तंत्रिका - नेटवर्क से आगे बढ़ - औसत

तंत्रिका नेटवर्क 2 स्थानांतरण औसत एक तंत्रिका नेटवर्क विशेषज्ञ सलाहकार प्रशिक्षण मोड के साथ दो चलती औसत पर आधारित है। चयनित विशेषज्ञों पर विशेषज्ञ सलाहकार को प्रशिक्षित करें और वास्तविक जीवन में लाभ कमाएं। ईए किसी भी उपकरण पर और किसी भी समय सीमा में काम कर सकता है ईए के ट्रेडिंग एल्गोरिथ्म दो चलती औसत का विश्लेषण तंत्रिका नेटवर्क कोर द्वारा किया जाता है, जो खरीदने या बेचने के लिए कमांड उत्पन्न करता है। दो चलती औसत, तेज (एफएमए) और धीमी (एसएमए) मूल्यों को पहली परत पर प्रदान किया जाता है, दूसरी परत पर यह खरीदें (एन खरीद) और बेचना (एन बेचना) के लिए जिम्मेदार दो न्यूरॉन्स की गणना करता है, खरीदने का निर्णय या तीसरे स्तर पर बेचते हैं तंत्रिका नेटवर्क के ब्लॉक आरेख चित्रा में दिखाया गया है। विशेषज्ञ सलाहकार प्रशिक्षण प्रशिक्षण मोड में ईए मुद्रा लिखत के चार्ट पर उपयोगकर्ता द्वारा चलती औसत के मूल्यों को याद करता है। भविष्य में, सामान्य ऑपरेशन के दौरान, यह चलती औसत के मूल्यों को पहचानता है। चार्ट पर कम से कम एक लंबा और एक छोटा व्यापार ईए चिह्न को प्रशिक्षित करने के लिए। एक लंबे व्यापार का संकेत करने के लिए खरीदें तीर का उपयोग करें, और लघु व्यापार के लिए बेचें तीर का उपयोग करें आप चार्ट पर अधिक तीर रख सकते हैं अधिक तीर, अब प्रशिक्षण की प्रक्रिया होगी। तीरों के अलावा चार्ट पर किसी भी अन्य वस्तुओं की उपस्थिति वांछनीय नहीं है। प्रशिक्षण के बाद, फ़ोल्डर NN 2MA टर्मिनल के सामान्य फ़ोल्डर में बनाया जाएगा। इसमें फाइल एचएचएचएचएचएचएचएनएन 2 एमए. बी.इन को प्रशिक्षित तंत्रिका नेटवर्क की सेटिंग्स के साथ रखा जाएगा। फ़ाइल नाम में XXXXXX वित्तीय साधन का नाम है। सामान्य ऑपरेशन में, ईए फाइल से डेटा को लोड करता है यदि फ़ाइल नहीं मिली है, तो यह डिफ़ॉल्ट सेटिंग्स का उपयोग करेगा। डिफ़ॉल्ट रूप से, ईए USDJPY और एक घंटे की समय सीमा पर प्रशिक्षित किया जाता है, व्यापार 2012 में चुने गए हैं। निम्नलिखित इनपुट पैरामीटर ईए प्रशिक्षण के लिए जिम्मेदार हैं: न्यूरॉन प्रति वजन की संख्या। एमए की लंबाई के बराबर डिफ़ॉल्ट - 48. प्रशिक्षण चक्र की संख्या - डिफ़ॉल्ट 100. मूल्य जितना अधिक होगा, प्रशिक्षण प्रक्रिया अब होगी। परीक्षण संस्करण में यह 10 है। फैक्टर बी - मान न्यूरॉन्स के वजन में सुधार की गति को प्रभावित करता है, जिसका उपयोग नेटवर्क को प्रशिक्षण के लिए किया जाता है। डिफ़ॉल्ट मान 0.7 है, को बदलने की आवश्यकता नहीं है। सीखना मोड ईए - ईए के प्रशिक्षण मोड को सक्षम करता है। ईए प्रशिक्षण के लिए ट्रेडों को निर्दिष्ट करने के उदाहरण आंकड़ों