08 Kwie 2016, 00.14 ostatnio zgbiam si troch w tematyk sieci neuronowych i zastanawiam si w jaki sposb wykorzysta w grze na rynkach finansowych Tzn. Il mam kilka pomysw jakie wartoci przydzieli tun neuronw wejciowych, um co wstawi na wyjciu Cen quotjutrzejszquot I np. Jak prognozowana cena jest wysza zu byby sygna kaufen, jak nisza sygna verkaufen. Kto kto ma dowiadczenie mgby podrzuci jakie wskazwki 08 Kwie 2016, 08.49 Nie odpalaem Tego u siebie bo nie jestem pewien co siedzi w rodku Tego pliku skompilowanego. Moe Tobie uda si zu w jaki bezpieczny sposb otworzy ich zobaczy czy dziaa czy te to von scam. - Dodano: pt 2016.08.04, 13.57 - Z tego co kojarz zu jeszcze nikomu nie udao si za pomoc sieci wyprognozowa cen zamknicia - nie szukabym tutaj gralla dh Tobie nagle uda si w tydzie zrobi co co bdzie prognozowa w 55 przypadkw dobrze. Wikszo wrzuca tun sieci wskaniki ich ich pochodne ktre strasznie si koreluj ze sob. Nikomu nie udao si wyprognozowa kolejnej ceny za pomoc poprzednich w sieci wic to te wywal. Sie können auch jetzt schon Beiträge lesen. Suchen Sie sich einfach das Forum aus, das Sie am meisten interessiert. Dynamic zmian cen lub redniej kroczcej. W przypadku tej drugiej czytaem, e skuteczno Prognozy kierunku redniej zu ju co w okolicach 90 albo 95 skutecznoci - ale jak wiadomo rednia nie zmienia czsto kierunku. 12 Kwie 2016, 13.04 MkubuxK pisze: Gdybym mia si bawi z prognoz za pomoc sieci prbowabym chyba z prognozowaniem Dynamiki zmian cen lub redniej kroczcej. W przypadku tej drugiej czytaem, e skuteczno Prognozy kierunku redniej zu ju co w okolicach 90 albo 95 skutecznoci - ale jak wiadomo rednia nie zmienia czsto kierunku. Sie können auch jetzt schon Beiträge lesen. Suchen Sie sich einfach das Forum aus, das Sie am meisten interessiert. na 12 Kwie 2016, 20:30 drugim sposobem jest prognozowanie podstawie zmiennoci jak pisze MkubuxK podobnie jak implizite Volatilität 21 Kwie 2016, 00.20 Z sieciami jest sporo problemw. W ogle trzeba zacz von obrbki danych. Znalazem jakie artykuy sugerujce, e jak si pozwoli na zbytnie dopasowanie modelu tun niestacjonarnego szeregu czasowego (czyli praktycznie kadego wykresu ceny), zu zdolnoci prognostyczne sieci s lepsze. Tu mona przeczyta te rewelacje: researchgate. netpublicatio. Imeseries Problem jest te z samym dobraniem rodzajutopografi sieci. Duym zainteresowaniem cieszya si LSTM (colah. github. ioposts2015-08-Un-ing-LSTMs), czyli sie z quotpamiciquot. Intuicyjnie wydaje si, e taka siec zaprojektowana tun Sie uczenia si dugoterminowych zalenoci Jest wietna tun zastosowania na forexie. Ale nigdy nie Spotkind si z przykadem udanego wykorzystania tego do zarabiania. Syszaem o takich pomysach, und von zamiast cen prognozowa wynik strategii. Czyli sie uczyaby si w jakich warunkach zlecenia danej strategii s zyskowne a w jakich nie. Jej prognoza dezydowaaby czy sygna wygenerowany przez strategi ma si zrealizów na rynku czy nie. Konieczny byby tu jednak jaki System wirtualnych zlece (sie musi si uczy na podstawie wszystkich sygnaw ein nie tylko tylko przez ni przepuszczonych) lub uruchomienie Strategii na jednym koncie samopas ein kopiowanie po przepuszczeniu przez sie na drugim. 