โครงข่ายประสาท เฉลี่ยเคลื่อนที่

เครือข่ายประสาทเทียม 2 ค่าเฉลี่ยเคลื่อนที่เครือข่ายประสาทเทียมผู้ให้คำปรึกษาโดยผู้เชี่ยวชาญคำนวณจากค่าเฉลี่ยเคลื่อนที่สองค่าที่มีรูปแบบการฝึกอบรม ฝึกอบรมที่ปรึกษาผู้เชี่ยวชาญในตัวอย่างที่เลือกและทำกำไรในชีวิตจริง EA สามารถใช้เครื่องมือใด ๆ และในระยะเวลาใดก็ได้ อัลกอริธึมการซื้อขายของอีเอสองค่าเฉลี่ยเคลื่อนที่จะถูกวิเคราะห์โดยแกนเครือข่ายประสาทซึ่งเป็นคำสั่งซื้อหรือขาย ค่าของสองค่าเฉลี่ยเคลื่อนที่เคลื่อนที่เร็ว (FMA) และช้า (SMA) อยู่ที่ชั้นแรกในชั้นที่สองจะคำนวณสองเซลล์ประสาทที่รับผิดชอบในการซื้อ (N buy) และ Sell (N sell) การตัดสินใจซื้อ หรือขายได้ในระดับที่สาม แผนผังบล็อกของเครือข่ายประสาทจะแสดงในรูป การฝึกอบรมที่ปรึกษาผู้เชี่ยวชาญในโหมดการฝึกอบรม EA จะจดจำค่าของค่าเฉลี่ยเคลื่อนที่ที่ทำเครื่องหมายไว้โดยผู้ใช้ในแผนภูมิของเครื่องมือสกุลเงิน ในอนาคตในระหว่างการดำเนินการตามปกติจะตระหนักถึงค่าของค่าเฉลี่ยเคลื่อนที่ที่เคลื่อนที่ ในการฝึกอบรมเครื่องหมาย EA อย่างน้อยหนึ่งการค้าระยะสั้นและสั้น ๆ หนึ่งครั้งในแผนภูมิ เพื่อบ่งชี้ถึงการค้าที่ยาวนานใช้ลูกศรซื้อและสำหรับการค้าระยะสั้นใช้ลูกศรขาย คุณสามารถวางลูกศรขึ้นบนแผนภูมิได้ ลูกศรมากขึ้นอีกต่อไปจะเป็นกระบวนการของการฝึกอบรม การปรากฏตัวของวัตถุอื่น ๆ ในแผนภูมิอื่นที่ไม่ใช่ลูกศรเป็นสิ่งที่ไม่พึงปรารถนา หลังจากการฝึกอบรมโฟลเดอร์ NN 2MA จะถูกสร้างขึ้นในโฟลเดอร์ทั่วไปของเทอร์มินัล จะมีไฟล์ HHHHHHNN2MA. bin ด้วยการตั้งค่าของเครือข่ายประสาทที่ผ่านการฝึกอบรมแล้ว XXXXXX ในชื่อไฟล์เป็นชื่อของเครื่องมือทางการเงิน ในการทำงานตามปกติ EA จะโหลดข้อมูลจากไฟล์ หากไม่พบไฟล์ระบบจะใช้การตั้งค่าเริ่มต้น โดยค่าเริ่มต้น EA จะได้รับการฝึกอบรมที่ USDJPY และระยะเวลาหนึ่งชั่วโมงการซื้อขายจะถูกเลือกในปี 2012 พารามิเตอร์การป้อนข้อมูลต่อไปนี้มีความรับผิดชอบสำหรับการฝึกอบรม EA: จำนวนน้ำหนักต่อเซลล์ประสาท เท่ากับความยาวของ MA เริ่มต้น - 48 จำนวนรอบของการฝึกอบรม - ค่าเริ่มต้น 100 ค่าที่สูงขึ้นการฝึกอบรมจะนานขึ้น ในรุ่นทดลองใช้คือ 10. Factor b - ค่าส่งผลต่อความเร็วในการแก้ไขน้ำหนักของเซลล์ประสาทใช้สำหรับการฝึกอบรมเครือข่าย ค่าเริ่มต้นคือ 0.7 ไม่จำเป็นต้องเปลี่ยน