FR H-波动性 - 页 9 12345678910111213141516...42 新评论 Prival 2007.11.28 21:41 #81 Yurixx: 我需要以某种方式将其可视化，以描述决策的逻辑。 有时可视化沃罗诺夫图会有帮助，你只需要了解在X和Y轴上放下什么。这里有一个带解释的例子，是我在互联网上挖到的东西。 附加的文件： doc.zip 631 kb Neutron 2007.11.29 06:30 #82 Yurixx: 即使参数数量不多，系统的相空间对人类的感知来说也会变得过于多维。如果这个方法是正确的，而且所选择的估计值能够使相空间聚类，那么聚类的位置和形状可以有非常复杂的拓扑结构。我们要么以某种方式将其可视化，以便描述决策逻辑，要么盲目地引入类和成员标准。 NS在这方面要好得多，还有概率评价（我们可以看到）。 如果我理解正确的话，研究人员需要事先准备好NS的输入数据，以实现 "相空间聚类"。在这种情况下，NS将在输入参数的多维相空间（PS）和它们的任意组合中独立分配 "重要 "区域，这将大大减少PS的体积，从而减少必要的计算量。对吗？ 但我不明白NS "处理得更好 "的 "概率评估 "是什么。 Neutron 2007.11.29 08:14 #83 Prival: 有时沃罗诺夫图有助于可视化，但你需要了解在X和Y轴上放下什么。这是一个带有解释的例子，是我设法在网上挖到的东西。 如果我说错了，请纠正我。沃罗诺夫图显示了最佳的（某种意义上的）空间划分边界，在这个边界上给定一类微分方程的边界条件。那么，这与当前的主题有什么关系？ Prival 2007.11.29 08:52 #84 中子 对不起，这与H型波动率FR无关，它与NS有关，或者说与识别理论有关，图表有时有助于直观地了解类别和如何分解它们。 只是看到了这个问题，想帮忙。 Yurixx 2007.11.29 16:34 #85 Neutron: 如果我没有理解错的话，研究人员必须首先为NS准备输入数据，以实现 "相空间聚类"。在这种情况下，NS将在输入参数及其任意组合的多维相空间（PS）中独立分配 "重要 "区域，这将允许大大减少PS的体积，从而减少必要的计算量。对吗？ 但我不明白NS "处理得更好 "的 "概率估计 "是什么。 FP的聚类是一项单独的任务，它由Kohonennet执行。它是一个单层网络，在学习过程中（没有老师！即自学）产生FP的聚类。 然后对这些数据拟合一个核函数，描述聚类分布。然后建立一个概率网络，（据我所知）在最简单的版本中甚至不需要训练，而只是使用贝叶斯统计学考虑新样本属于一个特定群组的概率。输出是获胜的集群。这只是一个尽可能的简化方案。 国家统计局的架构、输入数据的准备方式和学习算法是一切的基础，是三个关键的基石。正如你所看到的，这三个组成部分中的每一个都涉及到一些无法形成的东西。据我所知，这是NS从其创造者那里继承下来的，这使得它能够成功地工作。而数字--激活函数的权重和参数--只是作为一个附录。每个人都有一个头，但有些人用它思考，有些人用它吃饭。:-) Neutron 2007.11.30 06:37 #86 谢谢你，尤拉。很好的回答! 如果你不介意的话，我想问一个关于NS的适用性的问题。例如，我将提到我的公羊--嘉木的结构。我们有一个生成的Zig-Zag（蓝线）和一个交易线（红线）。 从理论上看（Pastukhov的论文），红线的行为在统计上是可以预测的，它（的行为）可能是之字形的，振幅S=（H-波动率-2）*H。这是策略在代表性样本上的平均统计回报。不幸的是，估计值通常比价差要小。而这就是时间序列 分析的统计方法在这种情况下能给我们提供的全部内容。 