신경망에서 이를 달성하려면 뉴런의 유형이 가능한 한 달라야 하고 레이어의 수와 구성도 임의적이어야 하므로 이것이 가능합니다.
음, 1개의 출력으로 줄이기 위해 다른 매개변수와 독립적인 매개변수를 근사화하려면 현재 시점까지의 역사적 통계 데이터를 깊이 평가해야 합니다. 대표 표본을 가지고(더 많이 - 목표에 맞을 가능성이 더 높음) ... 블랙박스에서 처리(무게)하기 위해 ... 그러나 이것은 모두 통계이며 현재의 경제 단계와는 거리가 멀 수도 있습니다. .. - 큰 분산으로 평균을 구합니다(및 부팅할 변동 계수).
우리는 30 년 동안 전체 경제주기를 거쳤습니다 . 경제 발전의 비슷한 단계에서 현재 순간에 훈련을위한 징후를 취하는 것이 좋습니다 (따라서 생각합니다) - 시작의 샘플을 줄이기 위해 . data() ... 근데 개인적으로 이 자료가 없어서 (이렇게 오랜기간 본격분석의 타당성을 믿기위해서는 자료가 필요합니다) ....
모든 사람은 기본적으로 고정 아키텍처 신경망을 사용하지만 어떤 이유로 아키텍처도 유연해야 한다는 것을 이해하지 못하고 이러한 유연성을 파괴하고 오버트레이닝을 최소화할 가능성을 파괴합니다. 물론 일반적으로 간단한 모델에 동일한 기준을 적용할 수 있습니다. 필요한 경우에도 분명히 앞으로 나아갈 것입니다. 내 모델은 몇 달 동안 확실히 이익을 내고 하루 안에 설정을 업데이트할 수 있습니다. . 주요 트릭 중 하나는 가능한 한 많은 데이터를 정확하게 가져오는 것 입니다(10년 이상의 역사). 이 경우 글로벌 패턴에 대한 검색이 있으며 시장 자체의 물리학을 기반으로 하며 대부분의 경우 여전히 아주 오랫동안 일합니다.
이건 속임수가 아니라 현실 도피 시도... IMHO
(현재 순간에 허스크와 무의미함을 분석하지 않고도 더 낮은 비용으로 정상적인 포워드를 얻을 수도 있습니다 . 모든 것이 블랙 박스에서도 알려져 있지만 여전히 먼저 켜집니다. 두뇌, 그리고 심지어 그렇게 딥 머신 러닝은 아니지만 현재 시장 상황에서 중요한 징후에 따라 현재 순간의 일부에만 관련됨) - 그러면 역사에서 필요한 모든 데이터를 사용할 수 없습니다 ...
결국, 생태계 에 대한 이해와 그 안의 신진대사 및 에너지에 대한 지식 기반은 운전 뉴스/이벤트에 대한 시기적절한 인식과 결합되어 평균 및 분산을 위해 이러한 PC 용량을 로드하지 않고 진화 를 추정하는 방법입니다. .. 임호
하지만 관찰해 주셔서 감사합니다... 하지만 저에게 그러한 딥 러닝의 필요성은 논쟁의 여지가 있습니다 (비록 블랙박스의 경우 논쟁의 여지가 없을 수도 있음)
물론 내 비전은 표준이 아닙니다. 단순히 많은 사람들과 이야기를 나눴고 5년 안에 우리가 이 포럼을 읽고 아마도 웃게 될 것이라는 것은 비밀이 아니라고 생각하기 때문에 주로 시간 절약의 관점에서 주장합니다. 우리 자신, 그것은 모든 성취가 비어 있지 않고 당신이받은 것을 확장하려고 노력해야한다고 생각합니다. 여러 번 지옥에 모든 것을 보내고 싶었지만, 돈이 안 들더라도 왠지 그러지 못했다. 이것은이 경험이 큰 가치가 있고 모든 사람이 자신의 경험을 가지고 있기 때문인 것 같습니다. 그러나 우리의 힘은 계속 이동하거나 선술집에 가서 잠을 자는 것뿐입니다.. 우리에게 필요한 것 같습니다. 