统计是展望未来的一种方式! - 页 17 1...101112131415161718192021 新评论 Roman Kramar 2008.10.02 12:31 #161 有的。我已经给了你们几次，我不再重复。如果你没有看到它们，或者不想看到它们，我也帮不了你。 要明白，这里没有人在向你证明什么，也没有人有义务这样做。你让我向你解释，我试过了，但你不明白。唉，在这个残酷的世界上，并非一切都那么简单。不是所有事情都能一蹴而就的，你必须有一定的知识基础。 Vitali 2008.10.02 12:46 #162 bstone писал(а)>> 有的。我已经给了你们几次，我不再重复。如果你没有看到它们，或者不想看到它们，我也帮不了你。 要明白，这里没有人向你证明什么，也没有人有义务这样做。你让我向你解释，我试过了，但你不明白。唉，在这个残酷的世界上，并非一切都那么简单。不是所有事情都能一蹴而就的，你必须有一定的知识基础。 还有呢，你在动态系统理论的框架内成功地预测了价格，而不是通过跳跃式的、有一定知识基础的预测？ [删除] 2008.10.02 12:59 #163 Prival >> : 我认为不做预测就不能建立一个好的TS，让它成为0.62而不是1，这意味着我在100次交易中的62次交易中以SL=TR入市并获得保证的利润。 没有预报我不能这么做，否则我可能会在愤怒中失去理智。 我认为作者把预测的概念扩大到了空间的高度，然后交易者在市场上所做的一切就是他的预测，但这样一来，坏的TS也是基于预测的，或者他把这个概念缩小到了指标系统，但这样一来，好的TS也有可能没有预测，我想了又想，该如何称呼没有初始预测的非指标系统，想到了SIMETRIC))，但也许它们已经有了名字？ Roman Kramar 2008.10.02 13:01 #164 Vita >> : 还有呢，你设法在动态系统理论内预测价格而不跳槽，并有一定的知识基础？ 如果我回答是，你会要求我出示证据，直到我完全放弃在这个论坛上发帖:)所以我将回答 "不"。 Vitali 2008.10.02 13:16 #165 bstone писал(а)>> 如果我回答是，你会要求我出示证据，直到我完全放弃在这个论坛上发帖:)所以我将回答 "不"。 你关于 "回答什么 "的合理化建议只是帮助你承认事实的强化剂--无论是你，还是这个论坛上的其他人，还是阿尼申科，还是开国元勋们，都没有在价格预测上取得积极成果。这就是残酷的世界--那些不会思考的人，他们像鸡一样狼吞虎咽，希望能找到种子。而人们只需要读一读动态系统理论应用的局限性，就不会绞尽脑汁。 Khristian Piligrim 2008.10.15 13:18 #166 Neutron писал(а)>> 如果是这样，我将是第一个扔掉我在NS的所有经验，加入Prival公司 做学徒的人!现在（或几乎现在），我将开始重读关于外汇中的流量 的主题，并建立一个卡尔曼过滤器。 唯一遗憾的是，我可能不必这样做。我希望这些原因很快就会变得清晰。 你不应该混淆线性回归和神经网络，每种方法都有其优点和缺点。例如，神经网络给出了一个更平滑的信号模型和更好的相位响应，在预测时少了1-2条的滞后， ，但线性回归给出了更稳定的信号，远远超过了训练。图中显示了一个使用神经网络和线性回归从相同的原始数据中建模的例子。模型训练的报价范围取自5月20日至6月10日，该区间的汇率波动范围为1.54至1.6。黄色和粉色信号是在相同的输入数据上训练的神经网络，但针对不同的目标函数，红色和蓝色是在相同的数据上训练的线性回归，并针对与神经网络相同的目标函数，即黄色和红色分别针对一个目标函数，粉色和蓝色针对另一个目标函数。图1显示了训练发生的范围内的图形。图2显示了学习范围之外的图形，从图2中可以看出，从8月8日开始，神经网络上的模型开始产生较大的误差，也就是说，训练只够2个月，因为比率低于1.52，而训练样本的下限是1.54。图3显示了截至10月13日的报价图表，很明显，基于神经元网络的模型显示出强烈的扭曲，而基于线性回归的模型在非常动荡的市场中没有重新训练就保持了其稳定性。我把神经网络和线性回归结合起来，削弱了每种方法的弱点，强化了它们的优势。 Neutron 2008.10.15 13:55 #167 Piligrimm писал(а)>> 没有必要反对线性回归和神经网络，每种方法都有其优点和缺点。 我是在和你争论吗？ 当然，方法的比较必须在手头的任务范围内进行。例如，对我来说，每一步都有预测的超前预测是相关的。在这样的表述中，NS可能已经失去了竞争力。 你提出的数据很让人好奇。不幸的是，照片的质量并不出色，很难甚至不可能在上面看到任何东西。如果可能的话，请放大第二张图的前三分之一--我想看看靠近NS最后优化的边界的区域的机动性质量。你也可以以更丰富的形式呈现数据--以价格增量和慕名而来的坐标预测云的形式（见本主题第三页）。 Roman Kramar 2008.10.15 14:16 #168 Neutron >> : 不幸的是，图片的质量并不高，很难甚至不可能在其中看到任何东西。 图片可以被点击，然后以其原始比例显示。 Roman Kramar 2008.10.15 14:18 #169 我有一个问题要问Pilligrim：这些模型的输入向量是什么，输出是什么？没有这些数据，这些数字并不能说明什么。 Neutron 2008.10.15 15:22 #170 bstone писал(а)>> 图片可以被点击，然后以原始比例显示。 不，这并不令人印象深刻。让他重新画吧。 1...101112131415161718192021 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