另一方面，我们有一个生成的Zig-Zag，对于一个固定的时间间隔，其回报（实际上不可能实现）是给定分区步骤H的最大可能，而回报，例如用分区H=spread，是任何BP的最大可能。我希望我能够得到一个能够预测 "之 "字形的工具!或者，至少在原则上证明这种预测的可能性，其收益率高于statmethod（S）所给出的。 我是否正确地理解，这种表述的问题适合用NS进行分析？ P.S. 在我看来，预测等距Z字形（有一个步骤）是最好的选择。其次，我们摆脱了与时间尺度有关的维度--它是不必要的，因为我们只交易价格变化，而这种变化发生的时间间隔，在第一个近似值中不包括在盈利能力中。 Yurixx 2007.11.30 20:18 #87 Neutron: 我希望我能够得到一个能够预测Z字形的工具!或者至少证明，原则上有可能做出这样的预测，其回报率高于Statmethod（S）给出的预测。 我是否正确地理解，这种表述的问题适合用NS进行分析？ P.S. 在我看来，预测等距Z字形（有一个步骤）是最好的选择。其次，我们摆脱了与时间尺度有关的维度--它是不必要的，因为我们只交易价格变化，而这种变化发生的时间间隔，在第一个近似值中不包括在盈利能力中。 当然，从理论上讲，这是很合适的。但实际上......。 我在网络上读到的一些东西，对初学者的建议比比皆是：预测价格行为是无效的。的确，如果你想一想，网络怎么会突然知道未来的价格会如何变动。就因为我们给它装了很多神经元，给它输入了很多数据？在这个问题上，我是一个理性主义者。 这些知识不会凭空出现，也不会自己诞生。 我写三条鲸鱼是有原因的。除了这些鲸鱼，它们的来源更加重要--作者的意图。在这个概念中，应该有一个想法，即什么数据和什么形式可能包含关于市场的基本信息，它们必须如何在网络中被处理以获得其他数字，从中可以得出有意义的决策结论，最后，如何教网络找到这些数字。 从这个角度来看，我认为，这种提法的问题虽然适合于网络，但却很复杂，而且没有什么视角。由于蜱虫和建立在它们之上的之字形具有相当类似的分布，而且预测之字形并不比预测价格更容易。 在我看来，ZigZag作为网络输入确实很有趣，但作为价格模式的最方便的表现形式。那些非常的图案，你给我的网站链接，可能是一个非常有趣的选择。但在这种情况下，网络不会预测价格，而是决定市场的状态。这是一个略有不同的方法。对于NS来说，给出向上或向下的统计输出是一个比预测运动更现实的任务。但这个变体与ZigZag结合得很好。因此，有前景，我们只需要以这样的方式做问题陈述，使其可解。 Neutron 2007.12.01 13:17 #88 谢谢你，尤拉，感谢你清晰的解释--现在我的脑子有点清楚了。 顺便说一下，我非常确定交易线FR（前一张图片中的红色）具有正态分布，所以我甚至不想研究这一点。当我看到这个时，我很惊讶。 同意，一个意外的结果...将其与本主题第一个帖子中的图片进行比较。在那里，给出了Zig-Zag的两侧的FR。 Yurixx 2007.12.01 17:22 #89 是的，这是张有趣的照片。如果我没有理解错的话，这是针对参数H=10的cagi-partitioning的？但与第一篇文章中的图片的某种联系仍然很明显。 顺便说一句，我想到了一个想法。我认为，同样，你对使用NS预测ZigZag的前景是正确的。只是它不应该是卡吉，而应该是仁科建设。在这种情况下，ZigZag模式的或多或少的清晰形式化确实是可能的，因此对这些模式的空间进行聚类，并预测段的大小，同时对 该预测的有效性进行统计评估。我对你对这一思想的评价很感兴趣。主要的一点是加贺和仁科之间的区别。对于renko，我清楚如何将模式正式化，从而如何将它们相互比较，如何评估它们的接近程度。对于加贺来说，情况非常模糊，因此同样的程序可能不起作用。 另一方面，我先验地知道--对加贺是真的，对仁科也是真的。