시작이있는 모든 것을 확장하고 강화하는 것 - 무언가, 그리고 여전히 모든 것이 매우 간단 할 것 같습니다. 내가 뭔가를 복잡하게 만들수록 그리고 거기에 이해할 수 없는 수학을 더 많이 몰고 싶어질수록 모든 것이 예측 가능하지 않습니다. 솔직히 몇 년을 투자해 본 사람은 누구나 한 달에 100%를 볼 수 없다는 것을 이해하고 이 시간을 보내지 않은 사람은 일년에 100을 보고 한 달에 100이 없는 시그널을 살 것입니다. 2달 걸려있다는 사실에도 주목
음, 1개의 출력으로 줄이기 위해 다른 매개변수와 독립적인 매개변수를 근사화하려면 현재 시점까지의 역사적 통계 데이터를 깊이 평가해야 합니다. 대표 표본을 가지고(더 많이 - 목표에 맞을 가능성이 더 높음) ... 블랙박스에서 처리(무게)하기 위해 ... 그러나 이것은 모두 통계이며 현재의 경제 단계와는 거리가 멀 수도 있습니다. .. - 큰 분산(및 부팅할 변동 계수)이 있는 평균을 구합니다.
우리는 30 년 동안 전체 경제주기를 거쳤습니다 . 경제 발전의 비슷한 단계에서 현재 순간에 훈련을위한 징후를 취하는 것이 좋습니다 (따라서 생각합니다) - 시작의 샘플을 줄이기 위해 . data() ... 근데 개인적으로 이 자료가 없어서 (이렇게 오랜기간 본격분석의 타당성을 믿기위해서는 자료가 필요합니다) ....
이건 속임수가 아니라 현실 도피 시도... IMHO
(현재 순간에 허스크와 무의미함을 분석하지 않고도 더 낮은 비용으로 정상적인 포워드를 얻을 수도 있습니다 . 모든 것이 블랙 박스에서도 알려져 있지만 여전히 먼저 켜집니다. 두뇌, 그리고 심지어 그렇게 딥 머신 러닝은 아니지만 현재 시장 상황에서 중요한 징후에 따라 현재 순간의 일부에만 관련됨) - 그러면 역사에서 필요한 모든 데이터를 사용할 수 없습니다 ...
결국, 생태계 에 대한 이해와 그 안의 신진대사 및 에너지에 대한 지식 기반은 운전 뉴스/이벤트에 대한 시기적절한 인식과 결합되어 평균 및 분산을 위해 이러한 PC 용량을 로드하지 않고 진화 를 추정하는 방법입니다. .. 임호
하지만 관찰해 주셔서 감사합니다... 하지만 저에게 이러한 딥 러닝의 필요성은 논쟁의 여지가 있습니다 (비록 블랙박스의 경우 논쟁의 여지가 없을 수도 있음).
분산 및 기타 편차는 미분 방정식이 아닌 확률에 기반한 시스템 분석의 자연스러운 결과입니다. 얻을 수 있는 모든 것은 "특정 이벤트의 확률"에 주의를 기울이는 변수인 미분 방정식 시스템입니다. 당신에게 중요해 보이는 사건과 이 확률을 예측할 수 있지만 정확한 값은 아닌 모든 것. 이것을 이해하면 모든 것이 쉬워지고 분산이나 다른 것을 두려워하지 않을 것입니다. 항상 편차를 받게 되며, 귀하의 임무는 편차를 최소화하는 것입니다. 100% 정확도로 장기적으로 시스템의 동작을 예측하는 것은 불가능하지만 수익성 있는 거래에 충분할 특정 지표를 달성하는 것은 가능합니다. 내 말은 당신이 그녀의 자동차 일을 할 필요가 없다는 것을 의미합니다. 그녀에게 자유를 주면 그녀가 그녀에게 필요한 데이터가 무엇인지 당신보다 훨씬 더 잘 알고 있다는 것을 알게 될 것입니다. 그건 그렇고, 블랙박스에 관해서는 박스가 검을수록 똑똑합니다. AI는 정확히 이 원칙을 기반으로 구축되었습니다.
