NS+指标。实验。 - 页 4 123456789101112 新评论 Rashid Umarov 2007.12.21 13:29 #31 如果能提供另一个链接，解释一下为什么Close更难预测--High、Low的有趣特性，会有帮助吗？ Alexey Petrov 2007.12.21 17:14 #32 klot: 我最近在Neuroshelle Day Trader中试验了ZZ。我把价格和几个固定的ZZ极值之间的归一化差异 输入到PNN（分类器）。 我还尝试了差异的比率（即谐波模型，如果你想的话）。NS在有限的时间间隔内发现真理。我不会说这是一个圣 杯，但该系统在它没有看到的数据上是有利润的。 那你到底是如何将差异正常化的呢？价格和最后的极值之间的差异？还是别的什么？你用的是什么分类器？ 科诺恩图表？ 我还没有到ZZ的时候。到目前为止，我用Kohonen进行了实验，并通过muving对数据进行了标准化处理。一般来说，潜力也是可见的，尽管很弱。我想把电网输出连接到一个 "放大器"=))。此外，我试图对蜡烛图进行分类--我用不同的方法对它们进行编码，并将它们加载到Kohonen表中。原则上也不错，至少类似的插头有相同的等级。但我仍然没有掌握正常化的窍门。我试着把它转换为0+1范围、-1+1范围、正弦波和正切。我试着 "按原样 "使用数据。不知为何，我没有看到这种或那种方法的任何优势。 Neutron 2007.12.21 17:15 #33 Rosh，你是否知道为什么对于一个随机过程来说，H+L的值是可预测的（在这种情况下，是持久的）？ Rashid Umarov 2007.12.21 17:35 #34 我想是因为预测限制价格的范围比预测收盘价本身要容易得多。另外，我认为你必须确定移动或反转的概率，而不是价格本身的绝对值，以及它何时会到达那里。 Prival 2007.12.21 17:48 #35 Neutron:Rosh，你明白为什么H+L对一个随机过程来说是可预测的（在这种情况下是持续的）？ 我以为这很简单，H和L就像一个随机变量的置信区间，如果也许数字和牛没有变化，那么这个置信区间就会保持不变（一个常数）。而Close是对这个最终价值的预测，它在H和L之间运行，这就是为什么它更难预测。 Sceptic Philozoff 2007.12.21 18:32 #36 我没有这种认识，现在也没有这种认识。Prival，我不接受你的假设，即它是某种区间（你还记得电缆上的200点尖峰吗，它是由一个刻度 组成的？）没有一个神经元能预测它，但我认为Fibami是很有可能的......。 P.S. 也不清楚：为什么这么长的发夹只喜欢往下走？ Dmitrii 2007.12.21 18:46 #37 alexx: klot。 我最近在Neuroshelle Day Trader中试验了ZZ。我把价格和PP的几个固定极值之间的归一化差异 输入到PNN（分类器）。 还尝试了差异的比率（即谐波模型，如果你想的话）。NS在有限的时间间隔内发现真理。我不会说这是一个圣 杯，但该系统在它没有看到的数据上是有利润的。 那你到底是如何将差异正常化的呢？价格和最后的极值之间的差异？还是别的什么？你用的是什么分类器？ 科诺恩图表？ 我还没有到ZZ的时候。到目前为止，我用Kohonen进行了实验，并通过muving对数据进行了标准化处理。一般来说，潜力也是可见的，尽管很弱。我想把电网输出连接到一个 "放大器"=))。此外，我试图对蜡烛图进行分类--用不同的方法进行编码，并加载到Kohonen中。原则上也不错，至少类似的插头有相同的等级。但我仍然没有掌握正常化的窍门。我试着把它转换为0+1范围、-1+1范围、正弦波和正切。我试着 "按原样 "使用数据。不知为何，我没有看到这种或那种方法的任何优势。 我在NSDT中做所有的实验。我取ZZ的价格和最后的极值之间的差异。还有最后一个和倒数第二个极值之间的关系，等等......还有差异之间的关系，--(X-A)/(A-B)，(B-A)/(B-C)，(B-C)/(C-D)，(X-A)/(D-A)，一般来说是想建立Gartley谐波模型。 