많은 랜덤 규칙이 어쨌든 다른 방식으로 일종의 일반 구조로 수렴된다면 랜덤 포레스트 알고리즘과 유추할 수 있다는 아이디어가 떠올랐습니다. 이 알고리즘의 제작자는 많은 테스트를 수행했으며 둘 다 어느 쪽도 규칙의 형성이나 파괴의 순서, 그냥 어리석게 무작위로, 항상 비슷한 결과를 얻을 수 있습니다 ...
예를 들어 1주일 동안 5분 차트를 사용하고 특정 큰 패턴인 "BP"에 대해 다른 슬라이딩 창을 사용하여 그 안에 샘플을 생성하면 (자연스럽게 규모의 정규화)
그런 다음 이 샘플에서 숲을 훈련 하면 BP 내부에 많은 무작위 규칙이 생성됩니다.
그런 다음 BP를 샘플의 규모로 확장하고 이전에 생성된 자체 내부 규칙에 따라 BP를 예측합니다...
그것들은 프랙탈리티를 고려하고 이 전체 상호 중첩이 작동하는지 확인합니다.
흥미로운...
가정에 근거한 이론을 믿지 마십시오. 간단한 규칙과 물리 법칙의 작동 결과의 유사성은 증거가 아니라 가정입니다.
시도할 수 있지만 규칙은 무작위입니다. 사실, 그것들은 무작위가 아닙니다. 결과를 보는 재미
ML을 하기 전에 저는 약 반년 동안 Expert Advisor를 미세 조정하고 기록에 대해 테스트하고 성능을 개선하고 드레인으로 이어지는 패턴을 시각적으로 찾는 데 보냈습니다. 즉, 기록에 대한 수동 조정에 종사했습니다. 때는 2017년이었고 그해 말에 저는 2018년 2월쯤까지 EA를 출시했습니다.
비열함의 법칙 또는 내가 결정한 것처럼 적합성은 즉시 균형을 부정적인 방향으로 바꾸었고 프로젝트는 실망스러운 것으로 간주되어 종료되었습니다.
2018년 말에 다시 이 프로젝트로 돌아가려고 했고, 마지막 해에 흥미로운 결과를 보았습니다.
다시 술을 마시기 시작했고, 어드바이저는 해임되었고, 2019년 테스터에서 조금 결과를 모니터링한 후 프로젝트를 포기하는 올바른 결정을 내렸음을 확신했습니다.
그래서 어제 나는 나무 잎에서 오래된 모델에 무슨 일이 일어나고 있는지 살펴보기로 결정했고 동시에 2018년에 지난번에 조정되었지만 크게 중요하지 않은 고문을 보았습니다.
나는 솔직히 내 눈을 믿을 수 없었습니다 - 결과는 매우 좋습니다!
그리고 다음은 논문과 질문입니다.
1. 왜 이 방법을 사용하여 만든 Expert Advisor가 ML 기술을 사용하여 만든 Expert Advisor보다 더 안정적인 것으로 판명되었습니까?
2. 나쁜 거래 기간이 있습니다. 2019년은 Si에게 순전히 평탄한 해였습니다.
3. Expert Advisor를 가동하자마자 고갈되기 시작합니까?
4. 특정 CU/MO 모델에 가장 적합한 글로벌 거래 기간을 분류하는 데 사용할 수 있는 지표는 무엇입니까?
5. 적절한 거래 기간이 예상되는 1년 동안 제로 또는 심지어 드레인까지 견디는 방법은 무엇입니까?
4. 특정 CU/MO 모델에 가장 적합한 글로벌 거래 기간을 분류하는 데 사용할 수 있는 지표는 무엇입니까?
5. 적절한 거래 기간이 예상되는 1년 동안 제로 또는 심지어 드레인을 견디는 방법은 무엇입니까?
주요 질문. 나는 거기에 있다고 생각하지 않습니다. 이것은 하나의 솔루션입니다. 핀을 올리거나 올리지 마십시오.)))) 지표는 역사와 현재의 평균에서 나온 것이어야합니다. 그리고 ZZ에서 무언가가 형성되어야 합니다. 상관관계가 별로 좋지 않습니다. 비슷하지만 뒤처지고 너무 평균적입니다. 일반적으로 아직 마라쿠.
모든 TF 계수를 볼 수 있습니다. 33개의 극단값, 추세 수 또는 최소/최대 극단값, 평균 변동성 폭 및 평균 가격 속도 에 대한 피어슨. 현재 데이터에 대해서는 증분을 제외하고는 아무 것도 떠오르지 않습니다.
여기 사람들 중 일부는 간단한 경로를 따릅니다. 그들은 간단한 TS를 많이 사용하고 최상의 결과에 따라 바보 같이 최적으로 사용하려고 시도하지만 다시 질문은 우리가 훈련하는 악기와 세그먼트입니다.
