Analisis Harga dengan Jaringan Saraf - Page 2
Halaman 2 dari 462 FirstFirst 12
Results 11 to 20 of 20

Thread: Analisis Harga dengan Jaringan Saraf

  1. #11
    Hai Drummer, saya tidak memiliki pengalaman aktual dengan NN tetapi tampaknya banyak seperti didistribusikan (paralel) pemrograman, jadi saya pikir saya memiliki gagasan apa yang Anda cari dengan program Anda dan penjelasan Anda adalah NN Anda akan sangat baik
    . Saya mungkin akan melompat dengan pertanyaan ini, tetapi saya harus bertanya. Apakah Anda benar-benar akan melihat laporan berita untuk mendapatkan info tambahan segera setelah Anda mendapatkan masukan mentah yang terlatih? Saya pikir ini mungkin kumpulan data yang valid jika penyaringan dan sumber daya yang benar dapat ditemukan dan digunakan. Apa pendapat anda? Saat ini saya sedang mengerjakan pemrograman untuk berita untuk indikator sinyal perdagangan. Ini fungsional tetapi perlu menyesuaikan dan menggoda sebelum saya akan menggunakannya untuk perdagangan.

  2. #12
    Quote Originally Posted by ;
    iya nih
    Info perdagangan ideal yang Anda sebutkan benar-benar adalah apa yang saya bicarakan dalam artikel saya berikutnya di jurnal ini. Apa yang Anda bicarakan adalah menargetkan waktu dekat tinggi dan rendah untuk setiap pola input. Sinyal belijual benar-benar berlebihan, asalkan Anda dapat menghitungnya dengan pepatah (highgt; rendah) * 2-1. Setelah melatih satu set besar pola-pola itu, tetapi jaringan syaraf akan belajar menghasilkan nilai rata-rata dari nilai-nilai tersebut di atas serangkaian pola yang sama.
    Anda benar, itu adalah hal yang sama dengan yang Anda mulai. Pepatah itu melempar saya selama satu menit. (hgt; namun) adalah Boolean, 1 atau 0, mengerti.
    Bagaimanapun, seperti yang Anda nyatakan NN hanya akan meludahkan jalan sehingga Anda harus memanfaatkan distribusi.
    Quote Originally Posted by ;
    Sebaliknya, saya lebih suka komunitas belajar distribusi. Mengetahui distribusi selebaran masa lalu memungkinkan Anda untuk membuat egi berdasarkan probabilitas yang dihitung untuk mencapai titik harga yang berbeda. Sebagai contoh, kita terbiasa dengan ide menerima perdagangan dengan rasio 2: 1 atau 3: 1 TP ke SL, tetapi kita tidak dapat yakin bahwa mereka akan benar-benar meningkatkan kemenangan kita, karena tanpa tepi prediktif, semakin dekat berhenti umumnya lebih cenderung menjadi hit daripada mengambil untung lebih lanjut. Jika kita tahu distribusi statistik dari titik harga selama satu jam berikutnya (atau hari, atau minggu ... apa pun), kita dapat mengatur stop yang, secara historis, sekarang kurang mungkin diserang daripada tingkat take profit kami. Idealnya, kita akan memiliki kemampuan untuk memilih perdagangan yang kemungkinannya sangat tinggi dan bernilai tinggi, di mana akhirnya tidak mungkin disambar, profit taking sangat mungkin terpukul, dan juga profit taking secara signifikan lebih jauh. daripada berhenti. Warren Buffet selalu mengaitkan kesuksesannya dalam menciptakan investasi berisiko rendah dan bernilai tinggi. Tujuan kami harus sama - yaitu, untuk memaksimalkan kemungkinan menang sambil meminimalkan kemungkinan kehilangan atau dalam kondisi trader: untuk memiliki keunggulan di pasar.
    Anda berbicara bahasa saya di sini. Saya memiliki thread tertutup yang disebut Expectancy selalu nol di mana ini hanya salah satu dari topik tersebut. TPSL 3: 1 berarti bahwa tingkat menang akan menjadi sekitar 25 persen dalam egi tanpa tepi. Umumnya, tingkat keuntungan wajib (RWR) untuk hampir semua egi adalah (Rerata Rugi)(Rata-rata Laba Rugi Rugi). Masalahnya adalah, saya telah mencoba untuk membungkus kepalaku tentang perdagangan keluar dari pasokan di masa lalu dan mengalami kesulitan membayangkan cara untuk mengambil tindakan, terutama dalam kasus pasokan terpisah untuk pasang surut.
    Sebenarnya, saya kira apa yang sebenarnya Anda miliki adalah distribusi atas semua pasangan tertinggi dan terendah, yang berarti lebih dari tempat dengan tinggi pada sumbu X dan berkurang pada Y misalnya. Pada suatu titik tertentu secara teoritis Anda akan memiliki nilai meskipun saya tahu Anda akan membuangnya. Akhirnya, untuk membuat alat perdagangan, harus ada beberapa proses untuk mendapatkan masukan di satu ujung ke 3 keputusan besar (belijual, berhenti, TP) di sisi lain. Ini mungkin terbukti menjadi masalah yang jauh lebih dahsyat daripada struktur dan pelatihan jaring itu sendiri. Saya menyampaikan hal ini hari ini karena penting untuk mengetahui pada tahap ini apa yang Anda ingin output terlihat seperti. Sangat sulit untuk menemukan sesuatu yang semuanya dibangun dan kemudian menyadari pada kesimpulan bahwa Anda ingin melakukan sesuatu yang berbeda. Mudah-mudahan Anda akan menghindari masalah itu, dan mungkin Anda sudah menyelesaikannya. Saya keluar dari sini untuk malam ini, tetapi menantikan pembaruan Anda. Thread ini akan memerintah!

