过建立一个特殊的架构，在窗口的边缘搜索反转形态，在中间搜索趋势，从而以一种有趣的方式实现这一目的。

 
Aleksey Mavrin:

例如，组合顺序为：趋势向上->反转形态->趋势向下->反转形态->买入信号

在没有 lstm 的情况下，您可以通过建立一个特殊的架构，在窗口的边缘搜索反转形态，在中间搜索趋势，从而以一种有趣的方式实现这一功能。

我并不认为通过图片教授时间序列 是一种高科技的矫枉过正，您或许可以在图片中添加额外的符号，指定您想从给定图片中得到什么。

 

非常好的文章！谢谢！

 
我尝试过输入K线图片并通过ML到进行预测未来走势，但损失结果不能收敛。
 
真的太棒了，我在使用 GPU内核 时遇到了一些麻烦，所以在此期间我使用了 CPU，在未见过的数据上取得了不错的结果。了不起的贡献！谢谢
 
谢谢你的方法，Andrej！

，我目前正在尝试最大限度地发挥它的性能。如果我得到了有意义的结果，我会向您报告的。
 

有趣的工作。

据我所知，在保存/显示图片时，它使用的是终端中启用的自动缩放功能，这会破坏有关运动力的信息。也许可以设置一个单一的尺寸--高度的设定点数？

 

朋友们，有谁知道 Python 上的交易机器人的来源吗？

我对 "鱼 "本身很感兴趣，并在考虑将我的神经元卡与增强....。

只是懒得从头开始写=)

123
新评论