나는 비슷한 것을했고 3Z 세그먼트를 길이에 따라 3 그룹으로 나눴습니다. 예, 이것은 내 TS의 성공에 대한 좋은 지표이지만 과거 만 이러한 방식으로 결정할 수 있으며 현재를 어떻게해야합니까? 신비.
3으로는 충분하지 않습니다. 그리고 어떻게든 모든 TF의 데이터 로직을 이해/정의할 필요가 있습니다. 좋은 측면에서, 히스토리에 대한 모든 지표가 결정되고 이를 결정 기준으로 사용하면 새 데이터가 히스토리를 반복하면 모든 것이 정상이고 그렇지 않은 경우 이것이 새 데이터입니다. 새 데이터가 30% 이상 있으면 데이터에 오류가 있는 것입니다. 그것들은 단순히 충분하지 않거나 중요하지 않습니다. 아니면 아포테니아이고 아무런 관련이 없습니다.
증분은 데이터로 측정하고 측정해야 합니다)))) 증분 외에 다른 것을 원합니다. 그러나 발명된 모든 것은 증분에서 파생됩니다. 볼륨은 확실히 남아있는데 어느 쪽에서 접근해야 할지 모르겠다.
3으로는 충분하지 않습니다. 그리고 어떻게든 모든 TF의 데이터 로직을 이해/정의할 필요가 있습니다. 좋은 측면에서, 히스토리의 모든 지표가 결정되고 이를 결정 기준으로 사용하면 새 데이터가 히스토리를 반복하면 모든 것이 정상이고 그렇지 않은 경우 이것이 새 데이터입니다. 새 데이터가 30% 이상 있으면 데이터에 오류가 있는 것입니다. 그것들은 단순히 충분하지 않거나 중요하지 않습니다. 아니면 아포테니아이고 아무런 관련이 없습니다.
증분은 데이터로 측정하고 측정해야 합니다)))) 증분 외에 다른 것을 원합니다. 그러나 발명된 모든 것은 증분에서 파생됩니다. 볼륨은 확실히 남아있는데 어느 쪽에서 접근해야 할지 모르겠다.
나는 증분을 순수한 형태로 사용하지 않습니다. 사실 상대적인 정규화 지표만 사용합니다.
모델의 성능에 대한 예측 변수와 특정 모델의 적용 가능성을 결정하는 예측 변수를 혼합하는 것은 의미가 없습니다. 한 모델이 호감도를 결정하고 두 번째 모델은 TS 자체를 결정해야 한다고 생각합니다. 그렇다면 이러한 유리한 조건을 학습하기 위한 라벨링의 문제가 남아 있으며, 이를 위해서는 TS가 효과적으로 작동할 때 임계값을 결정할 필요가 있습니다. 예를 들어 오류의 균형과 이익 증가, 그리고 다른 지표와 같은 지표가 될 수 있습니다. 따라서 분류는 분명히 일주일 동안 몇 분 또는 적어도 하루 동안이어야 합니다.
글은 폭탄인데 하나도 이해가 안가는데 입 벌리고 읽었는데... 감사합니다!
많은 랜덤 규칙이 어쨌든 다른 방식으로 일종의 일반 구조로 수렴된다면 랜덤 포레스트 알고리즘과 유추할 수 있다는 아이디어가 떠올랐습니다. 이 알고리즘의 제작자는 많은 테스트를 수행했으며 둘 다 어느 쪽도 규칙의 형성이나 파괴의 순서, 그냥 어리석게 무작위로, 항상 비슷한 결과를 얻을 수 있습니다 ...
예를 들어 1주일 동안 5분 차트를 사용하고 특정 큰 패턴인 "BP"에 대해 다른 슬라이딩 창을 사용하여 그 안에 샘플을 생성하면 (자연스럽게 규모의 정규화)
그런 다음 이 샘플에서 숲을 훈련 하면 BP 내부에 많은 무작위 규칙이 생성됩니다.
그런 다음 BP를 샘플의 규모로 확장하고 이전에 생성된 자체 내부 규칙에 따라 BP를 예측합니다...
그것들은 프랙탈리티를 고려하고 이 전체 상호 중첩이 작동하는지 확인합니다.
흥미로운...
가정에 근거한 이론을 믿지 마십시오. 간단한 규칙과 물리 법칙의 작동 결과의 유사성은 증거가 아니라 가정입니다.
시도할 수 있지만 규칙은 무작위입니다. 사실, 그것들은 무작위가 아닙니다. 결과를 보는 재미
가정에 근거한 이론을 믿지 마십시오. 간단한 규칙과 물리 법칙의 작동 결과의 유사성은 증거가 아니라 가정입니다.
