double trend=0; // также при trend=100 результаты много лучше и больше количество точек оптимизаций!?
if(uod>0)
{
highPer=high-close;
lowPer=open-low;
bodyPer=close-open;
trend=1;
}
else
{
highPer=high-open;
lowPer=close-low;
bodyPer=open-close;
trend=-1; // стоял ноль!
}
我修改了 "bodyPer "输入值。我不再简单地加载相对长度，而是计算以下值：bodyPer=0.5+((close-open)/p100)/2；
这样，除了相对长度，变量还能捕捉蜡烛的方向。我想，这可以为第 4 个变量腾出一个位置。
int error=CandlePatterns(rates[0].high,rates[0].low,rates[0].open,rates[0].close,rates[0].close-rates[0].open,_xValues)；
这里我们传递的是尚未形成的蜡烛图的数据。实际上，当蜡烛打开时，所有参数都是一样的。所有参数都将是 =rates[0].open
int error=CandlePatterns(rates[0].high,rates[0].low,rates[0].open,rates[0].close,rates[0].close-rates[0].open,_xValues)；
这里我们传递的是尚未形成的蜡烛图的数据。实际上，当蜡烛打开时，所有参数都是一样的。所有参数都将是 =rates[0].open
不正确！
这里不是从零条开始复制，而是从第一条开始复制，所以这里的
CandlePatterns(rates[0].high,rates[0].low,rates[0].open,rates[0].close,rates[0].close-rates[0].open,_xValues);
将是最后一栏的值...
我认为没有必要复制 5 个条形图，像这样复制过去的 1 个条形图就足够了：
嗨，Anddy，你做得太棒了！！我正在分析你的代码，以便调整我的策略！
我正在分析你的代码以适应我的策略，到目前为止，我可以说你的 DNN 非常棒！感谢您的分享。
我只有一个问题：我不知道在什么情况下使用 "yValues[2]>0.6"。在对不同资产进行多次尝试后，没有一笔交易因为这个条件而关闭。这是否正确？
谢谢！
Alexandre
在本论坛中，请用葡萄牙语发表评论。请使用自动翻译工具或在其他语言的论坛中发表评论。
代码中存在逻辑错误！
每当趋势变量发生变化时，训练结果总是不同，这是为什么？
代码中存在逻辑错误！
激活函数的特殊性。
达到或跨越阈值边界的值越多，神经网络拟合（记忆路径）价格图表的位置或机会就越多。层数越多，衰减越大--数值会更接近 0。
偏移量稍微解决了这个问题。
因此，当阈值设置为 0.6 时，大部分可能的集合都会被丢弃。如果输入的是一个或几个大数字，那么即使是直通，也会有更多的可能值进入神经网络的末端。
达到或跨越阈值边界的数值越多，神经网络拟合（记住路径）价格图表的位置或机会就越多。激活函数的特异性。
层数越多，衰减就越大--数值会更接近 0。
偏移可以稍微解决这个问题。因此，当阈值设置为 0.6 时，大部分可能的集合都会被丢弃。如果输入的是一个或几个大数字，那么即使是直通，也会有更多的可能值进入神经网络的末端。
无论如何，任何类型的优化训练的结果总是千变万化的，这让人对其在实际交易中的适用性产生了一定的怀疑--在重新排序组合中总会有更好的权重参数。如何解释 NS 的这种特殊性？
无论如何，任何一种优化方法的训练结果都是千变万化的，这让人对其在实际交易中的适用性产生了一定的怀疑--在对组合进行重新排序时，总会有更好的权重参数。如何解释 NS 的这种特殊性？
您非常重视这种 NS，事实上，所有 NS 以及与 MO 有关的一切，一般来说 - 只要有数字乘以数字以及激活函数中的加法器 - 都会与图表相匹配。
深入研究、构建架构、增加神经元和层级是很有趣的。但是，这绝对是无用的，比穿越 mashka 强不了多少。此外，定价是一个非稳态过程。每次都会有新的数据，如果将图表划分为不同的模式，它们在历史数据中的比例往往会各占一半。
NS 适用于静态系统，具有重复性。
但在外汇交易等领域，您需要更先进的智能系统。
NS 本身就是对价格路径的记忆，如果新数据量超过乘法得到的数字的可能组合（或者简单地说 - 最简单的 NS 结构有两到三个输入），则对结果进行平均。
你把这个 NS 看得很重要，事实上，所有 NS 以及与 MO 有关的一切，一般来说--只要有数字与数字的乘法运算以及激活函数中的加法器--都会与图形相匹配。
深入研究、构建架构、增加神经元和层级是很有趣的。但是，这完全没有用，比穿越马什卡（mashka）好不了多少。此外，定价是一个非稳态过程。每次都会有新的数据，如果将图表划分为不同的模式，它们在历史数据中的比例往往会各占一半。
NS 适用于静态系统，具有重复性。
但在外汇交易等领域，您需要更先进、更智能的系统。
NS 本身就是对价格路径的记忆，如果新数据量超过乘法得到的数字的可能组合（或者简单地说 - 最简单的 NS 结构有两到三个输入），则对结果进行平均。
伊万，谢谢你的解释。任何统计都有重复的倾向。原则上，如果在优化（训练）NS时使用积分指标，那么我们就可以通过点来了解从无知到知识的转变是如何发生的，以及何时发生--如何更好地进行交易。寻找重要变量是另外一门学问。您是否设法解决了输入缩放超过 4 倍的问题？