Piligrimus是一个神经网络指标。 - 页 2 123456789...13 新评论 Ol Dirty Bastard 2009.04.23 19:25 #11 Piligrimm >> : 在任何情况下，都有很大的改进潜力；你可以大大增加平滑度，并引入额外的信号。 平滑化在技术语言中是对高频成分的切断 在信号的最大频率和高出一个八度的频率之间实现了多少分贝的阻尼？ Neutron 2009.04.23 19:28 #12 EvgeTrofi писал(а)>> 你能告诉我在哪里可以得到Batteraut的VFD吗？ 是的，请! K是过滤器的顺序。最好不要超过2个--它大大增加了FS。 附加的文件： baterlout.mq4 2 kb infinity 2009.04.23 19:37 #13 zfs писал(а) >> В чем смысл вашего индикатора, товарищ... он напоминает обычную среднюю. 这有什么意义呢？解释一下，例如，....因为你的指标看起来像一个简单的平均值，........... 神经网络是建立在模拟人脑神经元工作方式的元素上的自学系统。 McCulloch-Pitts神经元模型由一个主体（soma）和分支（轴突）组成，其末端与其他神经元的主体对接。这个连接点被称为突触。一个突触的特点是突触连接的强度w。如果神经元i有结合力为wi1,...,win的突触，由它们到达的其他神经元(Sj)的冲动就会在它那里汇总，并提供一个输出。 神经元模型。 作为神经网络的激活函数（瞬时函数）f()，通常选择一个简单的阶梯函数、对称或不对称的S函数或线性阶梯函数（见图）。 图：简单的步骤，不对称和对称的S形激活函数。 如果我们用wij表示第j个神经元对第i个神经元的结合强度，一个由n个神经元组成的神经网络将由突触连接的矩阵来完全描述。 通常使用最简单的神经网络，即所谓的分层神经网络。每层的输入只与之前的神经元的输出相连。第一层被称为输入层，最后一层被称为输出层，其余被称为隐藏（内部）层。这样一个神经网络的例子：4 - 8 - 5 - 3。这意味着神经网络由4层组成：输入层有4个神经元，输出层有8个，而两个隐藏层有8个和5个。 神经网络是通过改变W矩阵中突触连接的强度来控制（训练）的。一个神经网络可以作为一个自我训练的系统，也可以用特别选择的样本进行预调（与老师一起训练）。当神经网络针对一组给定的输入信号进行调整时，网络产生的输出信号与样本进行比较，与样本的偏差用一个特别选择的损失函数（例如等于标准偏差）进行评估。然后，突触连接的矩阵被修改以最小化损失函数（通常通过梯度下降）。因此，一个神经网络可以被分为加法、非线性和非参数回归模型。 图：简单步骤、不对称和对称的S形激活函数。 一个神经网络的性能是对其三个属性的加权估计。 收敛程度 - 模型适应给定输入值的准确性。 概括程度（generalisation）--模型对超出给它的输入集的操作的准确性。 稳定性 - 衡量其预测准确性的离散性（偏差）。 神经网络的上述特性可以通过以下程序来影响。 选择一个合适的激活函数 选择一个合适的损失函数 选择网络的架构（结构）。 梯度下降的参数选择 训练时间的选择 神经网络在技术分析中的应用实例 神经网络训练的主要目的是在观察到的形态之间建立联系（关联）。神经网络对于对来自几个技术指标的信号做出决定是很有用的。不同的技术指标在不同的市场条件下是有效的。正如我们之前所说，当有趋势时，趋势跟踪指标是有效的，而当市场在一个范围内波动时，震荡指标是有用的。 让我们通过一个简单的例子来说明（A.-P. Refenes, A. Zaidi ），在这种情况下如何使用神经网络。假设下一个任务是找到一个基于两个策略组合的混合策略，每个策略都是基于两个简单指标的信号：移动平均线（MA）和均值偏离（MV）。 MA是一个简单的指标，它比较两个具有不同平均周期的移动平均线，当快速MA从下往上穿过慢速MA时，给出买入信号，而当它从上往下穿过它时，给出卖出信号。 