시도할 수 있지만 규칙은 무작위입니다. 사실, 그것들은 무작위가 아닙니다. 결과를 보는 재미
작동하지 않았습니다(
어째서인지 숲은 배우지 않고 아날로그 방식으로 인식하려고했지만 작동하지 않았습니다 (
작동하지 않았습니다(
어째서인지 숲은 배우지 않고 아날로그 방식으로 인식하려고했지만 작동하지 않았습니다 (
ML을 하기 전에 저는 약 반년 동안 Expert Advisor를 미세 조정하고 기록에 대해 테스트하고 성능을 개선하고 드레인으로 이어지는 패턴을 시각적으로 찾는 데 보냈습니다. 즉, 기록에 대한 수동 조정에 종사했습니다. 때는 2017년이었고 그해 말에 저는 2018년 2월쯤까지 EA를 출시했습니다.
비열함의 법칙 또는 내가 결정한 것처럼 적합성은 즉시 균형을 부정적인 방향으로 바꾸었고 프로젝트는 실망스러운 것으로 간주되어 종료되었습니다.
2018년 말에 다시 이 프로젝트로 돌아가려고 했고, 마지막 해에 흥미로운 결과를 보았습니다.
다시 술을 마시기 시작했고, 어드바이저는 해임되었고, 2019년 테스터에서 조금 결과를 모니터링한 후 프로젝트를 포기하는 올바른 결정을 내렸음을 확신했습니다.
그래서 어제 나는 나무 잎에서 오래된 모델에 무슨 일이 일어나고 있는지 살펴보기로 결정했고 동시에 2018년에 지난번에 조정되었지만 크게 중요하지 않은 고문을 보았습니다.
나는 솔직히 내 눈을 믿을 수 없었습니다 - 결과는 매우 좋습니다!
그리고 다음은 논문과 질문입니다.
1. 왜 이 방법을 사용하여 만든 Expert Advisor가 ML 기술을 사용하여 만든 Expert Advisor보다 더 안정적인 것으로 판명되었습니까?
2. 나쁜 거래 기간이 있습니다. 2019년은 Si에게 순전히 평탄한 해였습니다.
3. Expert Advisor를 가동하자마자 고갈되기 시작합니까?
4. 특정 CU/MO 모델에 가장 적합한 글로벌 거래 기간을 분류하는 데 사용할 수 있는 지표는 무엇입니까?
5. 적절한 거래 기간이 예상되는 1년 동안 제로 또는 심지어 드레인까지 견디는 방법은 무엇입니까?
4. 특정 CU/MO 모델에 가장 적합한 글로벌 거래 기간을 분류하는 데 사용할 수 있는 지표는 무엇입니까?
5. 적절한 거래 기간이 예상되는 1년 동안 제로 또는 심지어 드레인을 견디는 방법은 무엇입니까?
주요 질문. 나는 거기에 있다고 생각하지 않습니다. 이것은 하나의 솔루션입니다. 핀을 올리거나 올리지 마십시오.)))) 지표는 역사와 현재의 평균에서 나온 것이어야합니다. 그리고 ZZ에서 무언가가 형성되어야 합니다. 상관관계가 별로 좋지 않습니다. 비슷하지만 뒤처지고 너무 평균적입니다. 일반적으로 아직 마라쿠.
모든 TF 계수를 볼 수 있습니다. 33개의 극단값, 추세 수 또는 최소/최대 극단값, 평균 변동성 폭 및 평균 가격 속도 에 대한 피어슨. 현재 데이터에 대해서는 증분을 제외하고는 아무 것도 떠오르지 않습니다.
여기 사람들 중 일부는 간단한 경로를 따릅니다. 그들은 간단한 TS를 많이 사용하고 최상의 결과에 따라 바보 같이 최적으로 사용하려고 시도하지만 다시 질문은 우리가 훈련하는 악기와 세그먼트입니다.
아직 서비스가 없습니다, 우리는 70에서 20까지의 모든 악기에 대해 훈련합니다)))))
...
모든 TF 계수를 볼 수 있습니다. 33개의 극단값, 추세 수 또는 최소/최대 극단값, 평균 변동성 폭 및 평균 가격 속도에 대한 Pearson. 현재 데이터에 대해서는 증분을 제외하고는 아무 것도 떠오르지 않습니다.
...
나는 비슷한 것을했고 3Z 세그먼트를 길이에 따라 3 그룹으로 나눴습니다. 예, 이것은 내 TS의 성공에 대한 좋은 지표이지만 과거 만 이러한 방식으로 결정할 수 있으며 현재를 어떻게해야합니까? 신비.