โหมดการเรียนรู้ EA - เปิดโหมดการฝึกอบรมของ EA ตัวอย่างของการระบุธุรกิจการค้าสำหรับการฝึกอบรม EA มีอยู่ในภาพ การตั้งค่าโหมดปกติการตั้งค่าของค่าเฉลี่ยเคลื่อนที่คุณสามารถปรับการตั้งค่าของค่าเฉลี่ยเคลื่อนที่แต่ละค่าได้เช่นช่วงเวลาราคาโหมดการคำนวณ ปริมาณการสั่งซื้อ - ค่าดีฟอลต์คือ 0.1 ค่าของ slippages ในจุด - ค่าเริ่มต้นคือ 30 จำนวนของความพยายามที่จะเปิดตำแหน่ง - ค่าเริ่มต้นคือ 5 Level StopLoss ในจุด - เริ่มต้นคือ 0 ระดับ TakeProfit ในจุด - เริ่มต้นคือ 0 ระดับ TrailingStop ในจุด - ค่าเริ่มต้นคือ 650 อนุญาตให้ การจัดการเงิน - การควบคุมขนาดการสั่งซื้อเพื่อเข้าสู่ตลาดโดยใช้ defalt หากปิดใช้งานโหมดนี้ขนาดคำสั่งจะถูกนำมาจาก Volume of order parameter ปริมาณคำสั่งซื้อเป็นเปอร์เซ็นต์ของเงินฝาก - ใช้เพื่อควบคุมขนาดใบสั่งซื้อโดยค่าเริ่มต้นคือ 5 เปอร์เซ็นต์ การเพิ่มตำแหน่งเปิด - เปิดใช้งานตามค่าเริ่มต้น หากมีสัญญาณเข้าสู่ตลาดในทิศทางของตำแหน่งที่เปิดอยู่ EA จะเข้าสู่ตลาด การตั้งค่าของเครือข่ายประสาทเทียมจำนวนน้ำหนักต่อเซลล์ประสาท เท่ากับความยาวของ MA ยิ่งค่าที่สูงขึ้นเท่าใดตลาดรัฐในปัจจุบันก็จะได้รับการยอมรับมากขึ้นเท่านั้น แต่จะช่วยลดจำนวนธุรกิจการค้า มูลค่าที่ต่ำกว่ารัฐตลาดปัจจุบันจะได้รับการยอมรับน้อยลง แต่จำนวนธุรกิจการค้าเพิ่มขึ้น ค่าของการเปิดใช้งานของ neuron ค่านี้มีค่าประมาณ 0.75 ของจำนวนน้ำหนักต่อเซลล์ประสาท ยิ่งมีค่ามากเท่าไรก็ยิ่งเข้มงวดมากขึ้นคือการเลือกเซลล์ประสาทในการตัดสินใจ ในรุ่นทดลองใช้คือ 40 จำนวนรอบการฝึกอบรม - ค่าเริ่มต้นคือ 100 ปัจจัย b ความเร็วในการแก้ไขน้ำหนักค่าเริ่มต้นคือ 0.7 โหมดการเรียนรู้ EA โหมดการฝึกอบรม EA ระหว่างการฝึกอบรมค่าสูงสุดของเซลล์ประสาทจะแสดงในความคิดเห็นในแผนภูมิ ค่าเหล่านี้สามารถใช้เป็นค่ากระตุ้นของเซลล์ประสาทได้ ตัวอย่างดังแสดงในภาพ เปิดใช้งานความคิดเห็น - เปิดใช้งานความคิดเห็นในแผนภูมิ Magic จำนวนที่ปรึกษา หยุดชั่วคราวหลังจากซื้อขายเป็นมิลลิวินาที โดยค่าเริ่มต้น EA ได้รับการฝึกอบรมเกี่ยวกับ USDJPY H1 ในสองธุรกิจการค้าในปี 2012 ผลการทดสอบ Expert Advisor ในปี 2013 แสดงในภาพฉันเข้าใจว่าเครือข่ายประสาทที่มีเลเยอร์ซ่อนไว้จำนวนหนึ่ง ๆ สามารถใช้ฟังก์ชั่นไม่เชิงเส้นได้ แต่สามารถทำได้ ประมาณ: ฉันไม่สามารถคิดวิธีการที่จะทำได้ ดูเหมือนจะเป็นข้อ จำกัด ที่เห็นได้ชัดมากของโครงข่ายประสาทที่อาจ จำกัด สิ่งที่สามารถทำได้ ตัวอย่างเช่นเนื่องจากข้อ จำกัด นี้เครือข่ายประสาทอาจจะไม่สามารถใช้งานได้อย่างถูกต้องในหลายสถิติเช่น Exponential Moving Average หรือแม้แต่ความแปรปรวน การพูดถึงค่าเฉลี่ยเคลื่อนที่ค่าเครือข่ายประสาทที่เกิดขึ้นอีกอย่างถูกต้องอาจเป็นไปได้ว่าฉันเข้าใจว่าเครือข่ายประสาทแบบ feedforward หรือแม้แต่เส้นประสาทเดี่ยวสามารถส่งค่าเฉลี่ยเคลื่อนที่โดยใช้เทคนิคหน้าต่างบานเลื่อนได้ แต่จะเกิดขึ้นได้อย่างไรหากไม่มีจำนวนชั้นที่ซ่อนอยู่ (X เป็นขนาดเฉลี่ยเคลื่อนที่) นอกจากนี้ให้เราสมมติว่าเราไม่ทราบฟังก์ชันเดิม f. ซึ่งเกิดขึ้นเพื่อรับค่าเฉลี่ยของปัจจัยการผลิต 500 รายการล่าสุดจากนั้นจึงส่งออกค่า 1 ถ้าสูงกว่า 3 และ 0 ถ้าไม่ใช่ แต่สำหรับที่สองหลอกว่าเราไม่ทราบว่ากล่องสีดำของมัน เครือข่ายประสาทเทียมที่เกิดขึ้นจะประมาณว่าเราจะต้องทราบว่าควรจะมีกี่จังหวะเท่าที่เราต้องการ บางทีเครือข่าย LSTM ได้ แต่แม้แล้วสิ่งที่ถ้าไม่ได้เป็นค่าเฉลี่ยเคลื่อนที่ของมันเป็นค่าเฉลี่ยเคลื่อนที่ของการชี้แจงฉันไม่คิดว่าแม้ LSTM สามารถทำมันได้ แม้จะเลวร้ายยิ่งขึ้นสิ่งที่ถ้า f (x, x1) ที่เรากำลังพยายามที่จะเรียนรู้ก็ง่ายๆนั่นดูง่ายและตรงไปตรงมา เครือข่ายประสาทสามารถเรียนรู้ได้ไหมฉันไม่เข้าใจว่าอย่างไร มีอะไรบ้างที่นี่หรือขั้นตอนวิธีการเรียนรู้ด้วยเครื่องจักรมาก ๆ มีเทคนิคการเรียนรู้อื่น ๆ นอกเหนือจากเครือข่ายประสาทที่สามารถทำอะไรได้บ้างประเด็นสำคัญที่ต้องเข้าใจคือมีขนาดกะทัดรัด เครือข่ายประสาทเทียม (เช่นเดียวกับโครงสร้างพิกัดอื่น ๆ เช่นพหุนาม spline หรือ Radial Basis Functions) สามารถประมาณฟังก์ชันต่อเนื่องได้เฉพาะภายในชุดที่มีขนาดกะทัดรัดเท่านั้น กล่าวอีกนัยหนึ่งทฤษฎีระบุว่าได้รับ: แล้วมีเครือข่ายประสาทที่ approximates f (x) มีข้อผิดพลาดประมาณน้อยกว่า epsilon ทุกที่ภายใน a, b. เกี่ยวกับตัวอย่างของ f (x) x 2 ใช่คุณสามารถประมาณได้ด้วยเครือข่ายประสาทเทียมภายในขอบเขต จำกัด : -1,1 0, 1000 ฯลฯ เพื่อให้เห็นภาพนี้สมมติว่าคุณประมาณ f (x) ภายใน -1,1 ด้วย Step Function