में उपलब्ध हैं। चलने की औसत सामान्य सेटिंग्स सेटिंग्स सेटिंग्स आप प्रत्येक चल औसत की सेटिंग को समायोजित कर सकते हैं: अवधि, मूल्य, गणना मोड ऑर्डर का वॉल्यूम - डिफ़ॉल्ट 0,1 है अंक में झुकाव का मूल्य - डिफ़ॉल्ट 30 है। स्थिति को खोलने के प्रयासों की संख्या - डिफ़ॉल्ट 5 है। अंक में स्तर स्टॉपलॉस - डिफ़ॉल्ट 0 है। अंक में स्तर लेप्रोफिट - डिफ़ॉल्ट 0 है। स्तर ट्रेलिंगसंपादन अंक - डिफ़ॉल्ट 650 है। धन प्रबंधन - बाजार में प्रवेश करने के लिए ऑर्डर के आकार को नियंत्रित करें, घटाव से सक्षम। यदि मोड अक्षम है, तो ऑर्डर का आकार वॉल्यूम ऑफ ऑर्डर पैरामीटर से लिया गया है। जमा का प्रतिशत के रूप में आदेशों की मात्रा - ऑर्डर के आकार को नियंत्रित करने के लिए उपयोग किया जाता है, डिफ़ॉल्ट 5 प्रतिशत है खुली स्थिति में जोड़ना - डिफ़ॉल्ट रूप से सक्षम अगर खुले स्थान की दिशा में बाजार में प्रवेश करने का कोई संकेत है, तो ईए बाजार में प्रवेश करती है। तंत्रिका नेटवर्क की सेटिंग प्रति न्यूरॉन के वजन की संख्या एमए की लंबाई के बराबर मूल्य जितना अधिक होगा, उतना सटीक होगा कि वर्तमान बाजार राज्य को मान्यता दी जाए, लेकिन यह ट्रेडों की संख्या कम कर देता है। कम मूल्य, कम सटीक वर्तमान बाजार राज्य को मान्यता दी जाएगी, लेकिन ट्रेडों की संख्या बढ़ जाती है। न्यूरॉन सक्रियण का मूल्य मूल्य मूल्य का लगभग 0.75 है, न्यूरॉन प्रति वजन की संख्या। मूल्य जितना अधिक होगा, कड़े निर्णय लेने के लिए न्यूरॉन्स का चयन होता है। परीक्षण संस्करण में यह 40 है। प्रशिक्षण चक्र की संख्या - डिफ़ॉल्ट 100 है। फैक्टर बी वजन सुधार की गति, डिफ़ॉल्ट 0.7 है। सीखना मोड ईए ईए प्रशिक्षण मोड प्रशिक्षण के दौरान, चार्ट पर टिप्पणियों में न्यूरॉन्स के अधिकतम मूल्य दिखाए जाएंगे। इन मूल्यों को न्यूरॉन के एक सक्रियण मूल्य के रूप में इस्तेमाल किया जा सकता है। एक उदाहरण आंकड़ा में दिखाया गया है। टिप्पणियों को सक्षम करें - चार्ट पर टिप्पणियों को सक्षम करता है जादू सलाहकार की संख्या मिलीसेकंड में व्यापार के बाद रोकें। डिफ़ॉल्ट रूप से, ईए 2012 में दो व्यापारों पर USDJPY H1 पर प्रशिक्षित किया जाता है। 2013 में विशेषज्ञ सलाहकार परीक्षण का परिणाम आंकड़ा में दिखाया गया है। मैं किसी भी संख्या में छिपी हुई परतों के साथ तंत्रिका नेटवर्कों को अनुमानित नॉनलाइन कार्य करता है, हालांकि, यह कर सकते हैं अनुमानित: मैं नहीं सोच सकता कि यह कैसे हो सकता है यह तंत्रिका नेटवर्क की एक बहुत स्पष्ट सीमा की तरह लगता है जो संभावित रूप से सीमित कर सकता है कि यह क्या कर सकता है। उदाहरण के लिए, इस सीमा के कारण, तंत्रिका नेटवर्क शायद आंकड़ों में