Forex Neuronale Netzwerk Vorhersage

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. Prediction Predicting macht Ansprüche über etwas Das passiert, oft auf Informationen aus der Vergangenheit und aus dem aktuellen Zustand basiert. Jeder löst das Problem der Vorhersage jeden Tag mit verschiedenen Erfolgsgraden. Zum Beispiel Wetter, Ernte, Energieverbrauch, Bewegungen von Forex (Devisen) Währungspaaren oder Aktien von Aktien, Erdbeben und viele andere Dinge müssen vorhergesagt werden. Im technischen Bereich können vorhersagbare Parameter eines Systems oft mit Gleichungen ausgedrückt und ausgewertet werden - Vorhersage ist dann einfach Auswertung oder Lösung solcher Gleichungen. Aber praktisch stehen wir vor Problemen, wo eine derartige Beschreibung zu kompliziert oder gar nicht möglich wäre. Darüber hinaus könnte die Lösung durch dieses Verfahren sehr kompliziert sein rechnerisch, und manchmal würden wir die Lösung erhalten, nachdem das Ereignis vorhergesagt wurde. Es ist möglich, verschiedene Annäherungen zu verwenden, beispielsweise die Regression der Abhängigkeit der vorhergesagten Variablen von anderen Ereignissen, die dann in die Zukunft extrapoliert werden. Das Finden einer solchen Annäherung kann auch schwierig sein. Dieser Ansatz bedeutet im Allgemeinen das Erstellen des Modells des vorhergesagten Ereignisses. Neuronale Netze können für die Vorhersage mit verschiedenen Ebenen des Erfolgs verwendet werden. Der Vorteil besteht dann aus dem automatischen Erlernen von Abhängigkeiten nur aus Messdaten, ohne dass weitere Informationen hinzugefügt werden müssen (zB Art der Abhängigkeit wie bei der Regression). Das neuronale Netzwerk wird aus den historischen Daten geschult, mit der Hoffnung, dass es verborgene Abhängigkeiten entdeckt und es in der Lage sein wird, sie für die Zukunft vorauszusagen. Mit anderen Worten, das neuronale Netzwerk wird nicht durch ein explizit gegebenes Modell repräsentiert. Es ist mehr eine Black Box, die etwas lernen kann. Es ist möglich, verschiedene Arten von Daten vorherzusagen, aber im weiteren Text werden wir uns auf die Vorhersage von Zeitreihen konzentrieren (siehe Abbildung 1). Die Zeitreihe zeigt die Entwicklung eines Zeitwertes. Natürlich kann der Wert auch durch andere Faktoren beeinflusst werden als nur die Zeit. Die Zeitreihe stellt den diskreten Verlauf eines Wertes dar und kann aus einer kontinuierlichen Funktion mit Hilfe von Stichproben gewonnen werden. Abbildung 1 - Beispiel für Zeitreihen