有的。我已经给了你们几次，我不再重复。如果你没有看到它们，或者不想看到它们，我也帮不了你。
要明白，这里没有人在向你证明什么，也没有人有义务这样做。你让我向你解释，我试过了，但你不明白。唉，在这个残酷的世界上，并非一切都那么简单。不是所有事情都能一蹴而就的，你必须有一定的知识基础。
有的。我已经给了你们几次，我不再重复。如果你没有看到它们，或者不想看到它们，我也帮不了你。
要明白，这里没有人向你证明什么，也没有人有义务这样做。你让我向你解释，我试过了，但你不明白。唉，在这个残酷的世界上，并非一切都那么简单。不是所有事情都能一蹴而就的，你必须有一定的知识基础。
还有呢，你在动态系统理论的框架内成功地预测了价格，而不是通过跳跃式的、有一定知识基础的预测？
我认为不做预测就不能建立一个好的TS，让它成为0.62而不是1，这意味着我在100次交易中的62次交易中以SL=TR入市并获得保证的利润。
没有预报我不能这么做，否则我可能会在愤怒中失去理智。
我认为作者把预测的概念扩大到了空间的高度，然后交易者在市场上所做的一切就是他的预测，但这样一来，坏的TS也是基于预测的，或者他把这个概念缩小到了指标系统，但这样一来，好的TS也有可能没有预测，我想了又想，该如何称呼没有初始预测的非指标系统，想到了SIMETRIC))，但也许它们已经有了名字？
还有呢，你设法在动态系统理论内预测价格而不跳槽，并有一定的知识基础？
如果我回答是，你会要求我出示证据，直到我完全放弃在这个论坛上发帖:)所以我将回答 "不"。
如果我回答是，你会要求我出示证据，直到我完全放弃在这个论坛上发帖:)所以我将回答 "不"。
你关于 "回答什么 "的合理化建议只是帮助你承认事实的强化剂--无论是你，还是这个论坛上的其他人，还是阿尼申科，还是开国元勋们，都没有在价格预测上取得积极成果。这就是残酷的世界--那些不会思考的人，他们像鸡一样狼吞虎咽，希望能找到种子。而人们只需要读一读动态系统理论应用的局限性，就不会绞尽脑汁。
如果是这样，我将是第一个扔掉我在NS的所有经验，加入Prival公司 做学徒的人!现在（或几乎现在），我将开始重读关于外汇中的流量 的主题，并建立一个卡尔曼过滤器。
唯一遗憾的是，我可能不必这样做。我希望这些原因很快就会变得清晰。
你不应该混淆线性回归和神经网络，每种方法都有其优点和缺点。例如，神经网络给出了一个更平滑的信号模型和更好的相位响应，在预测时少了1-2条的滞后， ，但线性回归给出了更稳定的信号，远远超过了训练。图中显示了一个使用神经网络和线性回归从相同的原始数据中建模的例子。模型训练的报价范围取自5月20日至6月10日，该区间的汇率波动范围为1.54至1.6。黄色和粉色信号是在相同的输入数据上训练的神经网络，但针对不同的目标函数，红色和蓝色是在相同的数据上训练的线性回归，并针对与神经网络相同的目标函数，即黄色和红色分别针对一个目标函数，粉色和蓝色针对另一个目标函数。图1显示了训练发生的范围内的图形。图2显示了学习范围之外的图形，从图2中可以看出，从8月8日开始，神经网络上的模型开始产生较大的误差，也就是说，训练只够2个月，因为比率低于1.52，而训练样本的下限是1.54。图3显示了截至10月13日的报价图表，很明显，基于神经元网络的模型显示出强烈的扭曲，而基于线性回归的模型在非常动荡的市场中没有重新训练就保持了其稳定性。我把神经网络和线性回归结合起来，削弱了每种方法的弱点，强化了它们的优势。
没有必要反对线性回归和神经网络，每种方法都有其优点和缺点。
我是在和你争论吗？
当然，方法的比较必须在手头的任务范围内进行。例如，对我来说，每一步都有预测的超前预测是相关的。在这样的表述中，NS可能已经失去了竞争力。
你提出的数据很让人好奇。不幸的是，照片的质量并不出色，很难甚至不可能在上面看到任何东西。如果可能的话，请放大第二张图的前三分之一--我想看看靠近NS最后优化的边界的区域的机动性质量。你也可以以更丰富的形式呈现数据--以价格增量和慕名而来的坐标预测云的形式（见本主题第三页）。
不幸的是，图片的质量并不高，很难甚至不可能在其中看到任何东西。
图片可以被点击，然后以其原始比例显示。
我有一个问题要问Pilligrim：这些模型的输入向量是什么，输出是什么？没有这些数据，这些数字并不能说明什么。
图片可以被点击，然后以原始比例显示。
不，这并不令人印象深刻。让他重新画吧。