प्रयुक्त कई कार्यों का अनुमान लगाया जा सकता है जैसे कि घातीय मूविंग औसत, या फिर भिन्नता भी। औसत स्थानांतरित होने की बात करते हुए, आवर्ती तंत्रिका नेटवर्क ठीक से अनुमान लगा सकते हैं कि कैसे एक फीडवर्वर न्यूरल नेटवर्क या एक रेखीय न्यूरॉन स्लाइडिंग खिड़की तकनीक का इस्तेमाल करते हुए चलती औसत उत्पादन कर सकता है, लेकिन फिर भी आवर्ती तंत्रिका नेटवर्क यह बिना छिपाई परतों की एक्स मात्रा (एक्स चलती औसत आकार वाला है) इसके अलावा, हम मान लें कि हम मूल समारोह में नहीं जानते हैं f। जो पिछले 500 निविष्टियों के औसत को प्राप्त करने के लिए होता है, और फिर आउटपुट 1 अगर इसकी 3 से अधिक, और 0 यदि नहीं, तो लेकिन एक दूसरे के लिए, बहाना हम नहीं जानते कि, इसका एक ब्लैक बॉक्स है एक पुनरावृत्त तंत्रिका नेटवर्क कैसे अनुमानित होगा कि हमें सबसे पहले यह जानना होगा कि इसमें कितने समय-सीमाएं हैं, जो हम नहीं करते हैं शायद एक एलएसटीएम नेटवर्क, लेकिन फिर भी, यदि यह एक सरल चलती औसत नहीं है, तो इसका एक घातीय चलने वाला औसत मुझे नहीं लगता कि एलएसटीएम भी ऐसा कर सकता है। इससे भी बदतर भी, क्या होगा यदि हम सीखने की कोशिश कर रहे हैं तो एफ (एक्स, एक्स 1) बस इतना सरल और सीधा लगता है क्या एक तंत्रिका नेटवर्क इसे सीख सकता है मैं न देख सकता हूं कि कैसे। क्या मैं यहाँ कुछ बड़ा लापता हूं या मशीन सीखना एल्गोरिदम बहुत सीमित है क्या तंत्र तंत्रिका के अलावा अन्य सीखने की तकनीकें हैं जो वास्तव में इनमें से कोई भी कर सकती हैं समझने के लिए महत्वपूर्ण बिंदु कॉम्पैक्ट है I तंत्रिका नेटवर्क (जैसा कि हम किसी अन्य सन्निकटन संरचना, बहुपद, स्प्लिने या रेडियल बेसिस फ़ंक्शन के रूप में) केवल कॉम्पैक्ट सेट के भीतर किसी भी निरंतर कार्य का अनुमान लगा सकते हैं। दूसरे शब्दों में सिद्धांत बताता है कि, दिए गए: तब एक तंत्रिका नेटवर्क मौजूद है जो एफ (एक्स) को एपिसलॉन से कम एक अनुमानित त्रुटि के साथ अनुमानित करता है। हर जगह एक, बी में एफ (एक्स) x 2 के आपके उदाहरण के बारे में हाँ, आप इसे किसी भी परिमित सीमा के भीतर एक तंत्रिका नेटवर्क के साथ अनुमानित कर सकते हैं: -1,1 0, 1000 यह कल्पना करने के लिए, कल्पना करें कि आप चरण -1 के साथ -1,1 में अनुमानित एफ (एक्स) का अनुमान लगाते हैं। क्या आप इसे कागज पर कर सकते हैं नोट करें कि यदि आप कदम को कम करते हैं तो आप किसी भी इच्छित सटीकता को प्राप्त कर सकते हैं। जिस तरह से तंत्रिका नेटवर्क अनुमानित एफ (एक्स) इस तरह से बहुत अलग नहीं है लेकिन फिर, कोई भी न्यूरल नेटवर्क (या कोई अन्य सिक्वेशन संरचना) नहीं है, जिसमें पैरामीटर्स की एक सीमित संख्या है, जो कि सभी एक्स में एक्स - एक्स के लिए अनुमानित एफ (एक्स) एक्स 2 होता है। मार्च 20 15 को 18:06 में उत्तर दिया I न्यूरल नेटवर्क को किसी भी संख्या में छिपी हुई परतों से अनुमान लगाया जा सकता है, हालांकि, यह अनुमानित रूप से अनुमान लगा सकता है: एक ही तरीका मैं उस प्रश्न का अर्थ समझ सकता हूँ कि आप एक्सट्रपलेशन के बारे में बात कर रहे हैं। तो उदाहरण के लिए श्रेणी 1 एलटी एक्स एलटी 1 में दिए गए प्रशिक्षण नमूनों में एक तंत्रिका नेटवर्क एक्स जीटी 100 के लिए सही मूल्यों को सीख सकता है। क्या इसका मतलब है कि यदि आप पहले से ज्ञान प्राप्त कर रहे थे, तो आप जो अनुमानों का प्रयास कर रहे हैं वह कम-क्रम होने की संभावना है बहुपद (या फ़ंक्शन के किसी भी अन्य सेट), तो आप निश्चित रूप से एक तंत्रिका नेटवर्क का निर्माण कर सकते हैं जो इन कार्यों का प्रतिनिधित्व कर सकता है, और हर जगह x2 एक्सट्रापोलाट कर सकता है यदि आपके पास पहले ज्ञान नहीं है, तो चीजें थोड़ा और अधिक कठिन हैं: असीम रूप से कई निर्बाध कार्य हैं जो श्रेणी -1 में पूरी तरह से x2 फिट होते हैं। और कोई अच्छा कारण नहीं है कि हम किसी भी अन्य की तुलना में बेहतर भविष्यवाणियों के लिए एक्स 2 की अपेक्षा क्यों करेंगे समारोह। दूसरे शब्दों में: यदि हमारे पास समारोह के बारे में कोई पूर्व ज्ञान नहीं था, तो हम सीखने की कोशिश क्यों कर रहे थे, हम एक्स-जीटी एक्स 2 सीखना चाहते हैं। कृत्रिम प्रशिक्षण सेटों के दायरे में, एक्स 2 संभावित समारोह हो सकता है, लेकिन वास्तविक दुनिया में, यह संभवतः संभवतः नहीं है। उदाहरण देने के लिए: चलो कहना है कि सोमवार (टी0) पर तापमान 0 है, मंगलवार को इसकी 1, बुधवार को इसकी 4. हम मानते हैं कि तापमान कम क्रम बहुपदों की तरह व्यवहार करते हैं, इसलिए हम उस डेटा का अनुमान नहीं करना चाहते हैं अगले सोमवार का तापमान शायद 49 के आसपास होगा। इसके अलावा, मान लें कि हम मूल समारोह में नहीं जानते हैं, जो पिछले 500 निविष्टियों के औसत को प्राप्त करने के लिए होता है, और फिर आउटपुट 1 अगर इसकी 3 से अधिक, और 0 अगर यह। लेकिन एक दूसरे के लिए, बहाना हम नहीं जानते कि, इसका एक ब्लैक बॉक्स है एक पुनरावृत्त तंत्रिका नेटवर्क कैसे अनुमान लगाया जायेगा जो कि मुझे लगता है कि दो सवाल: सबसे पहले, एक तंत्रिका नेटवर्क उस फ़ंक्शन का प्रतिनिधित्व कर सकता है I. e. क्या वेट का एक सेट है जो वास्तव में उस व्यवहार को दे सकता है यह स्पष्ट रूप से नेटवर्क आर्किटेक्चर पर निर्भर करता है, लेकिन मुझे लगता है कि हम उन आर्किटेक्चर के साथ आ सकते हैं जो प्रतिनिधित्व कर सकते हैं (या कम से कम बारीकी से लगभग) इस प्रकार के फ़ंक्शन प्रश्न दो: क्या यह प्रशिक्षण सीख सकता