我把一切都放到一个概率网络（NSh中有几个品种）。 我用NSh对数值进行了标准化，嗯，实际上是这个公式 (x-ma(x,n))/(3*stdev(x,n))，最近我总是使用这个公式。 而且，实际上，继续学习，交叉检查和OOS。 Dmitrii 2007.12.21 18:56 #38 这里有一个规范化的例子，我几乎到处都在使用。 你可以用任何你喜欢的东西来代替关闭... 附加的文件： normalise.mq4 3 kb Prival 2007.12.21 18:59 #39 Mathemat:我没有这种认识，现在也没有这种认识。Prival，我不接受你的假设，即它是某种区间（你还记得电缆上的200点尖峰吗，它是由一个刻度 组成的？）没有神经网络可以预测，但Fibami ....我认为这很有可能...P.S. 还有一件事我不明白：为什么这么长的螺柱只喜欢往下走？ 我将尝试更详细地解释。H和L只不过是一个置信区间。sl.值没有超过这些限制，比如说一天的时间。每天1次吧。现在只要假设这个随机值遵循一个分布规律。H和L大致为mozh+-3sko，即以0.997的概率，随机值位于这些限度内。在这种情况下，预测H和L比较容易，因为它几乎是一个常数，而斜率值（Close）保持原样。 只需绘制（你可以生成）该值的概率密度函数，并将其标记为正+3co。生成1000个值并由它（样本）确定这些点，它们几乎是恒定的，但最后一个数字在生成时是随机的（关闭）。你可以做100次并检查。 对于螺柱，也许以下方法会有帮助--你进行10次测量（ticks），并计算出一个桥段。两个最极端的，也就是在+和-范围内的，被丢弃了。然后你就可以再次使用这个功能。这种对未知量的估计更准确，因为它具有对这种异常异常值（表面测量误差）稳定的特性。 Neutron 2007.12.21 19:12 #40 在 "High、Low的有趣属性"这一主题中，我们谈到了（H+L）/2系列的 "异常 "预测。悖论是想象出来的! 看，如果H-L（工具波动率的第一近似值）远小于（H+L）/2（工具绝对价格的第一近似值）这一条件，那么（H+L）/2就相当于滑动窗口等于2的BP的平均程序。仔细想来，这真的几乎是一种平均水平。另一方面，移动平均线在相邻系列的增量之间总是有一个正的自相关系数（CAC）（这可以直接证明）。因此，对于一个由随机梯度积分得到的BP，因此具有趋向于零的梯度OAC，其系列(H+L)/2的OAC图将总是非零和正的不幸的是，这一事实将不允许预测BP，因为对于系列(H+L)/2来说，将不可避免地有一个相位延迟，这将把所有的东西放在它的位置。 像这样。 123456789101112 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
我最近在Neuroshelle Day Trader中试验了ZZ。我把价格和几个固定的ZZ极值之间的归一化差异 输入到PNN（分类器）。 我还尝试了差异的比率（即谐波模型，如果你想的话）。NS在有限的时间间隔内发现真理。我不会说这是一个圣 杯，但该系统在它没有看到的数据上是有利润的。
那你到底是如何将差异正常化的呢？价格和最后的极值之间的差异？还是别的什么？你用的是什么分类器？ 科诺恩图表？
我还没有到ZZ的时候。到目前为止，我用Kohonen进行了实验，并通过muving对数据进行了标准化处理。一般来说，潜力也是可见的，尽管很弱。我想把电网输出连接到一个 "放大器"=))。此外，我试图对蜡烛图进行分类--我用不同的方法对它们进行编码，并将它们加载到Kohonen表中。原则上也不错，至少类似的插头有相同的等级。但我仍然没有掌握正常化的窍门。我试着把它转换为0+1范围、-1+1范围、正弦波和正切。我试着 "按原样 "使用数据。不知为何，我没有看到这种或那种方法的任何优势。
Rosh，你明白为什么H+L对一个随机过程来说是可预测的（在这种情况下是持续的）？
我以为这很简单，H和L就像一个随机变量的置信区间，如果也许数字和牛没有变化，那么这个置信区间就会保持不变（一个常数）。而Close是对这个最终价值的预测，它在H和L之间运行，这就是为什么它更难预测。