25 kwie 2016, 09:41 Um co piszesz brzmi fajnie, szczeglnie wirtualny Tester zu musi von wietna sprawa. Przypomina zu jednak bardziej optymalizacj vorwärts zu gehen. Z tym jest Taki Problem, e jak ze zbioru wszystkich parametrw wybierasz te, KTRE Tag najlepszy wyniki kocowy w danym okresie (najbardziej zyskown strategi z jakimi ustawieniami), bardzo wegen szanse zu MASZ na danych Historycznych zu, e po prostu dopasowae si tun. Ich wtedy rzeczywicie koczy si zu tak jak mwisz, dostajesz co co wyglda wie tnie w testach, ale wykada si na nowych danych. Poruszye wan kwesti, po stworzeniu takiej sieci trzeba dodatkowo pilnowa, eby jej nie przeuczy. Tylko tu znowu zu nie jest takie proste. Jak si uczy sie rozpoznawa czy dany klient baku bdzie spaca kredyt czy nie, zu Mamy tun czynienia z mniej lub bardziej staym problemem, typw ludzi spacajcych Kredyty nie jest nieskoczenie Wiele. Na Forexie natomiast mamy ograniczone dane geschichteczne i nieskoczenie (teoretycznie) wiele moliwoci rozwoju ceny w przyszoci. Moemy sobie dzieli zbir na dane testowe i walidacyjne i nich pilnowa na, eby sie si nie przeuczya, dawaa dobre wyniki na danych, na ktrych si uczya i na tych, ktrych quotteoretycznie jeszcze nie widziaaquot. Nein, ale tu wanie napotykamy Problem z ograniczon liczb danych. Przetestujemy Model raz ich wyjdzie, und na danych walidacyjnych bd modelu jest za duy. Nein i co teraz Zmieniamy parametry i tak dugo a na danych walidacyjnych te nam dobrze wyjdzie Spore szanse, e si dopasujemy do jednych i do drugich danych zamiast znale dobry Modell dziaamy. Moemy po kadej zmianie parametrw zmienia dane walidaycjne, nein ale wiemy, e s ein ograniczone. Ich koo si zamyka. Osobicie WIERTZ, e uczenie Maszynowe moe mie jakie zastosowanie na forexie, ale Wiele wskazuje na to, e znalezienie jakiej biblioteki tun budowy sieci i przepuszczenie przez ni danych z rynku, zu dopiero wierzchoek Spiel lodowej. Kiedy widmet sich na MQL5 bibliotek tun budowy sieci stworzon przez Polaka, ale nie mog ju tego znale. Jakby si komu udao, zu moe jego warto wcign tun dyskusji lub poszuka co jemu si udao zdziaa. Kto jest Online Uytkownicy przegldajcy zum Forum: obecnie na Forum nie ma adnego zarejestrowanego uytkownika i Technologi dostarcza phpBB reg Forensoftware kopieren phpBB Group 1 gehen. Styl weuniversal stworzony przez weeb. OSTRZEENIE O RYZYKU. Transakcje Forex oraz CFD in der Nähe von dwigni finansowej s wysoce ryzykowne dla Zweijego kapitau, poniewa straty mog przewyszy depozyt. Dlatego te, Forex oder kontrakty CFD mog nie von odpowiednie dla wszystkich inwestorw. Nie naley ryzykowa wicej, ni jest si gotowym straci. Przed podjciem decyzji o transakcji upewnij si, e rozumiesz zwizane z nimi ryzyka i jeeli Scherz konieczne zasignij niezalenej porady. This Bericht wurde vorbereitet für den Kurs als Voraussetzung: Methoden und Algorithmen der künstlichen Intelligenz Das Ziel dieses Projekts war eine kurz - Langfristige Prognose des Devisenkurses am Devisenmarkt 8211 FOREX. Die Aufgabe wurde auf der Stärke neuronales Netzwerk realisiert. Nach Absichten, es bricht an Prognose Wechselkurs der Währung mit Wahrscheinlichkeit mehr als 50. Für die Schaffung der neuronalen Netzwerk verwendet hatte Programm: Stuttgart Neural Network Simulator. Das Datum kommt aus dem Internet, ein Teil davon kommt aus eigener Studie. Wst281p Celem projektu von322o przewidywanie kroacutetkoterminowych zmian kursu waluty na rynku walutowym 8211 FOREX. Zadanie zosta322o zerrizowane w oparciu o sieci neuronowe. Zgodnie z zamierzeniami uda322o si281 przewidywa263 kierunek zmiany kursy waluty z prawdopodobie324stwem wi281kszym ni380 50. Do tworzenia stworzenia sieci u380yto programu Stuttgart Neural Network Simulator. U380yte dane s261 ogoacutelnie dost281pne w Internecie, cz281347263 znich poddano w322asnej obroacutebce. Przebieg realizacji projektu 8211 tworzenie sieci