है, पर्याप्त प्रशिक्षण नमूने दिए गए, ठीक है, अगर आपकी सीखने की एल्गोरिथ्म किसी स्थानीय न्यूनतम में फंस नहीं रही है, तो सुनिश्चित करें: यदि आपके पास पर्याप्त प्रशिक्षण नमूने हैं, तो आपके फ़ंक्शन से संबंधित किसी भी वजन का कोई भी सेट एक ट्रेनिंग त्रुटि अधिक देता है कि 0, जबकि जो फ़ंक्शन आप सीखने का प्रयास कर रहे हैं फिट का एक सेट है एक प्रशिक्षण त्रुटि 0 इसलिए यदि आप एक वैश्विक इष्टतम खोजते हैं, तो नेटवर्क को फ़ंक्शन को फिट होना चाहिए। कारण मैं x2 की सोच रहा था और सरल या घातीय चलती औसत विशेषकर इसलिए है क्योंकि तकनीकी विश्लेषण में वित्तीय बाजार की भविष्यवाणी में इसका अच्छा सौदा किया जाता है। मैं उम्मीद कर रहा था कि एक न्यूरल नेटवर्क उन एल्गोरिदम और व्यापार के बारे में सीख सकता है, जो पहले उन्हें कड़ी मेहनत के बिना और उनके परिणाम इनपुट के बिना आधारित थे। हालांकि, I39m यह पता लगाने की कोशिश कर रहा है कि क्या एक तंत्रिका नेटवर्क उस तरह से एक फ़ंक्शन भी सीख सकता है। ndash Essam Al-Mansouri 1 सितंबर 14 पर 18:29 मैं समझता हूँ कि कैसे एक्स 2 मौसम पूर्वानुमान के लिए बिल्कुल उपयोगी नहीं है, और अगले सोमवार को नेटवर्क की भविष्यवाणी करने के लिए नेटवर्क का कारण बन सकता है, लेकिन मुझे यकीन है कि एक बहुपद समारोह सीखने में सक्षम होना उपयोगी हो सकता है विदेशी मुद्रा की भविष्यवाणी के लिए, उदाहरण के लिए मैं शायद एक अलग नेटवर्क वास्तुकला समझता हूं कि मेरे मन में सक्षम हो सकता है, लेकिन मैं किसी भी वास्तुकला को नहीं जानता जो कि एफ (एक्स, एक्स 1) xx1 का प्रतिनिधित्व कर सकता है, मुझे लगता है कि मैं प्रतिनिधित्व के बजाए शब्द का लगभग दुरुपयोग कर रहा हूं, लेकिन मुझे विश्वास है कि आप अभी भी समझा है कि मैं सिर्फ कहने का प्रयास कर रहा था। क्षमा करें, मैं समय पर मेरी पिछली पोस्ट को संपादित नहीं कर सका ndash Essam Al-Mansouri 1 सितंबर 14 पर 18:41 मैं तंत्रिका नेटवर्क को किसी भी संख्या में छिपी हुई परतों से समझा सकता है, अतः अनुमानित नैनरिएंर फ़ंक्शंस, यह अनुमान लगा सकता है: हां यह कर सकते हैं मुझे नहीं पता कि आपको क्या लगता है कि यह लगभग एक कठिन कार्य है, यह बहुत आसान है पर्याप्त छिपी इकाइयों को देखते हुए एक तंत्रिका नेटवर्क किसी मनमानी सीमा पर एक मनमाना परिशुद्धता के लिए किसी भी समारोह का अनुमान लगा सकता है। चलती औसत की बात करते हुए, आवर्ती तंत्रिका नेटवर्क ठीक से अनुमान लगा सकते हैं कि हाँ, यह कर सकते हैं। यह फिर से एक बहुत ही सरल समस्या है जिसे आपको लगता है कि किसी कारण से आप साझा नहीं कर रहे हैं के लिए मुश्किल है। आप सिर्फ छिपी हुई राज्य का निर्माण कर रहे