  3. #13
    Drummer, Untaian mengagumkan, kawan! Anda telah meningkatkan pemahaman saya tentang Neural Networks dan memprogramnya. Saya seharusnya melakukan hal yang berbeda! . . .Kurang ajar kau!!!
    . . .Kidding. LOL
    Saya akan menikmati ini!

  4. #14
    Quote Originally Posted by ;
    Masalahnya adalah, saya telah mencoba untuk membungkus kepala saya di sekitar perdagangan dari persediaan sebelumnya dan mengalami kesulitan memvisualisasikan bagaimana melakukannya, terutama dalam contoh pasokan terpisah untuk pasang surut.
    Actually, I guess what you would have is a distribution over all pairings of highs and lows, meaning over a place with large on the X axis and reduced on the Y such as. At any given point theoretically you would have a value although I understand you are going to bin them. Finally, in order to create a trading appliion, there needs to be some process for getting from the inputs at the same end to the 3 large decisions (buy/sell, stop, TP) at the other. This may prove to be a far thornier problem than the construction and instruction of the internet itself. I'm bringing this up today as it's key to understand at this point what you would like the output to look like. It is a pain to find something all constructed and then realize at the conclusion that you would like it to do something different. Hopefully you will avoid that issue, and maybe you've already got it covered.
    Saya benar-benar telah memberikan sedikit pemikiran untuk masalah ini. Saya mengerti dari salah satu PM Anda yang Anda minati dalam algoritma genetika. Ini mungkin suatu kasus di mana GAs mungkin lebih membantu dalam menentukan pendekatan yang baik untuk memanfaatkan output dari jaringan saraf. Di sisi lain, ada beberapa teknik pembelajaran atau pengklasifikasian mesin lain yang dapat diterapkan pada masalah keputusan perdagangan menggunakan data pasokan. Kami mungkin juga memiliki kemampuan untuk menghasilkan egi perdagangan melalui teori sederhana. Selama kita memahami apa yang dimaksud dengan pasokan, kita dapat memanfaatkannya secara cerdas. Pada dasarnya, pasokan akan menginformasikan kepada kita bagaimana mungkin itu adalah titik harga tertentu akan tercapai dalam jangka waktu tertentu. Kita tahu bahwa, untuk mencapai tinggi 50 pips di atas harga saat ini, harga juga (biasanya) harus melewati 10 pip, 20 pip, 30 pip, dan 40 pip level. Jadi, dengan mengetahui perkiraan penawaran, kita dapat menjumlahkan probabilitas tingkat yang lebih ekstrim untuk menghitung probabilitas yang diharapkan untuk mencapai jumlah apa pun selama interval masa depan. Kami kemudian dapat menghasilkan standar perdagangan yang hanya memilih perdagangan dengan probabilitas tertinggi. Kita juga dapat membagi order take profit dan stop loss ke dalam beberapa order yang bera di seluruh penawaran sesuai dengan probabilitas derajat yang berbeda. Selain itu, ini adalah pengaturan yang dapat dihitung untuk memfasilitasi hadiah tertinggi dengan risiko minimal. Bagaimanapun, ini semua adalah dugaan yang perlu dipertimbangkan kembali setelah jaringan akhir selesai. Saya percaya saya akan mulai mengembangkan komunitas dengan konstruksi yang dijelaskan, dan ketika kita menyadari kemudian bahwa distribusi probabilitas kurang bermanfaat daripada target lain, kita bisa mengubah mereka cukup mudah. Kesulitan pemrograman sebenarnya hanyalah pengaturan dan debugging kerangka kerja untuk pelatihan, pengujian, dan melihat output. Ini akan cukup lama sampai saya memiliki sesuatu yang bermanfaat yang dikembangkan, namun saya akan terus memperbarui thread ini saat saya membuat kemajuan. Miliki akhir pekan yang fantastis, atau apa pun yang tersisa darinya