neuronowej. Okre347lenie prognozowanej zmiennej W sieci prognozowany von322 kierunek zmiany kursu waluty USDCHF na nast281pny dzie324. Okre347lenie kierunku jest 322atwiejsze von okre347lenia procentowej zmiany kursu jak ich okre347lenia przysz322ej warto347ci tego kursu. Zmienna przyjmuje warto347263 middot 1 8211 gdy na koniec dnia nast281pnego warto347263 kursu b281dzie wi281ksza od bie380261cego middot 0 8211 gdy na koniec dnia nast281pnego warto347263 kursu b281dzie mniejsza od bie380261cego Gromadzenie zbioroacutew danych danych nie nale380261cych Sie tun w322asnego opracowania nale380a322y dzienne kursy USDCHF: warto347263 na pocz261tku dnia (O), na ko324cu dnia (C), minimalna (L) ich maksymalna warto347263 w ci261gu dnia (H) oraz wolumen obrotoacutew dla danego dnia. Podczas przygotowa324 hat ein neues Objekt erhalten: badano roacute380ne hat ein neues Objekt erhalten: warto347ci hat ein neues Objekt erhalten: jakie mo380na von da263 na wej347cie ucz261cej si281 sieci. Ostatecznie wybrano zbioacuter, ktoacutery najlepiej realizowa322 cel w347roacuted przebadanych. Wst281pne przetworzenie danych Na wst281pie zgromadzone dane pos322u380y322y tun stworzenia nowych zmiennych wej347ciowych dla sieci, zmienne te S261 mi281dzy innymi wynikiem przeprowadzonych oblicze324 jak i procesu normalizacji. Podczas przygotowa324 hat ein neues Objekt erhalten: badano roacute380ne hat ein neues Objekt erhalten: warto347ci hat ein neues Objekt erhalten: jakie mo380na von wykorzysta263 na wej347ciu ucz261cej si281 sieci. Ostatecznie wybrano zbioacuter, ktoacutery najlepiej realizowa322 cel w347roacuted przebadanych: Middot pierwsze 4 zmienne dla sieci stanowi261 odpowiednie roacute380nice warto347ci obecných czterech wymienionych kursoacutew O, C, L, H i aktualnych 347rednich krocz261cych wyznaczonych na podstawie 30 okresoacutew (Badano roacutewnie380 dla 50 okresoacutew). Middot wspoacute322czynnik On Balance Volume (OBV) wyznaczony na podstawie wolumenu odpowiednio podzielony, aby nie zak322oacuteca322 sieci middot indykator Rrelative Strength Index (RSI) (Rrelative-Stärke-Index). ein 346rednia warto347263 wzrostu cen zamkni281cia zy dni b 346rednia warto347263 spadku cen zamkni281cia zy dni middot indykator Moving Average Convergence Divergence (MACD). Nieprzetworzone dane, sprawia322y 380e sie263 dzia322a322a z mniejsz261 skuteczno347ci261 b261d378 te380 w czasie uczenia wyst281powa322y du380e zak322oacutecenia. Prezentuj261c sieci zmian281 warto347ci zamiast warto347ci absolutnych, zwi281kszamy jej zdolno347ci prognostyczne. Cztery pierwsze zmienne zosta322y w zehn sposoacuteb przetworzone, aby zniwelowa263 niekorzystny wp322yw trendoacutew kursoacutew jak i te380 fakt, 380e na prze322omie lat, 347redni Kurs dla danego roku ulega zmianie. na Poni380ej przedstawiono jak doboacuter zmiennych wej347ciowych wp322ywa322y ostateczny wynik nauki sieci (przedstawiona Scherz zmiana warto347ci 347redniego b322281du kwadratowego MSE w zale380no347ci od krotno347ci powtoacuterze324 kolorem czerwonym oznaczony b322261d z Puli testowej ein Czarnym z Puli ucz261cej): Middot wykres dla zmiennych wej347ciowych przedstawionych powy380ej: Middot poza wymienionymi na pocz261tku zastosowano roacute380nice mi281dzy nast281pn261 ein bie380261c261 warto347ci261 kursu zamkni281cia Wyst281puj261 zak322oacutecenia w procesie uczenia i jest du380a roacute380nica w b322281dach dla warto347ci ucz261cych i testuj261cych middot poza wymienionymi na pocz261tku zastosowano roacute380nice mi281dzy kursem otwarcia