Forex Vorhersage Algorithmen

Forex-Vorhersage Dieses Beispiel ist sehr ähnlich dem vorherigen. Der einzige Unterschied ist, dass es Daten für Devisen (Forex) Währungspaare zeigt. Arbeiten mit dem Applet Wenn Sie das erste Beispiel nicht gesehen haben. Bitte erkundigen Sie es zuerst - grundlegende Beschreibung ist dort vorhanden. In diesem Applet stehen folgende Daten zur Verfügung. Alle von ihnen sind am Ende des Tages schließen Werte für das ganze Jahr 2007, d. H. 313 Werte. Wie in dem vorherigen Applet weist jede dieser Zeitreihen folgende Werte auf: Null für Intervall unter 0, Schließenwert im Intervall 0-Zahl von Werten und wieder Null nach dem letzten bekannten Wert. EURUSD - EUR USD Forex Währungspaar Daten USDJPY - EUR USD Forex Währungspaar Daten USDCHF - EUR USD Forex Währungspaar Daten EURJPY - EUR USD Forex Währungspaar Daten Wieder beachten Sie, dass dieses Beispiel nur zur Veranschaulichung zur Verfügung gestellt wird. Trading mit diesem einfachen Setup ist in der Regel nicht weit von Vorhersage durch den letzten verfügbaren Wert. Beachten Sie auch, dass für den Handel müssen wir Ein-und Ausfahrt Regeln zu entwickeln, und dass sie wichtiger als exakte Vorhersage. Bitte warten Sie, bis das Applet geladen ist. Applet und Beschreibung (c) Marek Obitko, 2008 das neuronale Netzwerk im Applet verwendet Java-Klassen BPNeuron und BPNet aus NeuralWebspace, (c) Tom Vehovsk, 1998, die für die Zwecke dieses Applets modifiziert wurden. Funktionsvorhersage Dieses Applet veranschaulicht die Erstellung Des Trainings-Satzes und zeigt das Ergebnis der Vorhersage der Funktion xf (t) unter Verwendung eines neuronalen Netzes des Backpropagationstyps. Arbeiten mit dem Applet Geben Sie eine Funktion und den Bereich für die Arbeit mit dem Applet ein. Nach der Eingabe drücken Sie Enter und die Funktion wird angezeigt. Zur Konstruktion einer Funktion können folgende Parameter verwendet werden: Parameter x, Zahlen, Operatoren,,, -. , Klammern () und Funktionen abs, acos, acosh, asin, asinh, atan, atanh, cos, cosh, ln, log, sin, sinh, sqr, sqrt, tan und tanh. Als Rauschgenerator kann das Funktionsrauschen (x) verwendet werden, wobei x die Größe des Rauschens bedeutet (der Parameter kann auch eine Funktion sein). Geben Sie Parameter für die Erzeugung des Trainings-Sets ein, d. h. die Größe des Fensters, die Anzahl der Samples in einem Fenster, die Anzahl der Beispiele in dem Trainingsset und den Abstand des vorhergesagten Werts (die Anzahl der Samples vom Ende des Fensters). Das Sampling wird durch die Größe des Fensters und die Anzahl der Samples im Fenster bestimmt. Nach Eingabe der Parameter drücken Sie Enter und das Ergebnis wird in der Funktion angezeigt. Die Schaltfläche Trainings-Set zeigt das generierte Trainingsset an, das zB in den Systemen NeuralWorks und Neural WebSpace verwendet werden kann. Die Schaltfläche Net-Parameter zeigt einen Dialog, der die Einstellung zusätzlicher Parameter des Backpropagation-Netzwerks, wie nächste Schichten, Lernkoeffizienten und Impuls ermöglicht. Die Schaltfläche Reset net setzt die Gewichte des Netzwerks auf zufällige Werte zurück. Das NN-Training beginnt mit dem Zug-Button. Damit ist der Fortschritt der gelernten Approximation rot dargestellt. Für schnellere Lernergebnisse können Sie das Ergebnis ausschalten. Während des Trainings wird die Anzahl der Epochen zusammen mit dem Fehler der aktuell gelernten Näherung angezeigt. Der Fehler zeigt die durchschnittliche Abweichung der Werte auf den NN-Ausgängen von den erwarteten Ausgängen über das gesamte Trainingsset. Die Schaltfläche Schritt führt zur Ausbildung einer Epoche. Die Schaltfläche Error zeigt den Graphen der Netzwerkvorhersagefehlerentwicklung an. Wir können auswählen, was im Fenster angezeigt werden soll. Der Fehler auf dem Trainingsset wird rot dargestellt, der Fehler auf dem gesamten dargestellten Graphen wird blau dargestellt. Der Fehler auf dem Diagramm außer dem Trainings-Set (d. h. nach dem Trainings-Set) ist grau dargestellt. Die Fehler werden ab dem Zeitpunkt des Öffnens des Fensters angezeigt. Wenn dieses Fenster nicht geöffnet ist, werden Fehler nicht berechnet und ein schnelleres Lernen erreicht. Arbeiten mit Rauschen: Für die Eingabe von Rauschen in das Training verwenden Sie die Funktion Rauschen, zum Beispiel eingeben Funktion sin (x) Rauschen (0,5) zu lernen - dies fügt Rauschen der Größe 0,5 auf Sünde Funktion. Wählen Sie ein Netzwerk und trainieren Sie es an die Funktion mit Rauschen. Die gelernten Werte (in rot) entsprechen der Funktion mit Rauschen. Nach Eingabe der Funktion ohne Rauschen, zB sin (x). Ist es möglich zu sehen, wie das Netzwerk auf Daten ohne Rauschen reagiert. Normalerweise können wir sehen, dass das neuronale Netzwerk eine Funktion vorhersagen kann, auch wenn es ein Rauschen im Trainingsset gab. Für die Darstellung des Ergebnisses ist es natürlich notwendig, das Ergebnis des Ergebnisses einzuschalten. Warnung. Wenn kein Parameter des Netzwerks geändert wird, ändert sich im Netzwerk nichts, einschließlich seiner Topologie und Gewichte. Dies ermöglicht es, zu vergleichen, wie Netzwerk etwas anderes gelernt hat, als was dann vorhergesagt wird, oder um zu zeigen, wie schnell das Netzwerk ist, wenn es alte Inputs lernt. Allerdings kann es ein wenig verwirrend sein, wenn wir nicht erkennen, dass das Netzwerk nicht zurückgesetzt wurde, nachdem einige Eingänge geändert wurden. Aus diesem Grund müssen wir das Netz zuerst mit dem Reset-Button zurücksetzen. Bitte warten Sie, bis das Applet geladen ist. Applet und Beschreibung (c) Marek Obitko, 1999 das neuronale Netzwerk im Applet verwendet Java-Klassen BPNeuron und BPNet aus NeuralWebspace, (c) Tom Vehovsk, 1998, die für die Zwecke dieses Applets modifiziert wurden.