MV是一个简单的指标，当价格高于其平均值时，它给出卖出信号，反之则是买入信号。 系统结构如图91所示。 系统接收指标信号（0-空头，1-多头）和过去2天的指标表现信息（盈利或亏损）以及当前市场信息。 在输出端有三个信号。 MA：遵循MA-指标的建议 MV：遵循MV-指标建议 NP：什么都不做 每个输出都有一个0和1之间的值。 图：用于分析两个指标的神经网络示意图。 如果MA和MV信号都处于ON状态（取值大于0.5），则选择取值最高的信号建议，但如果NP处于ON状态，则不做任何处理。 这个神经网络的应用实例有一个使用的例子，.....，你让它假设什么？ Леонид 2009.04.23 19:44 #14 Neutron писал(а)>> 巴特沃斯二阶LPF ( 那不是巴特沃斯吗？ Khristian Piligrim 2009.04.23 20:07 #15 Neutron писал(а)>> 事实上，巴特沃斯的二阶LPF（红线）与你的神经网络滤波器相比，结果并没有差很多。顺便问一下，代码中的NS在哪里，为什么你的孩子会重画？这是个反问句。既然在重绘中，我们在故事中看到的东西与现实不符，那么真正的问题就出现了：你为什么要向我们展示并不真实存在的东西？ 整个公式是用不同参数训练的几个网络的混合体，并将其简化为一个单一的多项式，其权重系数相对于其他网络而言。 整个多项式在每一个tick都会被重新计算，因为历史数据不会改变，只有零点栏的报价会改变，而在零点栏重新计算的结果保持不变。没有重划。 Khristian Piligrim 2009.04.23 20:09 #16 sab1uk писал(а)>> 阻尼--用技术语言来说，就是切断高频成分 在目前的版本中，从有用信号的最大频率到一个频率，例如高一个八度的频率，已经实现了多少分贝的衰减？ 我还没有检查过。 Khristian Piligrim 2009.04.23 20:12 #17 Infinity писал(а)>> 在这个例子中，有一个使用神经网络的例子，.....，你的想法是什么？ 我使用神经网络作为过滤器，这与你描述的任务略有不同。 Ol Dirty Bastard 2009.04.23 20:44 #18 Piligrimm >> : 我没有检查这个。 >>就是这样......都是靠眼睛。 Eugene 2009.04.23 20:45 #19 Piligrimm писал(а)>> 我使用神经网络作为过滤器，这与你描述的任务略有不同。 你有一些数字滤波器的系数。基本上，它是一个具有可笑系数的MA，就像任何数字滤波器一样。你实际上想让它做什么？你想过滤什么，你希望它对变化的反应有多快？ 你又是如何优化的呢？ Infinity, 谢谢你的解释。非常简单、清晰和合乎逻辑。 Vasiliy Smirnov 2009.04.23 22:18 #20 我明白什么是神经网络，而且我在这个例子中看到的意义比这个指标更多。 输入的是一堆难以理解的系数。输出是一个平均值。它甚至没有任何意义，因为它是expa。 123456789...13 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
在任何情况下，都有很大的改进潜力；你可以大大增加平滑度，并引入额外的信号。
平滑化在技术语言中是对高频成分的切断
在信号的最大频率和高出一个八度的频率之间实现了多少分贝的阻尼？
你能告诉我在哪里可以得到Batteraut的VFD吗？
是的，请!
K是过滤器的顺序。最好不要超过2个--它大大增加了FS。
zfs писал(а) >>
В чем смысл вашего индикатора, товарищ... он напоминает обычную среднюю.
这有什么意义呢？解释一下，例如，....因为你的指标看起来像一个简单的平均值，...........