ein zamkni281cia Nie ma du380ej roacute380nicy w b322281dach, ale w procesie uczenia bardzo wolno b322261d jest zmniejszany Wyodr281bnienie zbioru danych Zbioacuter danych trenuj261cych sk322ada322 si281 z 1750 wektoroacutew trenuj261cych, natomiast liczba wektoroacutew testuj261cych 250, przy czym wektory te S261 kolejne w szeregu czasowym po wektorach trenuj261cych. Wyboacuter odpowiedniej architektury sieci Wybieraj261c architektur281 sieci oparto si281 o literatur281, informacjach zdobyte na Internecie oraz w322asnych proacutebach. Zdecydowano si281 Sie haben soeben einen Artikel in den Warenkorb gelegt. Wg literatury dla sieci trzywarstwowej liczba neuronoacutew w warstwie ukrytej powinna si281 roacutewna263 sumie zmiennych wej347ciowych i wyj347ciowych. Taki wariant przyj281to, lecz poni380ej przedstawiono tak380e Wykresy MSE dla innych sieci: Middot 7-8-1 sie263 podstawowa: Middot Sie263 czterowarstwowa7-10-10-1: Trenowanie sieci Po przygotowaniu zmiennych wybraniu, sieci przyst261piono trenowania sieci tun. Najpierw zainicjowano losowe wagi dla po322261cze324, nast281pnie proacutebowano nauczy263 sie263 wykorzystuj261c roacute380ne warto347ci parametroacutew dla algorytmu ucz261cego - wstecznej propagacji8211 wspoacute322czynnik nauki (WN) i maksymaln261 roacute380nic281 mi281dzy zmienn261 wytrenowan261 ein zmienn261 w322a347ciw261 (DIF). Analizuj261c kilka przypadkoacutew przyj281to: Wn0.05, Dif0.2. Badan261 sie263 wytrenowano korzystaj261c z 40000 powtoacuterze324, wi281ksza liczba bardzo powoli zmniejsza322a b322261d szacowania. Wyniki testu wytrenowanej sieci Po wytrenowaniu sieci sprawdzono poprawno347263 dzia322ania sieci na 250 zmiennych testuj261cych, poroacutewnano wynik otrzymanych z sieci z rzeczywistymi. Przyj281to, 380e je380eli warto347263 otrzymana z sieci roacute380ni si281 o warto347263 mniejsza ni380 okre347lona (), wtedy sie263 prawid322owo przewidzia322a wynik. W ten sposoacuteb otrzymano nast281puj261ce wyniki: middot dla 0,3 skuteczno347263 sieci wynosi. 38 middot dla 0.4 skuteczno347263 sieci wynosi. 56 middot dla 0,45 skuteczno347263 sieci wynosi: 63 Tworz261c zehn Projekt podj281to si281 zadania teoretyczni du380o 322atwiejszego ni380 przewidzenie przysz322ej warto347ci, w dodatku przewidywane wyprzedzenie by322o tylko jedno dniowe. Mimo wszystko Problem nie nale380a322 tun prostych. Na wynik i sieci ma wp322yw bardzo Wiele zmiennych poprawno347263, takich jak przyj281te zmienne, ilo347263 wektoroacutew ucz261cych, architektura sieci, przyj281ta metoda uczenia sieci, wspoacute322czynniki dla odpowiedniego algorytmu. Jak ju380 wcze347niej napisa322em analizowanym Problemem zajmuj261 si281 roacute380ni naukowcy, instytuty badawcze, po347wi281caj261c na zu lata. Z pewno347ci261, graj261c na rynku walutowym 8211 Währungsrechner, nale380a322oby bezgranicznie ufa263 stworzonej podczas tego projektu sieci. Mimo wszystko wyniki uzyskane daj261 wi281ksz261 szanse na poprawne stwierdzenie kierunku ni380 przys322owiowy rzut monetom. Dalszym rozwojem projektu, mog322oby by263 okre347lenie procentowej zmiany kursu waluty, b261d378 te380 przewidywanie kierunku zmiany z d322u380szym wyprzedzeniem. Bibliografia middot Sieci neuronowe, algorytmy genetyczne ich systemy rozmyte Danuta Rutkowska, Maciej Pili324ski middot Sztuczne sieci neuronowe i metody statystyczne. Wybrane zagadnienia finansowe Dorota Witkowska middot Sieci neuronowe 8211 Prognosowanie finansowe ich projektowanie systemoacutew transakcyjnych U380yty Programm:
Comments
Post a Comment