. 내 말은 당신이 그녀의 자동차 일을 할 필요가 없다는 것을 의미합니다. 그녀에게 자유를 주면 그녀가 그녀에게 필요한 데이터가 무엇인지 당신보다 훨씬 더 잘 알고 있다는 것을 알게 될 것입니다. 그건 그렇고, 블랙박스에 관해서는 박스가 검을수록 똑똑합니다. AI는 정확히 이 원칙을 기반으로 구축되었습니다.
- 음, 입력에 더 많은 데이터(및 선택에 대한 기호)가 많을수록 근사 추정치와 이를 기반으로 한 예측값이 더 정확해집니다(여전히 오류 가능성이 있지만) ...
분산 및 기타 편차는 미분 방정식이 아닌 확률에 기반한 시스템 분석의 자연스러운 결과입니다. 얻을 수 있는 모든 것은 "특정 이벤트의 확률"에 주의를 기울이는 변수인 미분 방정식 시스템입니다. 당신에게 중요해 보이는 사건들 , 그리고 이 확률을 예측할 수 있지만 정확한 값은 아닌 모든 것.
저는 뉴턴으로만 말할 수 있습니다. 제가 알기로는 과거에 존재하는 곡선을 기반으로 한 미래예측은 오래전에 제가 해본적이 있는데, 가격으로 따지면 전혀 통하지 않습니다. 그러나 포워드의 백테스트 일정을 예측하려고 하면 작동하지만 다음과 같은 뉘앙스가 있습니다.
이것은 순전히 제 경험입니다. 무언가를 예측하는 모든 방법은 일부 다항식에 의한 함수의 보간을 기반으로 한 다음 연속 구조를 구성합니다. Newton이 어떻게하는지 모르지만 아마도 깊은 차수가 계산되고 가정되는 방법의 도함수를 기반으로합니다. 물론 시간이 지남에 따라 이 모든 것이 변경되지만(시장에서 이러한 예측은 전혀 작동하지 않으며 검증됨) 이 기능에 대한 상수입니다. 백테스트를 앞으로 예측하려면 차트를 최대한 직선으로 만들고 가능한 많은 포인트를 포함해야 합니다(이 경우 데이터 또는 거래, 그러면 조금 앞을 내다볼 수 있음). 즉, 가능한 한 많은 1차 도함수의 변동 범위가 상당히 좁은 샘플을 찾은 경우 이러한 외삽 방법이 부분적으로 작동합니다. 가장 중요한 것은 욕심을 부리지 않고 시간을 멈추는 것입니다. 여기에 처음 두 가지가 있습니다. 수치는 두 가지 경우이며 두 번째는 우리에게 적합하고 첫 번째는 무작위로 제공됩니다. 아래에서는 로트 크기를 사용하여 불확실성을 처리하는 방법을 간단히 보여줍니다(예측이 어디에서 힘을 잃을지 정확히 모르는 경우). 여기에서 메소드 자체는 이미 배경으로 사라지고 있으며 푸리에를 보간하고 미래로 연속성을 그리는 것이 가능하지만 임의의 기능에서는 작동하지 않습니다. 학습 깔때기에 관해서는, 글쎄요, 당신은 다른 방식으로 재훈련을 제어할 수 있습니다. 나는 다른 사람들의 공식을 취한 적이 없습니다. 단순히 나 자신이 필요한 경우 즉시 내 자신을 리벳으로 고정할 수 있기 때문입니다. 그리고 그것들은 아마도 더 간단하고 더 유용할 것입니다. 나는 모든 것을 이해하기 때문에 항상 그랬습니다. 나는 그것에 대해 어떤 문제도 경험한 적이 없습니다.
저는 뉴턴으로만 말할 수 있습니다. 제가 알기로는 과거에 존재하는 곡선을 기반으로 한 미래예측은 오래전에 제가 해본적이 있는데, 가격으로 따지면 전혀 통하지 않습니다.