คุณสามารถทำมันได้บนกระดาษโปรดทราบว่าถ้าคุณทำตามขั้นตอนแคบพอสมควรคุณสามารถบรรลุความถูกต้องได้ วิธีที่เครือข่ายประสาทเทียมประมาณ f (x) ไม่แตกต่างกันมากนัก แต่อีกครั้งไม่มีเครือข่ายประสาท (หรือโครงสร้างประมาณอื่น ๆ ) มีจำนวน จำกัด ของพารามิเตอร์ที่สามารถประมาณ f (x) x 2 สำหรับ x ทั้งหมดใน -, ฉันเข้าใจเครือข่ายประสาทที่มีจำนวนชั้นซ่อนใด ๆ สามารถประมาณฟังก์ชั่นไม่เชิงเส้น แต่ก็สามารถประมาณ: วิธีเดียวที่ฉันจะทำให้ความรู้สึกของคำถามที่เป็นที่ youre พูดถึงการอนุมาน. เช่น ให้ตัวอย่างการฝึกอบรมในช่วง -1 lt x lt 1 เครือข่ายประสาทสามารถเรียนรู้ถึงค่าที่เหมาะสมสำหรับ x gt 100 ได้สิ่งที่คุณหมายถึงถ้าคุณเคยทราบมาก่อนว่าฟังก์ชันที่คุณพยายามจะประมาณจะน้อยมาก พหุนาม (หรือชุดของฟังก์ชันอื่น ๆ ) จากนั้นคุณก็สามารถสร้างเครือข่ายประสาทที่สามารถแสดงฟังก์ชันเหล่านี้และคาดการณ์ x2 ได้ทุกที่ หากคุณ dont มีความรู้ก่อนสิ่งที่เป็นบิตยาก: มีฟังก์ชั่นเรียบมากมายอนันต์ที่พอดี x2 ในช่วง -1..1 ที่ดีที่สุดและ theres ไม่มีเหตุผลที่ดีว่าทำไมเราจะคาดหวัง x2 ให้คาดการณ์ที่ดีกว่าอื่นใด ฟังก์ชัน กล่าวอีกนัยหนึ่ง: ถ้าเราไม่มีความรู้เกี่ยวกับฟังก์ชั่นพยายามที่จะเรียนรู้เราจะอยากเรียนรู้อะไรเกี่ยวกับ x-gt x2 ในขอบเขตของชุดฝึกอบรมเทียม x2 อาจเป็นฟังก์ชันที่เป็นไปได้ แต่ในโลกแห่งความเป็นจริงอาจไม่ใช่ เพื่อให้เป็นตัวอย่าง: ให้บอกว่าอุณหภูมิในวันจันทร์ (t0) คือ 0 ในวันอังคารที่ 1 ในวันพุธ 4. เราไม่มีเหตุผลที่จะเชื่อว่าอุณหภูมิจะทำตัวเหมือนพหุนามที่มีลำดับต่ำดังนั้นเราจึงไม่อยากอนุมานจากข้อมูลนั้น ว่าอุณหภูมิวันจันทร์ถัดไปอาจจะประมาณ 49 นอกจากนี้ให้เราสมมติเรา dont ทราบฟังก์ชันเดิม f ซึ่งเกิดขึ้นจะได้รับค่าเฉลี่ยของล่าสุด 500 ปัจจัยการผลิตแล้วออก 1 ถ้าสูงกว่า 3 และ 0 ถ้า มันไม่ใช่. แต่สำหรับที่สองหลอกว่าเราไม่ทราบว่ากล่องสีดำของมัน เครือข่ายประสาทเทียมที่เกิดขึ้นจะคล้ายกับที่ผมคิดอย่างไรคำถามสองข้อคือประการแรกเครือข่ายประสาทสามารถแสดงถึงฟังก์ชันนี้ได้ จะมีชุดของน้ำหนักที่จะให้ตรงกับพฤติกรรมที่เห็นได้ชัดว่าขึ้นอยู่กับสถาปัตยกรรมเครือข่าย แต่ฉันคิดว่าเราสามารถมากับสถาปัตยกรรมที่สามารถแสดง (หรืออย่างใกล้ชิดประมาณ) ชนิดของการทำงานนี้ คำถามที่สอง: สามารถเรียนรู้ฟังก์ชันนี้ให้ตัวอย่างการฝึกอบรมได้ดีถ้าขั้นตอนการเรียนรู้ของคุณไม่ได้รับการติดอย่างน้อยที่สุดในระดับท้องถิ่นตรวจสอบว่า: ถ้าคุณมีตัวอย่างการฝึกอบรมเพียงพอชุดน้ำหนักใด ๆ ที่ไม่ได้ใกล้เคียงกับฟังก์ชันของคุณจะทำให้ข้อผิดพลาดในการฝึกพลาดมากขึ้น ที่ 0 ในขณะที่ชุดของน้ำหนักที่เหมาะสมกับฟังก์ชั่นที่คุณต้องการเรียนรู้มีข้อผิดพลาดในการฝึกอบรม 0 ดังนั้นหากคุณพบเครือข่ายที่ดีที่สุดทั่วโลกเครือข่ายต้องพอดีกับฟังก์ชั่น เหตุผลที่ฉันคิดถึง x2 และค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายหรือเชิงเส้นโดยเฉพาะอย่างยิ่งเป็นเพราะใช้ในการทำนายตลาดการเงินในการวิเคราะห์ทางเทคนิค ฉันหวังว่าเครือข่ายประสาทอาจจะเรียนรู้ขั้นตอนวิธีและการค้าตามพวกเขาโดยไม่ต้องแรกต้องรหัสยากและป้อนผลของพวกเขา อย่างไรก็ตามฉันกำลังพยายามหาว่าเครือข่ายประสาทสามารถเรียนรู้ฟังก์ชันเช่นนี้ได้หรือไม่ ฉันเข้าใจว่า x2 ไม่เป็นประโยชน์อย่างยิ่งสำหรับการทำนายสภาพอากาศและอาจทำให้เครือข่ายทำนาย 49 องศาในวันจันทร์ถัดไป แต่ฉันแน่ใจว่าฉันสามารถเรียนรู้ฟังก์ชันพหุนามอาจเป็นประโยชน์ สำหรับการคาดการณ์ราคา FOREX เป็นต้น ฉันเข้าใจบางทีสถาปัตยกรรมเครือข่ายที่แตกต่างจากที่ฉันมีอยู่ในใจจะมีความสามารถ แต่ฉันไม่ทราบว่าสถาปัตยกรรมใด ๆ ที่สามารถเป็นตัวแทนของ f (x, x1) xx1 ฉันคิดว่าฉันอาจใช้คำที่ผิดแทนแทนที่จะเป็นตัวแทน แต่ฉันเชื่อว่าคุณ ยังเข้าใจสิ่งที่ฉันกำลังพยายามจะพูดได้ดี ขออภัยฉันไม่สามารถแก้ไขโพสต์ครั้งล่าสุดได้ทันเวลา ฉันเข้าใจเครือข่ายประสาทที่มีจำนวนชั้นซ่อนใด ๆ สามารถประมาณฟังก์ชันไม่เชิงเส้น แต่ก็สามารถประมาณ: ใช่สามารถ. ฉันไม่รู้ว่าอะไรทำให้คุณคิดว่าเป็นหน้าที่ที่ยากที่จะประมาณหนึ่งที่ง่ายมาก เมื่อได้รับยูนิตที่ซ่อนไว้อย่างเพียงพอเครือข่ายประสาทสามารถประมาณฟังก์ชันใด ๆ ได้ตามความแม่นยำโดยพลการในช่วงที่กำหนดไว้ การพูดถึงค่าเฉลี่ยเคลื่อนที่ค่าของเครือข่ายประสาทที่เกิดขึ้นได้จะเป็นไปได้อย่างถูกต้องใช่หรือไม่? เป็นอีกปัญหาที่ง่ายมากที่ดูเหมือนว่าจะเป็นเรื่องยากสำหรับเหตุผลที่คุณไม่ได้แบ่งปัน คุณสามารถดูวิธีแก้ปัญหาเล็กน้อยโดยการสร้างสถานะที่ซ่อนอยู่ขนาดใหญ่พอที่จะมีทั้งประวัติและส่วนที่เหลือของเครือข่ายเพื่อคำนวณค่าเฉลี่ยจากสถานะที่ซ่อนอยู่ที่เกิดขึ้นอีก