हैं, जो पूरे इतिहास और शेष नेटवर्क को शामिल करने के लिए आवर्ती छिपा राज्य से औसतन गणना करने के लिए तुच्छ समाधान देख सकते हैं। हमें सबसे पहले यह जानना होगा कि इसमें कितने समय-सीमाएं होनी चाहिए, जो हम न करें। एक पैरामीटर ट्यूनिंग समस्या है, ये पहले से निपटा गया है आप उन पर अधिक जानकारी आसानी से खोज सकते हैं। क्या मैं यहाँ कुछ बड़ा लापता हूं या मशीन सीखना एल्गोरिदम बहुत सीमित है क्या तंत्र तंत्रिका के अलावा अन्य सीखने की तकनीकें हैं जो वास्तव में इनमें से कोई भी कर सकते हैं हाँ, आपको लगता है कि तंत्रिका नेटवर्क की कोई भी वास्तविक जानकारी गायब है। आपकी सबसे पहले बयान I में छिपी हुई परतों के साथ किसी भी संख्या में छिपी हुई परतों के साथ-साथ नैनरिएंर फ़ंक्शंस भी हो सकते हैं, हालांकि, यह अनुमान से पता चलता है कि आप वास्तव में आपके द्वारा उपयोग किए जा रहे शब्दों को समझ नहीं पाते हैं ऐसे विषयों की एक विशाल श्रेणी है जो आप एक-दूसरे के साथ समझा या conflate करने में विफल हो सकते हैं, और कोई भी सीधे एक सरल QampA प्रारूप में सेट करने में सक्षम नहीं होगा। यदि आप वास्तव में समझना चाहते हैं कि क्या हो रहा है, तो विशेष रूप से मशीन सीखने और तंत्रिका नेटवर्क में कुछ स्नातक पाठ्यक्रमों को लें। एक अच्छा प्रारंभिक बिंदु इन वीडियो होगा अगर आपके पास पहले से मौजूद प्राप्य ज्ञान है 1 सितंबर को 16:37 उत्तर दिया, यह पढ़ाने के लिए उपयुक्त जगह नहीं है। विषय पर कई पुस्तकों में से एक को पकड़ो और पढ़ें। आप सक्रियण फ़ंक्शन के प्रकार पर भी विचार नहीं कर रहे हैं या प्रति इनपुट एक से अधिक इकाई हैं या यह कि कई छिपी परतें हो सकती हैं (यह आवश्यक नहीं है, लेकिन समझने में सहायता)। ndash Raff. Edward Sep 1 14 at 19:09 Raff Edward, आप अपने जवाब में कठोर और कमजोर थे क्योंकि आप, और Essam नहीं, न्यूरल नेटवर्क की सैद्धांतिक सीमाओं को नहीं समझते हैं। नहीं, नहीं, नहीं, कोई तंत्रिका नेटवर्क कभी भी समारोह एफ (एक्स) एक्सएक्स सीख सकता है और न ही अन्य कार्यों की एक अनंत संख्या सीख सकता है, जब तक कि आप अव्यवहारिक नहीं मानते हैं: 1- प्रशिक्षण उदाहरणों की अनंत संख्या 2- एक अनंत संख्या 3- एनएन (NNs) को इकट्ठा करने के लिए समय की एक अनंत राशि कम-स्तरीय पैटर्न मान्यता समस्याओं (सिग्नलों के अंत में कुछ सांख्यिकीय पद्धतियां होती हैं जो कुछ निरंतर फ़ंक्शन द्वारा प्रस्तुत की जा सकती हैं) में अच्छी लगती हैं, लेकिन यह अभी भी संकेत नहीं है: कोशिश करें एक NN बनाने के लिए जो एन 1 डेटा इनपुट (x0, x1, x2। xn) लेता है और यह सही (या 1) लौटाएगा यदि (2 x0) शेष अनुक्रम में है और शुभकामनाएं। अनन्त