이것은 순전히 제 경험입니다. 무언가를 예측하는 모든 방법은 연속의 후속 구성과 함께 일부 다항식에 의한 함수의 보간을 기반으로합니다. Newton이 어떻게하는지 모르지만 ... (이러한 예측은 시장에서 전혀 작동하지 않습니다. 확인되었습니다).
당신의 이 결론은 나에게 흥미로웠습니다 - 감사합니다! -
예브게니 일린 # : 학습 깔때기에 관해서는, 글쎄요, 당신은 다른 방식으로 재훈련을 제어할 수 있습니다. 나는 다른 사람들의 공식을 취한 적이 없습니다. 단순히 나 자신이 필요한 경우 즉시 내 자신을 리벳으로 고정할 수 있기 때문입니다. 그리고 그것들은 아마도 더 간단하고 더 유용할 것입니다. 나는 모든 것을 이해하기 때문에 항상 그랬습니다. 나는 그것에 대해 어떤 문제도 경험한 적이 없습니다.
+1,하지만 나는 물리학자가 아닙니다 ... 다른 사람의 모델을 사용하는 것보다 내 자신의 논리가 더 가깝지만
백테스트를 앞으로 예측하려면 차트를 최대한 직선으로 만들고 가능한 많은 포인트를 포함해야 합니다(이 경우 데이터 또는 거래, 그러면 조금 앞을 내다볼 수 있음). 즉, 가능한 한 많은 1차 도함수의 변동 범위가 충분히 좁은 표본을 찾은 경우 이러한 외삽 방법이 부분적으로 작동합니다.
일반적으로 1차 도함수가 선형이 되는 일반 포물선이 있는 경우 ... 결과적으로 기울기 계수(트렌드, 노이즈 제거)만 얻습니다. 많은 1x 파생 상품) ... 얼굴이 파랗게 질릴 때까지 몸무게를 재야 하나요? (출력에서 포물선 을 얻을 때까지 여러 레이어)? .. 더 정확하게는 그것의 1x 도함수의 직선
예브게니 일린 # : 여기에서 메소드 자체는 이미 배경으로 사라지고 있으며 푸리에를 보간하고 미래로 연속을 그리는 것이 가능하지만 임의의 기능에서는 작동하지 않습니다.
이것은 분포를 표시하지 않고 표 / 실증과 비교하지 않고 통계적으로 각 재채기의 확인을 찾지 않기 위해 신경망에서 나를 흥미롭게합니다 (최대 "평균을 올바르게 결정 했습니까?"), 귀무 가설 비교 표 형식의 표시기로 ... - 이것은 일반적으로 지난 세기 통계입니다. 처리 ... 일반적으로 모델과 예측 및 오류의 신뢰성을 증명하지 않기 위해, 그리고이 모든 것은 지난 세기의 태블릿으로 손에 들고 있습니다 (표현 죄송합니다)
또는 대안으로 다층 가중치(내가 이해하는 대로 신경망) ... 이미 말했듯이 파란색이 될 때까지? (출력에서 포물선 을 얻을 때까지 여러 레이어)? .. 더 정확하게는 그것의 1x 도함수의 직선
??? 또는 일반적으로 모든 종류의 함수(포물선 포함)를 잊어버리고 weight*signal(event) -> 다음 수준을 찾으십시오. 그리고 각 수준에서 Excel 솔루션 찾기(선형 종속성 또는 비선형 종속성 또는 독립 데이터에 대해) [이러한 이름으로 Excel의 내부에 무엇이 있는지 모르지만 이것은 세부 사항, 논리에 대한 강조]
다음 레벨의 신호 수렴 지점(이전 가중치 고려)에서 수신된 신호의 모든 차이를 계산합니다...