  5. #15
    Strategi yang sangat sangat bagus! Saya melakukan hal serupa. Apa yang Anda pikirkan tentang mengintegrasikan kecenderungan skala yang sangat besar ke persamaan dengan menormalkan batang. Maksud saya adalah mengatakan 10.000 bar yang lalu harganya adalah 3000 pips dikurangi. Itu berarti bahwa rata-rata kita naik 3 pips setiap 10 bar. Mungkinkah ini berguna jika Anda menormalkan batang OHLC untuk mencerminkan bahwa pada persamaan distribusi Anda?

  6. #16

    Quote Originally Posted by ;
    Pendekatan yang sangat bagus! Saya melakukan hal serupa. Apa yang Anda anggap menggabungkan kecenderungan skala yang sangat besar ke dalam persamaan dengan menormalkan batang. Yang saya maksud adalah harga terakhir 10000 bar adalah 3000 pips lebih rendah. Berarti bahwa rata-rata kita naik 3 pips per 10 bar. Mungkinkah ini berguna jika Anda menormalkan batang OHLC untuk menandakan bahwa dalam persamaan suplai Anda?
    Ide yang menarik. Tanpa normalisasi, pasokan akan condong ke arah apa pun yang menjadi kecenderungan jangka panjang. Ini akan baik-baik saja jika kita berada dalam tren jangka panjang yang sama, tetapi tidak baik-baik saja jika tren telah berubah akhir-akhir ini. Saya kira Anda bisa melakukan beberapa jenis normalisasi, tetapi juga tidak jelas bagaimana seharusnya Anda menormalkan secara tepat. Mungkin lebih baik untuk menyertakan seperangkat rata-rata bergerak pada fase yang berbeda pada input. Ini akan membantu sistem untuk memisahkan alasan miring, dan berada dalam posisi untuk mereplikasi jumlah yang tepat dari distribusi miring untuk pasar saat ini. Terima kasih, charlink ... bagusnya!

  7. #17
    Quote Originally Posted by ;
    Saya mengerti dari salah satu PM Anda yang Anda tertarik dengan algoritma genetika.
    Program genetik (GP) benar-benar, yang merupakan teori yang dirancang setelah GA oleh seorang peneliti bernama Koza saya pikir. Saya hanya memilih-milih pada hari Minggu malam.
    :

  8. #18
    2 Lampiran (s) Berikut ini adalah indikator yang saya buat yang mungkin terbukti bermanfaat. Ini adalah distribusi harga yang mudah. Mengotak-atik parameter bisa menciptakan hasil yang sangat berbeda. Cell_width berapa banyak bar yang digunakan untuk distribusi harga Anda per kolom cell_rows berapa banyak baris untuk membagi distribusi harga ke dalam cell_cols berapa banyak kolom untuk menghasilkan ... untuk beberapa perhitungan berat Anda dapat mengurangi jumlah ini jika fungsionalitas menderita karena kemungkinan besar Anda membutuhkan yang baru-baru ini. distribusi harga cell_step semakin tinggi angka semakin banyak blok yang dilewati untuk setiap langkah masih menghitung jumlah sel_berbatas pub. Jadi jika cell_step dan cell_width sama persis Anda akan menemukan gambar yang jernih. Jika cell_width lebih tinggi Anda akan mengamati data fuzzy masuk Cut_off semua sel dinormalkan dengan nilai dari 0 ke 1 jika Anda menarik semua itu akan sangat sumber daya intensif. Jadi semuanya lebih besar dari cut_off tidak digambar. (Saya menempatkan 0,8 kadang-kadang untuk mengidentifikasi dukungan kuatdaerah resistensi) count_inside_bars count_support count_resistance dan ini adalah sihir ... bukannya menghitung seluruh pub saya sudah membaginya ke dalam bar = (Buka - Tutup) dukungan = (Rendah - Min (Buka, Tutup) resistance = (Max (Open, Close) - High) Dengan cara itu Anda dapat memusatkan penelitian Anda hanya pada dukungan atau hanya pada area resistensi. Happy Neural Networking !!!
    https://www.forexfabrikasi.com/attac...3427100106.ex4

