Previsão De Forex Neural Network

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 Previsão é fazer afirmações sobre algo Isso acontecerá, muitas vezes com base em informações do passado e do estado atual. Todos resolvem o problema da previsão todos os dias com vários graus de sucesso. Por exemplo, o clima, a colheita, o consumo de energia, os movimentos de divisas (divisas), ou de partes de ações, terremotos e muitas outras coisas precisam ser previstos. No domínio técnico, os parâmetros previsíveis de um sistema podem ser freqüentemente expressos e avaliados usando equações - a previsão é então simplesmente avaliação ou solução de tais equações. No entanto, praticamente nos deparamos com problemas em que tal descrição seria muito complicada ou impossível. Além disso, a solução por este método poderia ser muito complicada computacionalmente, e às vezes nós obteríamos a solução após o evento a ser previsto aconteceu. É possível usar várias aproximações, por exemplo, regressão da dependência da variável prevista em outros eventos que são então extrapolados para o futuro. Encontrar essa aproximação também pode ser difícil. Essa abordagem geralmente significa criar o modelo do evento previsto. As redes neurais podem ser usadas para predição com vários níveis de sucesso. A vantagem de incluir a aprendizagem automática de dependências apenas a partir de dados medidos sem necessidade de adicionar informações adicionais (como tipo de dependência, como a regressão). A rede neural é treinada a partir dos dados históricos com a esperança de que descobrirá dependências ocultas e que poderá usá-las para prever o futuro. Em outras palavras, a rede neural não é representada por um modelo explicitamente dado. É mais uma caixa preta que é capaz de aprender algo. É possível prever vários tipos de dados, no entanto, no resto deste texto, vamos nos concentrar na previsão de séries temporais (veja a figura 1). A série temporal mostra o desenvolvimento de um valor no tempo. Claro, o valor pode ser influenciado por outros fatores além do tempo. A série temporal representa histórico discreto de um valor e, a partir de uma função contínua, pode ser obtida usando amostragem. Figura 1 - Exemplo de séries temporais