? 나는 곡선/직선을 고수할 필요 없이 혼돈의 기계력에 의한 신경망과 미분을 올바르게 이해하고 있습니까? 나는혼돈 구조화의 결과일 수 있지만 출발점은 아닙니다... 나는 개발자의 책임에 관한 모든 것입니다. 나는 지느러미에 누워있을 이유를 믿지 않으며 보지도 않습니다. 혼돈의 근사/보간을 사용 하여 책/블로그/기사(및 통계 처리된 배포판)의 재무 모델 분석 ... 출력의 추가 외삽을 위해
추신
깊숙이 나는 속도(x에서의 계수)와 가속도(x ^ 2에서의 계수) 및 자유 부재의 변위만 있다는 것을 이해합니다. 포물선에서 물론, 그것의 1차 도함수는 선형입니다 ... 공식은 일반적으로 나를 두려워합니다. 특히 낯선 사람 모델
여기에 약간의 진실이 있지만 내 모델을 확인했습니다. 가장 중요한 것은 우리가 어떤 종류의 발전을 기대하고 있는지 아는 것입니다. 문제는 재훈련에 있습니다. 재훈련을 하지 않으려면 최종 기준 세트에 대한 분석 중인 데이터 양의 최대 비율을 위해 노력해야 합니다. 즉, 여기에서 데이터 압축이 발생합니다. 예를 들어, 포물선 그래프의 데이터를 가져오고 수천 점을 취하여 모든 것을 3개의 계수 A * X ^ 2 + B*X + C 로 줄입니다. 거기에서 데이터 압축 품질이 더 높고 앞으로가 있습니다. 과적합은 이 데이터 압축을 고려하는 올바른 스칼라 성능 측정을 입력하여 제어할 수 있습니다. 제 경우에는 이것이 더 간단하게 수행됩니다. 고정된 수의 계수를 취하고 샘플 크기를 최대한 크게 하면 효율성은 떨어지지만 작동합니다.
나는 당신의 대답을 더 일찍 찾았습니다 ... 아마도 이전 게시물에 서두르고 있었을 것입니다 ... 아마도, 정말로, 속도와 가속도가있는 움직임을 설명하는 함수로 적어도 포물선에서 밀어 넣을 가치가 있습니다 ... (심지어 어딘가에서 이에 대한 연구를 본 적이 있음) 차트 유형 및 그리스 옵션(델타 및 감마) - 기억하고 찾을 때까지 - 그리고 필요하지 않습니다 - 시간 분석이 필요하기 때문에 - 수직이 아닌 수평)
신경망에서 이를 달성하려면 뉴런의 유형이 가능한 한 달라야 하고 레이어의 수와 구성도 임의적이어야 하므로 이것이 가능합니다.
음, 1개의 출력으로 줄이기 위해 다른 매개변수와 독립적인 매개변수를 근사화하려면 현재 시점까지의 역사적 통계 데이터를 깊이 평가해야 합니다. 대표 표본을 가지고(더 많이 - 목표에 맞을 가능성이 더 높음) ... 블랙박스에서 처리(무게)하기 위해 ... 그러나 이것은 모두 통계이며 현재의 경제 단계와는 거리가 멀 수도 있습니다. .. - 큰 분산으로 평균을 구합니다(및 부팅할 변동 계수).
우리는 30 년 동안 전체 경제주기를 거쳤습니다 . 경제 발전의 비슷한 단계에서 현재 순간에 훈련을위한 징후를 취하는 것이 좋습니다 (따라서 생각합니다) - 시작의 샘플을 줄이기 위해 . data() ... 근데 개인적으로 이 자료가 없어서 (이렇게 오랜기간 본격분석의 타당성을 믿기위해서는 자료가 필요합니다) ....
모든 사람은 기본적으로 고정 아키텍처 신경망을 사용하지만 어떤 이유로 아키텍처도 유연해야 한다는 것을 이해하지 못하고 이러한 유연성을 파괴하고 오버트레이닝을 최소화할 가능성을 파괴합니다. 물론 일반적으로 간단한 모델에 동일한 기준을 적용할 수 있습니다. 필요한 경우에도 분명히 앞으로 나아갈 것입니다. 내 모델은 몇 달 동안 확실히 이익을 내고 하루 안에 설정을 업데이트할 수 있습니다. . 주요 트릭 중 하나는 가능한 한 많은 데이터를 정확하게 가져오는 것 입니다(10년 이상의 역사). 이 경우 글로벌 패턴에 대한 검색이 있으며 시장 자체의 물리학을 기반으로 하며 대부분의 경우 여전히 아주 오랫동안 일합니다.