कार्यों, विशेष रूप से उन पुनरावर्ती जिन्हें सीखा नहीं जा सकता। वे सिर्फ आरएफ़ एडवर्ड ने मेरे प्रश्न को गलत समझा। वह यह कहने में काफी सही था कि तंत्रिका नेटवर्क किसी भी समारोह का अनुमान लगा सकते हैं, लेकिन वह एक बड़ा हिस्सा है जिसे वह और मैं दोनों ने ठीक से निर्दिष्ट नहीं किया है, यह यह है कि यह किसी भी महत्वपूर्ण बिंदु का अनुमान लगा सकता है। इसका मतलब यह है कि अनुमानित च (एक्स) अगर एक्स में अनन्त सीमा होती है, जैसा कि पैनागियोटिस ने बताया। ndash Essam Al-Mansouri 10 जनवरी 9: 03 फजी लॉजिक और कृत्रिम तंत्रिका नेटवर्क (एएनएन) का उपयोग कर ऑटो-रिग्रेसिव एकीकृत मूविंग औसत मॉडल का सुधार समय श्रृंखला की भविष्यवाणी एक सक्रिय शोध क्षेत्र है जो विभिन्न क्षेत्रों में अनुप्रयोगों के लिए काफी ध्यान आकर्षित किया है। ऑटो-रिग्रेसिव इंटीग्रेटेड मूविंग एवरल (एआरआईएएए) मॉडल पिछले तीन दशकों में वित्तीय बाजार की भविष्यवाणी में इस्तेमाल किए जाने वाले सबसे महत्वपूर्ण समय श्रृंखला मॉडल में से एक हैं। समय श्रृंखला की भविष्यवाणी में हालिया शोध गतिविधियों से संकेत मिलता है कि दो बुनियादी सीमाएं वित्तीय समय श्रृंखला की भविष्यवाणी के लिए अपनी लोकप्रियता से इनकार करती हैं: (ए) एआरआईएएएम मॉडल मानते हैं कि समय श्रृंखला के भविष्य के मूल्यों में मौजूदा और पिछले मूल्यों के साथ-साथ सफेद शोर , इसलिए एआरआईएएएम मॉडल की अनुमानितता जटिल गैर-रेखीय समस्याओं के लिए पर्याप्त नहीं हो सकती है और (बी) सटीक परिणामों का उत्पादन करने के लिए एआरआईएमए मॉडल को भारी मात्रा में ऐतिहासिक डेटा की आवश्यकता होती है दोनों सैद्धांतिक और अनुभवजन्य निष्कर्षों ने सुझाव दिया है कि विभिन्न मॉडलों का एकीकरण उनकी भविष्यवाणियों के प्रदर्शन में सुधार की एक प्रभावी पद्धति हो सकती है, खासकर जब कलाकारों के मॉडल काफी अलग हैं। इस पत्र में, एआरआईएए मॉडल एआरआईएए मॉडल के रैखिक और डेटा सीमाओं को दूर करने के लिए कृत्रिम तंत्रिका नेटवर्क (एएनएन) और फजी लॉजिक के साथ एकीकृत हैं, इस प्रकार अधिक सटीक परिणाम प्राप्त करना वित्तीय बाजारों के पूर्वानुमान के परिणामस्वरूप संकेत मिलता है कि हाइब्रिड मॉडल प्रदर्शन प्रभावी ढंग से सटीकता की भविष्यवाणी को प्रदर्शित करता है ताकि प्रस्तावित मॉडल वित्तीय बाजार पूर्वानुमान उपकरणों के विकल्प के रूप में इस्तेमाल किया जा सके। ऑटो रिग्रेसिव इंटीग्रेटेड मूविंग एवरल (एआरआईएए) समय श्रृंखला का पूर्वानुमान कृत्रिम तंत्रिका नेटवर्क (एएनएन) फजी लॉजिक वित्तीय बाजार एक्सचेंज रेट समान लेखक। दूरभाष। 