不过，我不确定反过来的情况。如果相反的情况也是如此，那么我对renko的偏见就是一种谬误，NS同样可以应用于预测任何ZigZag的分段大小，无论是renko还是kaga。 你怎么看？ Neutron 2007.12.03 13:18 #90 一方面，Kagi结构以精确到点的方式确定BP极值的位置（Renko到分割步骤H）。另一方面，不清楚我们是否需要这样的精确度？在这个意义上，Renko看起来更有吸引力，因为价格刻度上的等距阶梯H。简而言之，需要对这个问题进行调查。 至于Zig-Zag预测任务的形式化，在我看来，它是对价格（红色矢量）从当前极值形成结束点t=0，到预期极值点t=1的可能运动幅度U的估计（见图）。 在这种情况下，唯一需要预测的是矢量U的运动幅度，因为它的方向是预先确定的！--它与矢量H的方向一致（绿色实心箭头）。 矢量U被允许接收的范围是在0点到无限的范围内（见右图）。矢量U的振幅最可能的值是2点，其平均值比N小一点。顺便说一下，如果一个可能的值大于点差，我们就可以认为这个策略是正向盈利的。我在谈论FR在BP套利分析中的可能应用。 当然，在NS的输出端，我们需要应用一个Zig-Zag，但在输入端应用什么呢？也是 "之 "字形移了一步？但是，我们不需要NS来分析这种情况!我认为我们的任务是及早发现初现的套利行为（见图）。要做到这一点，我们已经需要分析交易线的熟悉程度。只是，麻烦的是，它通常由1-2个更少的3个断点组成，到了鉴定的时候，市场就变得有效了。也许有一些套利起源的间接迹象，那么它们的早期检测、分类和不断的现代化的任务只是由NS来完成。 你怎么看？ 我在网上读到。 Что лучше, статистические методы или нейронные сети? Лучшим ответом на этот сугубо практический для прикладника вопрос является “It depends”. По-русски это означает “Все зависит от ситуации”. 可以得出的主要实际结论可以归结为一句话，这句话已经成为一句谚语："如果没有什么帮助，就试试神经网络"。 12345678910111213141516...42 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
我需要以某种方式将其可视化，以描述决策的逻辑。
有时可视化沃罗诺夫图会有帮助，你只需要了解在X和Y轴上放下什么。这里有一个带解释的例子，是我在互联网上挖到的东西。
即使参数数量不多，系统的相空间对人类的感知来说也会变得过于多维。如果这个方法是正确的，而且所选择的估计值能够使相空间聚类，那么聚类的位置和形状可以有非常复杂的拓扑结构。我们要么以某种方式将其可视化，以便描述决策逻辑，要么盲目地引入类和成员标准。 NS在这方面要好得多，还有概率评价（我们可以看到）。
如果我理解正确的话，研究人员需要事先准备好NS的输入数据，以实现 "相空间聚类"。在这种情况下，NS将在输入参数的多维相空间（PS）和它们的任意组合中独立分配 "重要 "区域，这将大大减少PS的体积，从而减少必要的计算量。对吗？
但我不明白NS "处理得更好 "的 "概率评估 "是什么。
有时沃罗诺夫图有助于可视化，但你需要了解在X和Y轴上放下什么。这是一个带有解释的例子，是我设法在网上挖到的东西。
如果我说错了，请纠正我。沃罗诺夫图显示了最佳的（某种意义上的）空间划分边界，在这个边界上给定一类微分方程的边界条件。那么，这与当前的主题有什么关系？
中子
对不起，这与H型波动率FR无关，它与NS有关，或者说与识别理论有关，图表有时有助于直观地了解类别和如何分解它们。