ก่อนอื่นเราต้องทราบจำนวนครั้งที่ควรมีซึ่งเราไม่ Thats ปัญหาการปรับพารามิเตอร์เหล่านี้ได้รับการจัดการก่อน คุณสามารถค้นหาข้อมูลเพิ่มเติมได้โดยง่าย มีอะไรบ้างที่นี่หรือขั้นตอนวิธีการเรียนรู้ด้วยเครื่องจักรที่ จำกัด มากมีเทคนิคการเรียนรู้อื่น ๆ นอกเหนือจากเครือข่ายประสาทเทียมที่สามารถทำสิ่งนี้ได้ใช่หรือไม่คุณดูเหมือนจะขาดความเข้าใจที่แท้จริงเกี่ยวกับโครงข่ายประสาทเทียม คำแถลงแรกของฉันที่เข้าใจเครือข่ายประสาทด้วยจำนวนเลเยอร์ที่ซ่อนไว้ใด ๆ สามารถประมาณฟังก์ชันที่ไม่เป็นเชิงเส้นได้ แต่สามารถแสดงให้เห็นว่าคุณไม่เข้าใจคำที่คุณกำลังใช้อยู่จริงหรือไม่ มีหัวข้อที่น่าสนใจมากมายที่คุณอาจไม่สามารถเข้าใจหรือเชื่อมโยงกันได้และไม่มีใครสามารถตั้งค่าให้คุณตรงในรูปแบบ QampA แบบง่ายๆ หากคุณต้องการเข้าใจสิ่งที่เกิดขึ้นให้ใช้หลักสูตรปริญญาโทด้านการเรียนรู้ด้วยเครื่องและเครือข่ายประสาทเทียมโดยเฉพาะอย่างยิ่ง จุดเริ่มต้นที่ดีคือวิดีโอเหล่านี้ถ้าคุณมีความรู้ที่ดีอยู่แล้ว ตอบวันที่ 1 ก. ย. 14 เวลา 16:37 นี่ไม่ใช่สถานที่ที่เหมาะสมในการสอน คว้าหนึ่งในหลาย ๆ เรื่องเกี่ยวกับเรื่องและอ่านว่า แม้คุณจะไม่ได้พิจารณาถึงประเภทของฟังก์ชันการเปิดใช้งานหรือว่ามีหน่วยมากกว่าหนึ่งหน่วยต่อหนึ่งอินพุทหรืออาจมีเลเยอร์ที่ซ่อนอยู่มากมาย (ไม่ใช่ว่าจำเป็น แต่ช่วยให้เข้าใจ) ndash Raff. Edward Sep 1 14 at 19:09 Raff Edward คุณหยาบคายและดูหมิ่นในคำตอบของคุณเพียงเพราะคุณและไม่ใช่ Essam ไม่เข้าใจข้อ จำกัด ทางทฤษฎีของ Neural Networks NO, NO, NO ไม่มีเครือข่ายประสาทใดสามารถเรียนรู้ฟังก์ชัน f (x) xx และสามารถเรียนรู้ฟังก์ชันอนันต์จำนวนมากมายได้เว้นแต่คุณจะสมมติว่าไม่สามารถใช้งานได้: 1- จำนวนอนันต์ของตัวอย่างการฝึกอบรม 2- จำนวนอนันต์ของหน่วย (สัญญาณว่าในที่สุดมีรูปแบบทางสถิติบางอย่างที่สามารถแสดงโดยการทำงานอย่างต่อเนื่องบางส่วน) แต่ thats มันไม่มี Heres คำแนะนำ: ลอง เพื่อสร้าง NN ที่ใช้อินพุตข้อมูล n1 (x0, x1, x2. xn) และจะกลับเป็นจริง (หรือ 1) ถ้า (2 x0) อยู่ในส่วนที่เหลือของลำดับ และโชคดี. ฟังก์ชันที่ไม่มีที่สิ้นสุดโดยเฉพาะอย่างยิ่งที่เป็น recursive ไม่สามารถเรียนรู้ได้ พวกเขาเป็นเพียงแค่ Raff Edward เข้าใจผิดคำถามของฉัน เขาค่อนข้างถูกต้องในการบอกว่าเครือข่ายประสาทสามารถทำงานโดยประมาณได้ แต่ส่วนสำคัญที่ทั้งเขาและฉันไม่ได้ระบุอย่างถูกต้องก็คือว่ามันสามารถประมาณฟังก์ชัน quotboundedquot ใด ๆ ได้ ซึ่งหมายความว่ามันสามารถประมาณ f (x) ถ้า x มีช่วงอนันต์ตามที่ Panagiotis ชี้ให้เห็น ndash Essam Al-Mansouri Jan 10 at 9: 03 การปรับปรุงโมเดลการเคลื่อนที่แบบถดถอยเชิงบูรณาการแบบอัตโนมัติโดยใช้ตรรกะคลุมเครือและเครือข่ายประสาทเทียม (ANNs) การคาดการณ์อนุกรมเวลาเป็นพื้นที่วิจัยที่กระตือรือร้นซึ่งดึงดูดความสนใจเป็นอย่างมากสำหรับการใช้งานในหลายพื้นที่ โมเดล ARIMA แบบถดถอยเชิงบูรณาการแบบอัตโนมัติ (Auto-Regressive Integrated Moving Average) เป็นโมเดลที่ใช้เวลาในการพยากรณ์ตลาดการเงินที่สำคัญที่สุดในช่วงสามทศวรรษที่ผ่านมา กิจกรรมการวิจัยล่าสุดในการคาดการณ์ชุดเวลาแสดงให้เห็นว่าข้อ จำกัด พื้นฐานสองข้อจะลดความนิยมของพวกเขาในการคาดการณ์อนุกรมเวลาทางการเงิน: (a) โมเดล ARIMA สมมติว่าค่าในอนาคตของชุดเวลามีความสัมพันธ์เชิงเส้นกับค่าปัจจุบันและอดีตรวมทั้งเสียงสีขาว ดังนั้นการประมาณด้วยโมเดล ARIMA อาจไม่เพียงพอสำหรับปัญหาเชิงเส้นที่ซับซ้อนและ (ข) โมเดล ARIMA ต้องการข้อมูลทางประวัติศาสตร์จำนวนมากเพื่อให้ได้ผลลัพธ์ที่ถูกต้อง ผลการวิจัยทั้งในเชิงทฤษฎีและเชิงประจักษ์ได้ชี้ให้เห็นว่าการรวมโมเดลต่างๆเข้าด้วยกันอาจเป็นวิธีที่มีประสิทธิภาพในการปรับปรุงประสิทธิภาพการคาดการณ์โดยเฉพาะอย่างยิ่งเมื่อโมเดลในวงดนตรีมีความแตกต่างกันออกไป ในบทความนี้แบบจำลอง ARIMA ถูกรวมเข้ากับโครงข่ายประสาทเทียม (ANNs) และตรรกะแบบฟัซซี่เพื่อเอาชนะข้อ จำกัด เชิงเส้นและข้อมูลของโมเดล ARIMA ทำให้ได้ผลลัพธ์ที่แม่นยำยิ่งขึ้น ผลเชิงเศรษฐศาสตร์ของการคาดการณ์ของตลาดการเงินแสดงให้เห็นว่าโมเดลไฮบริดแสดงให้เห็นถึงความถูกต้องของการคาดการณ์ได้อย่างมีประสิทธิภาพเพื่อให้รูปแบบดังกล่าวสามารถนำมาใช้เป็นเครื่องมือทางเลือกในการพยากรณ์ตลาดการเงินได้ (ARIMA) การคาดการณ์อนุกรมเวลาเครือข่ายประสาทเทียม (ANN) ฟัซซี่ตรรกะตลาดการเงินอัตราแลกเปลี่ยนผู้แต่งที่สอดคล้องกัน โทร 98xA0311xA03912550xA01 fax: 98xA0311xA03915526 สำเนาลิขสิทธิ์ 2008 Elsevier B. V. สงวนลิขสิทธิ์ Mehdi Khashei เกิดเมื่อปีพ. ศ. 2522 ที่เมือง Esfahan ประเทศอิหร่าน