  9. #19
    Quote Originally Posted by ;
    Ide yang menarik. Tanpa normalisasi, distribusi akan condong ke arah apa pun tren jangka panjangnya. Ini akan baik-baik saja jika kita berada dalam tren jangka panjang yang sama, tetapi tidak baik-baik saja jika tren telah berubah baru-baru ini. Saya kira Anda dapat melakukan beberapa jenis normalisasi, tetapi juga tidak jelas bagaimana seharusnya Anda menormalkan secara tepat. Mungkin lebih baik untuk menggabungkan satu set rata-rata bergerak pada fase yang berbeda pada input. Ini akan membantu sistem untuk memisahkan penyebab kemiringan, dan berada dalam posisi untuk mereplikasi jumlah yang tepat dari distribusi miring untuk pasar saat ini. Terima kasih, ... tujuan baik!
    Anda tahu ... itu hanya memukul saya ... Yang harus Anda lakukan adalah benar harga untuk nilai tukar bunga !!!
    Bahkan beberapa broker melakukan itu ... mereka memperbaiki harga masuk Anda untuk menandakan pertukaran jadi jika Anda memegang GJ selama 100 hari, Anda akan memiliki seperti harga pembelian 200 pips di bawah perdagangan awal Anda di sana ...

  10. #20
    Quote Originally Posted by ;
    Program genetik (GP) sebenarnya, yang merupakan konsep yang dikembangkan setelah GA dengan seorang peneliti bernama Koza, saya percaya. Saya hanya memilih-milih pada hari Minggu malam.
    :
    Ya, saya pikir GP adalah aplikasi teori GA yang masuk akal. Novel pembelajaran mesin yang paling saya kenal (Machine Learning oleh Tom Mitchell) memperlakukan setiap jenis algor pembelajaran sebagai pendekatan pencarian. Jadi GP adalah aplikasi Anda dari metode pencarian GA untuk tugas-tugas pemrograman. Taksonomi samping, menggunakan metode pencarian algoritma genetika untuk masalah pilihan perdagangan yang optimal pasti bisa menciptakan beberapa solusi yang layak bahwa kita tidak akan pernah memikirkan diri kita sendiri.
    Quote Originally Posted by ;
    Ini adalah indikator yang saya buat yang ternyata berguna. Ini adalah pasokan harga yang sederhana. Mengotak-atik parameter dapat menciptakan hasil yang sangat berbeda. ... Dengan cara ini Anda akan dapat memfokuskan penelitian Anda hanya pada dukungan atau hanya pada area resistensi.
    Sangat trendi. Saya membuat sesuatu seperti ini sekali yang menarik serangkaian garis sr menggunakan warna yang berbeda berdasarkan distribusi tinggirendah sebelumnya, tetapi itu jauh lebih dapat dikonfigurasi. Sudah selesai dilakukan dengan baik!

Izin Posting

  • Anda tidak boleh memposting thread baru
  • Anda tidak boleh memposting balasan
  • Anda tidak boleh memposting lampiran
  • Anda tidak boleh menyunting postingan Anda
  •  
  • Kode BB Aktif
  • Smilies Aktif
  • Kode [IMG] Aktif
  • Kode [VIDEO] Aktif
  • Kode HTML tidak aktif
This website uses cookies
We use cookies to store session information to facilitate remembering your login information, to allow you to save website preferences, to personalise content and ads, to provide social media features and to analyse our traffic. We also share information about your use of our site with our social media, advertising and analytics partners.