只是看到了这个问题，想帮忙。
如果我没有理解错的话，研究人员必须首先为NS准备输入数据，以实现 "相空间聚类"。在这种情况下，NS将在输入参数及其任意组合的多维相空间（PS）中独立分配 "重要 "区域，这将允许大大减少PS的体积，从而减少必要的计算量。对吗？
但我不明白NS "处理得更好 "的 "概率估计 "是什么。
FP的聚类是一项单独的任务，它由Kohonennet执行。它是一个单层网络，在学习过程中（没有老师！即自学）产生FP的聚类。 然后对这些数据拟合一个核函数，描述聚类分布。然后建立一个概率网络，（据我所知）在最简单的版本中甚至不需要训练，而只是使用贝叶斯统计学考虑新样本属于一个特定群组的概率。输出是获胜的集群。这只是一个尽可能的简化方案。
国家统计局的架构、输入数据的准备方式和学习算法是一切的基础，是三个关键的基石。正如你所看到的，这三个组成部分中的每一个都涉及到一些无法形成的东西。据我所知，这是NS从其创造者那里继承下来的，这使得它能够成功地工作。而数字--激活函数的权重和参数--只是作为一个附录。每个人都有一个头，但有些人用它思考，有些人用它吃饭。:-)
谢谢你，尤拉。很好的回答!
如果你不介意的话，我想问一个关于NS的适用性的问题。例如，我将提到我的公羊--嘉木的结构。我们有一个生成的Zig-Zag（蓝线）和一个交易线（红线）。
从理论上看（Pastukhov的论文），红线的行为在统计上是可以预测的，它（的行为）可能是之字形的，振幅S=（H-波动率-2）*H。这是策略在代表性样本上的平均统计回报。不幸的是，估计值通常比价差要小。而这就是时间序列 分析的统计方法在这种情况下能给我们提供的全部内容。
另一方面，我们有一个生成的Zig-Zag，对于一个固定的时间间隔，其回报（实际上不可能实现）是给定分区步骤H的最大可能，而回报，例如用分区H=spread，是任何BP的最大可能。我希望我能够得到一个能够预测 "之 "字形的工具!或者，至少在原则上证明这种预测的可能性，其收益率高于statmethod（S）所给出的。
我是否正确地理解，这种表述的问题适合用NS进行分析？
P.S. 在我看来，预测等距Z字形（有一个步骤）是最好的选择。其次，我们摆脱了与时间尺度有关的维度--它是不必要的，因为我们只交易价格变化，而这种变化发生的时间间隔，在第一个近似值中不包括在盈利能力中。
我希望我能够得到一个能够预测Z字形的工具!或者至少证明，原则上有可能做出这样的预测，其回报率高于Statmethod（S）给出的预测。
我是否正确地理解，这种表述的问题适合用NS进行分析？
P.S. 在我看来，预测等距Z字形（有一个步骤）是最好的选择。其次，我们摆脱了与时间尺度有关的维度--它是不必要的，因为我们只交易价格变化，而这种变化发生的时间间隔，在第一个近似值中不包括在盈利能力中。
当然，从理论上讲，这是很合适的。但实际上......。
我在网络上读到的一些东西，对初学者的建议比比皆是：预测价格行为是无效的。的确，如果你想一想，网络怎么会突然知道未来的价格会如何变动。就因为我们给它装了很多神经元，给它输入了很多数据？在这个问题上，我是一个理性主义者。 这些知识不会凭空出现，也不会自己诞生。 我写三条鲸鱼是有原因的。除了这些鲸鱼，它们的来源更加重要--作者的意图。在这个概念中，应该有一个想法，即什么数据和什么形式可能包含关于市场的基本信息，它们必须如何在网络中被处理以获得其他数字，从中可以得出有意义的决策结论，最后，如何教网络找到这些数字。
从这个角度来看，我认为，这种提法的问题虽然适合于网络，但却很复杂，而且没有什么视角。由于蜱虫和建立在它们之上的之字形具有相当类似的分布，而且预测之字形并不比预测价格更容易。