나는 비슷한 것을했고 3Z 세그먼트를 길이에 따라 3 그룹으로 나눴습니다. 예, 이것은 내 TS의 성공에 대한 좋은 지표이지만 과거 만 이러한 방식으로 결정할 수 있으며 현재를 어떻게해야합니까? 신비.
3으로는 충분하지 않습니다. 그리고 어떻게든 모든 TF의 데이터 로직을 이해/정의할 필요가 있습니다. 좋은 측면에서, 히스토리에 대한 모든 지표가 결정되고 이를 결정 기준으로 사용하면 새 데이터가 히스토리를 반복하면 모든 것이 정상이고 그렇지 않은 경우 이것이 새 데이터입니다. 새 데이터가 30% 이상 있으면 데이터에 오류가 있는 것입니다. 그것들은 단순히 충분하지 않거나 중요하지 않습니다. 아니면 아포테니아이고 아무런 관련이 없습니다.
증분은 데이터로 측정하고 측정해야 합니다)))) 증분 외에 다른 것을 원합니다. 그러나 발명된 모든 것은 증분에서 파생됩니다. 볼륨은 확실히 남아있는데 어느 쪽에서 접근해야 할지 모르겠다.
3으로는 충분하지 않습니다. 그리고 어떻게든 모든 TF의 데이터 로직을 이해/정의할 필요가 있습니다. 좋은 측면에서, 히스토리의 모든 지표가 결정되고 이를 결정 기준으로 사용하면 새 데이터가 히스토리를 반복하면 모든 것이 정상이고 그렇지 않은 경우 이것이 새 데이터입니다. 새 데이터가 30% 이상 있으면 데이터에 오류가 있는 것입니다. 그것들은 단순히 충분하지 않거나 중요하지 않습니다. 아니면 아포테니아이고 아무런 관련이 없습니다.
증분은 데이터로 측정하고 측정해야 합니다)))) 증분 외에 다른 것을 원합니다. 그러나 발명된 모든 것은 증분에서 파생됩니다. 볼륨은 확실히 남아있는데 어느 쪽에서 접근해야 할지 모르겠다.
나는 증분을 순수한 형태로 사용하지 않습니다. 사실 상대적인 정규화 지표만 사용합니다.
모델의 성능에 대한 예측 변수와 특정 모델의 적용 가능성을 결정하는 예측 변수를 혼합하는 것은 의미가 없습니다. 한 모델이 호감도를 결정하고 두 번째 모델은 TS 자체를 결정해야 한다고 생각합니다. 그렇다면 이러한 유리한 조건을 학습하기 위한 라벨링의 문제가 남아 있으며, 이를 위해서는 TS가 효과적으로 작동할 때 임계값을 결정할 필요가 있습니다. 예를 들어 오류의 균형과 이익 증가, 그리고 다른 지표와 같은 지표가 될 수 있습니다. 따라서 분류는 분명히 일주일 동안 몇 분 또는 적어도 하루 동안이어야 합니다.
그러나 과거만이 이런 식으로 결정될 수 있으며 현재를 어떻게 할 것인지는 미스터리입니다.
여기에는 미스터리가 없다
1) TS에 유리한 기간과 그렇지 않은 기간을 결정해야 합니다. 즉, 동일한 일반적인 이진 형식 Y = 0000111100000으로 대상 "Y"를 생성해야 합니다.
2) 공정하고 편향되지 않은 "시장의 특성"을 반영하는 변수를 만듭니다. DSP는 여기서 특히 스펙트럼 분석에 도움이 될 것입니다.
DSP에서 우리는 복잡한 신호가 사인 곡선의 합으로 설명될 수 있다는 것을 알고 있습니다. 사인 곡선에는 진폭, 주파수 및 위상의 세 가지 매개변수만 있습니다. 객관적으로 그렇게 될 것입니다.
이것이 어렵다면 분류를 위해 나를 위해 데이터, 가격 및 "Y"를 준비 할 수 있으며 이미 코드를 컴파일하고 거래에 유리한 조건을 인식 할 수 있는지 여부를 확인할 것입니다. 왜냐하면이 주제이기 때문에 나에게도 흥미롭다
그러나 Y를 계산하는 방법? 그냥 이익을 위한 최선의 선택이 아닐 수도 있고 진입점이 중요하다.. 결국 이익은 진입과 퇴출의 범위가 아니라 좋은 진입점에서 나온 것이다.
현재로서는 시스템 및 시장 매개변수의 진입점만 필요하다는 것이 밝혀졌습니다.
AMO는 TS에서 신호를 입력으로 받아 포즈를 열지 여부를 결정합니다.
생각하기 무섭지만 이것이 바로 우리 Mikha가 지속적으로 유행하는 것입니다))