Прогнозирование временных рядов с помощью Deductor Academic 5.2 - страница 5

Да все он показывает и развороты и силу .

Все зависит от тфреймов и настроек . От 70% до 95%

где-то так но на мощных новостях увы.

Да и новости ему по барабану . Я о новостях узнаю из прогноза Деда.

Очень желательны доказательства. Это большая новость, что на нестационарных участках ВР возможен прогноз. Вы единственный кто это утверждает, с другими не знаком.

Доказывать что-либо не благодарное дело, на самом деле получить хороший прогноз чрезвычайно тяжело . Очень много факторов влияют на создание точного прогноза, к примеру такая вещь если делаете прогноз то лучше делать в начале суток, не стоит делать прогноз в середине торговых сессий.Можно делать прогноз когда одна сессия отыграла полностью но,но окно по погружений в историю нужно отодвигать 24час +1-на торговая сессия..... Лучшее прогнозы получаются на 5 мин., нейрон.сетью, как не прискорбно это признавать, я органически не переношу н.сеть т.к. 95% это фуфло, однако настроить сеть нужно для каждой пары отдельно, это тоже занимает массу времени и есть свои тонкости...... На самом деле тонкостей очень много .

Да, забыл добавить важную часть .Если хотите обновить прогноз то вам придется снести блок линейной или н.сеть и заново запустить обработку . В противном случае вы получите обновление но со старыми коэффициентами, они не будут обновлены . При сносе и запуске новых блоков вы получите свежие коэффициенты.

Все до свидания .

Весьма слабоватенький этот самый DA.

Гонял его на простом классическом примере распознавания:

Строки примеров:

1. Птица

2. Муха

3. Самолет

4. Планер

5. Некрылатая ракета

Первые шесть колонок- входные признаки распознаваемых объектов. Остальные колонки - выходы.

Сетка двуслойная: 6 x 2 x 6 x 6

При тестировании на Back Propagation вообще облом - 40% (линейная сепарабельность) из обучающей выборки при условии: считать объект распознанным, если ошибка менее 0.01

Т.е. ни самолет, ни планер, ни ракета оказались нераспознанными - на всех выходах при любых входах только отрицательные значения. Птица и планер распознались достаточно точно. Выход отличий биологических объектов от механических тоже достаточно точно распознался.

При испытании RPROP при тех же условиях и той же самой архитектуре, результаты получше:

Т.е. здесь уже линейная сепарабельность 100%, но ошибки присутствуют.