在我看来，ZigZag作为网络输入确实很有趣，但作为价格模式的最方便的表现形式。那些非常的图案，你给我的网站链接，可能是一个非常有趣的选择。但在这种情况下，网络不会预测价格，而是决定市场的状态。这是一个略有不同的方法。对于NS来说，给出向上或向下的统计输出是一个比预测运动更现实的任务。但这个变体与ZigZag结合得很好。因此，有前景，我们只需要以这样的方式做问题陈述，使其可解。
谢谢你，尤拉，感谢你清晰的解释--现在我的脑子有点清楚了。
顺便说一下，我非常确定交易线FR（前一张图片中的红色）具有正态分布，所以我甚至不想研究这一点。当我看到这个时，我很惊讶。
同意，一个意外的结果...将其与本主题第一个帖子中的图片进行比较。在那里，给出了Zig-Zag的两侧的FR。
是的，这是张有趣的照片。如果我没有理解错的话，这是针对参数H=10的cagi-partitioning的？但与第一篇文章中的图片的某种联系仍然很明显。
顺便说一句，我想到了一个想法。我认为，同样，你对使用NS预测ZigZag的前景是正确的。只是它不应该是卡吉，而应该是仁科建设。在这种情况下，ZigZag模式的或多或少的清晰形式化确实是可能的，因此对这些模式的空间进行聚类，并预测段的大小，同时对 该预测的有效性进行统计评估。我对你对这一思想的评价很感兴趣。主要的一点是加贺和仁科之间的区别。对于renko，我清楚如何将模式正式化，从而如何将它们相互比较，如何评估它们的接近程度。对于加贺来说，情况非常模糊，因此同样的程序可能不起作用。
另一方面，我先验地知道--对加贺是真的，对仁科也是真的。不过，我不确定反过来的情况。如果相反的情况也是如此，那么我对renko的偏见就是一种谬误，NS同样可以应用于预测任何ZigZag的分段大小，无论是renko还是kaga。
你怎么看？
一方面，Kagi结构以精确到点的方式确定BP极值的位置（Renko到分割步骤H）。另一方面，不清楚我们是否需要这样的精确度？在这个意义上，Renko看起来更有吸引力，因为价格刻度上的等距阶梯H。简而言之，需要对这个问题进行调查。
至于Zig-Zag预测任务的形式化，在我看来，它是对价格（红色矢量）从当前极值形成结束点t=0，到预期极值点t=1的可能运动幅度U的估计（见图）。
在这种情况下，唯一需要预测的是矢量U的运动幅度，因为它的方向是预先确定的！--它与矢量H的方向一致（绿色实心箭头）。 矢量U被允许接收的范围是在0点到无限的范围内（见右图）。矢量U的振幅最可能的值是2点，其平均值比N小一点。顺便说一下，如果一个可能的值大于点差，我们就可以认为这个策略是正向盈利的。我在谈论FR在BP套利分析中的可能应用。
当然，在NS的输出端，我们需要应用一个Zig-Zag，但在输入端应用什么呢？也是 "之 "字形移了一步？但是，我们不需要NS来分析这种情况!我认为我们的任务是及早发现初现的套利行为（见图）。要做到这一点，我们已经需要分析交易线的熟悉程度。只是，麻烦的是，它通常由1-2个更少的3个断点组成，到了鉴定的时候，市场就变得有效了。也许有一些套利起源的间接迹象，那么它们的早期检测、分类和不断的现代化的任务只是由NS来完成。
你怎么看？
我在网上读到。
Что лучше, статистические методы или нейронные сети? Лучшим ответом на этот сугубо практический для прикладника вопрос является “It depends”. По-русски это означает “Все зависит от ситуации”.
可以得出的主要实际结论可以归结为一句话，这句话已经成为一句谚语："如果没有什么帮助，就试试神经网络"。