เขาเรียนที่มหาวิทยาลัยเทคโนโลยีอิสฟาฮัน (IUT) และได้รับปริญญา MS ด้านวิศวกรรมอุตสาหการในปี 2548 เขาเป็นผู้เขียนหรือผู้ร่วมเขียนบทความทางวิทยาศาสตร์ประมาณ 13 ฉบับในวารสารนานาชาติหรือการสื่อสารเพื่อการประชุมร่วมกับคณะกรรมการตรวจสอบ งานวิจัยปัจจุบันของเขาได้รวมโมเดล ARIMA แบบถดถอยเชิงบูรณาการแบบอัตโนมัติกับโครงข่ายประสาทเทียม (ANN) และตรรกศาสตร์คลุมเครือไปจนถึงการคาดการณ์ชุดข้อมูลอนุกรมเวลา ความสนใจในงานวิจัยของเขา ได้แก่ แบบจำลองทางคณิตศาสตร์ของสมองตรรกศาสตร์คลุมเครือการคำนวณแบบไม่ต่อเนื่องและการคาดการณ์แบบอนุกรมเวลา Mehdi Bijari รับปริญญาตรีสาขาวิศวกรรมอุตสาหการ 1987 ปริญญาโทสาขาการวางแผนระบบ 1990 ทั้งจาก Isfahan University of Technology (IUT) และปริญญาเอกสาขาวิศวกรรมศาสตร์ 2002 Sharif University of Technology เขาดำรงตำแหน่งภาควิชาวิศวกรรมอุตสาหการที่ IUT ตั้งแต่ปีพ. ศ. 2534 งานวิจัยของเขาอยู่ในพื้นที่ของการจัดการโครงการการจำลองการวางแผนการผลิตวิธีการแก้ปัญหา meta heuristic การเพิ่มประสิทธิภาพการคาดการณ์ชุดข้อมูลและระบบสารสนเทศ เขาได้ตีพิมพ์เอกสารต่างๆในการวางแผนการผลิตการคาดการณ์ชุดข้อมูลและการเพิ่มประสิทธิภาพ Gholam Ali Raissi Ardali เป็นผู้ช่วยศาสตราจารย์ด้านวิศวกรรมอุตสาหการที่ Isfahan University of Technology (IUT) เขาได้รับ BSc จากข้อมูลสถิติแอมป์ปี 1975 จากสถาบันสถิติและสารสนเทศเตหะรานอิหร่านปริญญาโทสาขาสถิติประยุกต์ 1977 จาก Brunel University ประเทศอังกฤษและปริญญาเอกด้านเทคโนโลยีอุตสาหกรรม 1980 จาก Bradford University ประเทศอังกฤษ ความสนใจในการวิจัยของเขาคือการจัดการคุณภาพทั้งหมดการควบคุมคุณภาพทางสถิติการคาดการณ์เกี่ยวกับอนุกรมเวลาโครงข่ายประสาทและการจัดการห่วงโซ่อุปทานเมื่อเราต้องคาดการณ์หนังสือบอกเราว่าวิธีหลักคือแบบจำลองเฉลี่ยเคลื่อนที่แบบอัตถิภาวนิยม ในความคิดของฉันมีอีกหนึ่งเครื่องมือใหญ่, ฟีดไปข้างหน้าเครือข่ายประสาท (FFNN) ดังนั้นฉันคิดว่าเราสามารถใช้สองเครื่องมือหลัก: ค่าเฉลี่ยเคลื่อนที่ autoregressive ฟีดเครือข่ายประสาทไปข้างหน้าแน่นอนว่าจะต้องมีความแตกต่าง แต่ฉันไม่ได้ผู้เชี่ยวชาญ ใครมีประสบการณ์เพียงพอในสองวิธีนี้สามารถอธิบายความแตกต่างระหว่างสองวิธีนี้กับการคาดการณ์ได้ถาม 20 ก. พ. 14 เวลา 14:53