神经网络是建立在模拟人脑神经元工作方式的元素上的自学系统。
McCulloch-Pitts神经元模型由一个主体（soma）和分支（轴突）组成，其末端与其他神经元的主体对接。这个连接点被称为突触。一个突触的特点是突触连接的强度w。如果神经元i有结合力为wi1,...,win的突触，由它们到达的其他神经元(Sj)的冲动就会在它那里汇总，并提供一个输出。
神经元模型。
作为神经网络的激活函数（瞬时函数）f()，通常选择一个简单的阶梯函数、对称或不对称的S函数或线性阶梯函数（见图）。
图：简单的步骤，不对称和对称的S形激活函数。
如果我们用wij表示第j个神经元对第i个神经元的结合强度，一个由n个神经元组成的神经网络将由突触连接的矩阵来完全描述。
通常使用最简单的神经网络，即所谓的分层神经网络。每层的输入只与之前的神经元的输出相连。第一层被称为输入层，最后一层被称为输出层，其余被称为隐藏（内部）层。这样一个神经网络的例子：4 - 8 - 5 - 3。这意味着神经网络由4层组成：输入层有4个神经元，输出层有8个，而两个隐藏层有8个和5个。
神经网络是通过改变W矩阵中突触连接的强度来控制（训练）的。一个神经网络可以作为一个自我训练的系统，也可以用特别选择的样本进行预调（与老师一起训练）。当神经网络针对一组给定的输入信号进行调整时，网络产生的输出信号与样本进行比较，与样本的偏差用一个特别选择的损失函数（例如等于标准偏差）进行评估。然后，突触连接的矩阵被修改以最小化损失函数（通常通过梯度下降）。因此，一个神经网络可以被分为加法、非线性和非参数回归模型。
图：简单步骤、不对称和对称的S形激活函数。
一个神经网络的性能是对其三个属性的加权估计。
收敛程度 - 模型适应给定输入值的准确性。
概括程度（generalisation）--模型对超出给它的输入集的操作的准确性。
稳定性 - 衡量其预测准确性的离散性（偏差）。
神经网络的上述特性可以通过以下程序来影响。
选择一个合适的激活函数
选择一个合适的损失函数
选择网络的架构（结构）。
梯度下降的参数选择
训练时间的选择 神经网络在技术分析中的应用实例 神经网络训练的主要目的是在观察到的形态之间建立联系（关联）。神经网络对于对来自几个技术指标的信号做出决定是很有用的。不同的技术指标在不同的市场条件下是有效的。正如我们之前所说，当有趋势时，趋势跟踪指标是有效的，而当市场在一个范围内波动时，震荡指标是有用的。
让我们通过一个简单的例子来说明（A.-P. Refenes, A. Zaidi ），在这种情况下如何使用神经网络。假设下一个任务是找到一个基于两个策略组合的混合策略，每个策略都是基于两个简单指标的信号：移动平均线（MA）和均值偏离（MV）。
MA是一个简单的指标，它比较两个具有不同平均周期的移动平均线，当快速MA从下往上穿过慢速MA时，给出买入信号，而当它从上往下穿过它时，给出卖出信号。
MV是一个简单的指标，当价格高于其平均值时，它给出卖出信号，反之则是买入信号。
系统结构如图91所示。
系统接收指标信号（0-空头，1-多头）和过去2天的指标表现信息（盈利或亏损）以及当前市场信息。
在输出端有三个信号。
MA：遵循MA-指标的建议
MV：遵循MV-指标建议
NP：什么都不做
每个输出都有一个0和1之间的值。
图：用于分析两个指标的神经网络示意图。
如果MA和MV信号都处于ON状态（取值大于0.5），则选择取值最高的信号建议，但如果NP处于ON状态，则不做任何处理。
这个神经网络的应用实例有一个使用的例子，.....，你让它假设什么？
那不是巴特沃斯吗？
事实上，巴特沃斯的二阶LPF（红线）与你的神经网络滤波器相比，结果并没有差很多。顺便问一下，代码中的NS在哪里，为什么你的孩子会重画？这是个反问句。既然在重绘中，我们在故事中看到的东西与现实不符，那么真正的问题就出现了：你为什么要向我们展示并不真实存在的东西？
整个公式是用不同参数训练的几个网络的混合体，并将其简化为一个单一的多项式，其权重系数相对于其他网络而言。
整个多项式在每一个tick都会被重新计算，因为历史数据不会改变，只有零点栏的报价会改变，而在零点栏重新计算的结果保持不变。没有重划。
阻尼--用技术语言来说，就是切断高频成分
在目前的版本中，从有用信号的最大频率到一个频率，例如高一个八度的频率，已经实现了多少分贝的衰减？
我还没有检查过。
在这个例子中，有一个使用神经网络的例子，.....，你的想法是什么？
我使用神经网络作为过滤器，这与你描述的任务略有不同。
我没有检查这个。
>>就是这样......都是靠眼睛。
我使用神经网络作为过滤器，这与你描述的任务略有不同。
你有一些数字滤波器的系数。基本上，它是一个具有可笑系数的MA，就像任何数字滤波器一样。你实际上想让它做什么？你想过滤什么，你希望它对变化的反应有多快？
你又是如何优化的呢？
Infinity, 谢谢你的解释。非常简单、清晰和合乎逻辑。
我明白什么是神经网络，而且我在这个例子中看到的意义比这个指标更多。
输入的是一堆难以理解的系数。输出是一个平均值。它甚至没有任何意义，因为它是expa。