我没有这种认识，现在也没有这种认识。Prival，我不接受你的假设，即它是某种区间（你还记得电缆上的200点尖峰吗，它是由一个刻度 组成的？）没有一个神经元能预测它，但我认为Fibami是很有可能的......。
P.S. 也不清楚：为什么这么长的发夹只喜欢往下走？
我最近在Neuroshelle Day Trader中试验了ZZ。我把价格和PP的几个固定极值之间的归一化差异 输入到PNN（分类器）。 还尝试了差异的比率（即谐波模型，如果你想的话）。NS在有限的时间间隔内发现真理。我不会说这是一个圣 杯，但该系统在它没有看到的数据上是有利润的。
那你到底是如何将差异正常化的呢？价格和最后的极值之间的差异？还是别的什么？你用的是什么分类器？ 科诺恩图表？
我还没有到ZZ的时候。到目前为止，我用Kohonen进行了实验，并通过muving对数据进行了标准化处理。一般来说，潜力也是可见的，尽管很弱。我想把电网输出连接到一个 "放大器"=))。此外，我试图对蜡烛图进行分类--用不同的方法进行编码，并加载到Kohonen中。原则上也不错，至少类似的插头有相同的等级。但我仍然没有掌握正常化的窍门。我试着把它转换为0+1范围、-1+1范围、正弦波和正切。我试着 "按原样 "使用数据。不知为何，我没有看到这种或那种方法的任何优势。
我在NSDT中做所有的实验。我取ZZ的价格和最后的极值之间的差异。还有最后一个和倒数第二个极值之间的关系，等等......还有差异之间的关系，--(X-A)/(A-B)，(B-A)/(B-C)，(B-C)/(C-D)，(X-A)/(D-A)，一般来说是想建立Gartley谐波模型。 我把一切都放到一个概率网络（NSh中有几个品种）。 我用NSh对数值进行了标准化，嗯，实际上是这个公式
(x-ma(x,n))/(3*stdev(x,n))，最近我总是使用这个公式。 而且，实际上，继续学习，交叉检查和OOS。
这里有一个规范化的例子，我几乎到处都在使用。
你可以用任何你喜欢的东西来代替关闭...
我没有这种认识，现在也没有这种认识。Prival，我不接受你的假设，即它是某种区间（你还记得电缆上的200点尖峰吗，它是由一个刻度 组成的？）没有神经网络可以预测，但Fibami ....我认为这很有可能...
P.S. 还有一件事我不明白：为什么这么长的螺柱只喜欢往下走？
我将尝试更详细地解释。H和L只不过是一个置信区间。sl.值没有超过这些限制，比如说一天的时间。每天1次吧。现在只要假设这个随机值遵循一个分布规律。H和L大致为mozh+-3sko，即以0.997的概率，随机值位于这些限度内。在这种情况下，预测H和L比较容易，因为它几乎是一个常数，而斜率值（Close）保持原样。
只需绘制（你可以生成）该值的概率密度函数，并将其标记为正+3co。生成1000个值并由它（样本）确定这些点，它们几乎是恒定的，但最后一个数字在生成时是随机的（关闭）。你可以做100次并检查。
对于螺柱，也许以下方法会有帮助--你进行10次测量（ticks），并计算出一个桥段。两个最极端的，也就是在+和-范围内的，被丢弃了。然后你就可以再次使用这个功能。这种对未知量的估计更准确，因为它具有对这种异常异常值（表面测量误差）稳定的特性。
在 "High、Low的有趣属性"这一主题中，我们谈到了（H+L）/2系列的 "异常 "预测。悖论是想象出来的!
看，如果H-L（工具波动率的第一近似值）远小于（H+L）/2（工具绝对价格的第一近似值）这一条件，那么（H+L）/2就相当于滑动窗口等于2的BP的平均程序。仔细想来，这真的几乎是一种平均水平。另一方面，移动平均线在相邻系列的增量之间总是有一个正的自相关系数（CAC）（这可以直接证明）。因此，对于一个由随机梯度积分得到的BP，因此具有趋向于零的梯度OAC，其系列(H+L)/2的OAC图将总是非零和正的不幸的是，这一事实将不允许预测BP，因为对于系列(H+L)/2来说，将不可避免地有一个相位延迟，这将把所有的东西放在它的位置。
像这样。