Algoritmos De Previsão De Forex

Previsão Forex Este exemplo é muito semelhante ao anterior. A única diferença é que ele mostra dados para divisas (forex) pares de moedas. Como trabalhar com o applet Se você não viu o primeiro exemplo. Por favor, explore primeiro - a descrição básica está disponível lá. Neste applet, os dados a seguir estão disponíveis. Todos eles são valores próximos do fim do dia para todo o ano de 2007, ou seja, 313 valores. Como no applet anterior, cada uma dessas séries temporais tem os seguintes valores: zero para intervalo abaixo de 0, valor de fechamento no intervalo 0-número de valores e novamente zero após o último valor conhecido. EURUSD - USD EUR USD moeda estrangeira dados par USDJPY - EUR USD moeda estrangeira par dados USDCHF - EUR USD moeda estrangeira par dados EURJPY - EUR USD moeda estrangeira par dados Observe novamente que este exemplo é fornecido apenas para ilustração. O comércio usando esta configuração simples geralmente não está longe de usar a previsão pelo último valor disponível. Observe também que, para o comércio, precisamos desenvolver regras de entrada e saída e que são mais importantes do que a previsão exata. Aguarde até que o applet seja carregado. Applet e descrição (c) Marek Obitko, 2008, a rede neural no applet usa classes Java BPNeuron e BPNet da NeuralWebspace, (c) Tom Vehovsk, 1998, que foram modificadas para os propósitos deste applet. Previsão de função Este applet ilustra a criação De conjunto de treinamento e mostra o resultado da predição da função xf (t) usando rede neural de tipo backpropagation. Como trabalhar com o applet Digite uma função e o intervalo para trabalhar com o applet. Depois de entrar, pressione Enter e a função será exibida. O seguinte pode ser usado para construir uma função: parâmetro x, números, operadores,,, -. Parêntesis () e funções abs, acos, acosh, asin, asinh, atan, atanh, cos, cosh, ln, log, sin, sinh, sqr, sqrt, tan e tanh. Como um gerador de ruído, o ruído da função (x) pode ser usado, onde x significa tamanho do ruído (o parâmetro também pode ser uma função). Insira os parâmetros para a geração do conjunto de treinamento, ou seja, o tamanho da janela, o número de amostras em uma janela, o número de exemplos no conjunto de treinamento e a distância do valor previsto (o número de amostras do final da janela). A amostragem é determinada pelo tamanho da janela e pelo número de amostras na janela. Depois de inserir os parâmetros, pressione Enter e o resultado será exibido na função. O botão Conjunto de Treinamento mostrará um conjunto de treinamento gerado que pode ser usado, por exemplo, nos sistemas NeuralWorks e Neural WebSpace. O botão Net parâmetros mostrará uma caixa de diálogo que permite a configuração de parâmetros adicionais da rede de backpropagation, como as próximas camadas, coeficientes de aprendizagem e momentum. O botão Redefinir rede redefinirá os pesos da rede para valores aleatórios. O treinamento NN começará pressionando o botão Trem. Com isso, o progresso da aproximação aprendida é mostrado em vermelho. Para uma aprendizagem mais rápida, mostrar o resultado pode ser desligado. Durante o treinamento, o número de épocas é mostrado juntamente com o erro da aproximação atualmente aprendida. O erro mostra o desvio médio dos valores nas saídas NN das saídas esperadas em todo o conjunto de treinamento. O botão Step causará o treinamento de uma época. O botão Erro mostrará o gráfico da evolução do erro de previsão da rede. Podemos selecionar o que mostrar na janela. O erro no conjunto de treinamento é mostrado em vermelho, o erro em todo o gráfico mostrado é mostrado em azul. O erro no gráfico, exceto o conjunto de treinamento (ou seja, depois do conjunto de treinamento) é mostrado em cinza. Os erros são mostrados a partir do momento da abertura da janela. Quando esta janela não está aberta, os erros não são computados e a aprendizagem mais rápida é alcançada. Trabalhar com ruído: para entrar no ruído no conjunto de treinamento, use o ruído da função, por exemplo, entre a função sin (x) ruído (0,5) a ser aprendido - isso adiciona ruído de tamanho 0,5 à função de pecado. Escolha uma rede e treine-a para a função com ruído. Os valores aprendidos (em vermelho) correspondem a função com ruído. Depois de entrar na função sem ruído, por exemplo, pecado (x). É possível ver como a rede responde aos dados sem barulho. Normalmente, podemos ver que a rede neural pode prever uma função mesmo quando houve um ruído no conjunto de treinamento. Para mostrar o resultado é, é claro, necessário ter a exibição do resultado ativado. Atenção . Se nenhum parâmetro da rede for alterado, nada será alterado na rede, incluindo sua topologia e pesos. Isso permite comparar a forma como a rede aprendeu algo diferente do que está sendo previsto ou para ilustrar a rapidez com que a rede está desativando entradas antigas. No entanto, pode ser um pouco confuso quando não percebemos que a rede não foi reiniciada depois de alterar algumas entradas. É por isso que, para aprender desde o início, devemos redefinir a rede primeiro usando o botão Redefinir. Aguarde até que o applet seja carregado. Applet e descrição (c) Marek Obitko, 1999, a rede neural no applet usa classes Java BPNeuron e BPNet da NeuralWebspace, (c) Tom Vehovsk, 1998, que foram modificadas para os propósitos deste applet.