98xA0311xA03912550xA01 फैक्स: 98xA0311xA03915526 कॉपीराइट प्रतिलिपि 2008 एल्सेवियर बीवी। सभी अधिकार सुरक्षित मेहदी खशी का जन्म 1 9 7 9 में ईफान में इस्फाहान में हुआ था। उन्होंने इस्फहान यूनिवर्सिटी ऑफ टेक्नोलॉजी (आईयूटी) में औद्योगिक इंजीनियरिंग का अध्ययन किया और 2005 में एमएस की औद्योगिक इंजीनियरिंग में डिग्री प्राप्त की। वह अंतरराष्ट्रीय समितियों के लगभग 13 वैज्ञानिक पत्रों के लेखक या सह-लेखक हैं, जो समीक्षा समिति के साथ सम्मेलनों के लिए सम्प्रेषण करता है। उनके वर्तमान शोध में आर्टिफिशियल न्यूरल नेटवर्क (एएनएन) के साथ ऑटो-रिग्रेसिव इंटीग्रेटेड मूविंग एवरल (एआरआईएएए) मॉडल और टाइम सीरीज़ पूर्वानुमान के लिए फजी लॉजिक को जोड़ती है। उनके शोध के हित में मस्तिष्क के कम्प्यूटेशनल मॉडल, फजी लॉजिक, सॉफ्ट कंप्यूटिंग, नॉनलाइनियर एंडीमेटर्स और टाइम सीरीज पूर्वानुमान शामिल हैं। मेहदी बिजरी ने औद्योगिक इंजीनियरिंग में अपनी बीएससी, 1987, सिस्टम प्लानिंग में एमएससी, 1990 में, इस्फहान यूनिवर्सिटी ऑफ़ टेक्नोलॉजी (आईयूटी), और औद्योगिक इंजीनियरिंग 2002 में पीएचडी, शरीफ प्रौद्योगिकी विश्वविद्यालय में प्राप्त किया। उन्होंने 1 99 1 से आईयूटी में औद्योगिक इंजीनियरिंग विभाग में भाषण दिया है। उनका शोध परियोजना प्रबंधन, सिमुलेशन, उत्पादन नियोजन, मेटा अनुमानित विधियों, अनुकूलन, समय श्रृंखला पूर्वानुमान और सूचना प्रणालियों के क्षेत्र में है। उन्होंने उत्पादन नियोजन, समय श्रृंखला की भविष्यवाणी और अनुकूलन में कई पत्र प्रकाशित किए हैं। गोलमाल अली रायसी अरदाली इस्फहान यूनिवर्सिटी ऑफ टेक्नोलॉजी (आईयूटी) में औद्योगिक इंजीनियरिंग के सहायक प्रोफेसर हैं। ब्रैडेल यूनिवर्सिटी, इंग्लैंड से 1 9 77 में, सांख्यिकी और सूचना विज्ञान संस्थान, तेहरान, ईरान, एमएससी, ब्रॉडफ़ोर्ड यूनिवर्सिटी, इंग्लैंड से 1 9 80 में औद्योगिक प्रौद्योगिकी के क्षेत्र में एमएससी, आँकड़े एंड्रॉप सूचना विज्ञान, 1 9 75 में बीएससी प्राप्त किया। उनके शोध के हित हैं कुल गुणवत्ता प्रबंधन, सांख्यिकीय गुणवत्ता नियंत्रण, समय श्रृंखला की भविष्यवाणी, तंत्रिका नेटवर्क और आपूर्ति श्रृंखला प्रबंधन। जब हमें एक पूर्वानुमान बनाना है, तो किताबें हमें बताती हैं कि मुख्य विधि ऑटोरेग्रेसिव चलती औसत मॉडल है। मेरी राय में एक और बड़ा उपकरण है, फ़ीड फॉरवर्ड न्यूरल नेटवर्क (एफएफएनएन)। इसलिए मुझे लगता है कि हम दो मुख्य औजारों का उपयोग कर सकते हैं: ऑटोरेग्रेसिव चलती औसत फ़ीड फॉरवर्ड न्यूयरल नेटवर्क निश्चित रूप से अंतर होना चाहिए, लेकिन मैं विशेषज्ञ नहीं हूं। इन दोनों तरीकों में पर्याप्त अनुभव रखने वाले, मुझे बता सकते हैं कि भविष्यवाणियों को बनाने के लिए इन दोनों विधियों के बीच के अंतर फरवरी 20 14 से 14:53 बजे पूछे