이건 속임수가 아니라 현실 도피 시도... IMHO
(현재 순간에 허스크와 무의미함을 분석하지 않고도 더 낮은 비용으로 정상적인 포워드를 얻을 수도 있습니다 . 모든 것이 블랙 박스에서도 알려져 있지만 여전히 먼저 켜집니다. 두뇌, 그리고 심지어 그렇게 딥 머신 러닝은 아니지만 현재 시장 상황에서 중요한 징후에 따라 현재 순간의 일부에만 관련됨) - 그러면 역사에서 필요한 모든 데이터를 사용할 수 없습니다 ...
결국, 생태계 에 대한 이해와 그 안의 신진대사 및 에너지에 대한 지식 기반은 운전 뉴스/이벤트에 대한 시기적절한 인식과 결합되어 평균 및 분산을 위해 이러한 PC 용량을 로드하지 않고 진화 를 추정하는 방법입니다. .. 임호
하지만 관찰해 주셔서 감사합니다... 하지만 저에게 그러한 딥 러닝의 필요성은 논쟁의 여지가 있습니다 (비록 블랙박스의 경우 논쟁의 여지가 없을 수도 있음)
물론 내 비전은 표준이 아닙니다. 단순히 많은 사람들과 이야기를 나눴고 5년 안에 우리가 이 포럼을 읽고 아마도 웃게 될 것이라는 것은 비밀이 아니라고 생각하기 때문에 주로 시간 절약의 관점에서 주장합니다. 우리 자신, 그것은 모든 성취가 비어 있지 않고 당신이받은 것을 확장하려고 노력해야한다고 생각합니다. 여러 번 지옥에 모든 것을 보내고 싶었지만, 돈이 안 들더라도 왠지 그러지 못했다. 이것은이 경험이 큰 가치가 있고 모든 사람이 자신의 경험을 가지고 있기 때문인 것 같습니다. 그러나 우리의 힘은 계속 이동하거나 선술집에 가서 잠을 자는 것뿐입니다.. 우리에게 필요한 것 같습니다. 시작이있는 모든 것을 확장하고 강화하는 것 - 무언가, 그리고 여전히 모든 것이 매우 간단 할 것 같습니다. 내가 뭔가를 복잡하게 만들수록 그리고 거기에 이해할 수 없는 수학을 더 많이 몰고 싶어질수록 모든 것이 예측 가능하지 않습니다. 솔직히 몇 년을 투자해 본 사람은 누구나 한 달에 100%를 볼 수 없다는 것을 이해하고 이 시간을 보내지 않은 사람은 일년에 100을 보고 한 달에 100이 없는 시그널을 살 것입니다. 2달 걸려있다는 사실에도 주목
음, 1개의 출력으로 줄이기 위해 다른 매개변수와 독립적인 매개변수를 근사화하려면 현재 시점까지의 역사적 통계 데이터를 깊이 평가해야 합니다. 대표 표본을 가지고(더 많이 - 목표에 맞을 가능성이 더 높음) ... 블랙박스에서 처리(무게)하기 위해 ... 그러나 이것은 모두 통계이며 현재의 경제 단계와는 거리가 멀 수도 있습니다. .. - 큰 분산(및 부팅할 변동 계수)이 있는 평균을 구합니다.
우리는 30 년 동안 전체 경제주기를 거쳤습니다 . 경제 발전의 비슷한 단계에서 현재 순간에 훈련을위한 징후를 취하는 것이 좋습니다 (따라서 생각합니다) - 시작의 샘플을 줄이기 위해 . data() ... 근데 개인적으로 이 자료가 없어서 (이렇게 오랜기간 본격분석의 타당성을 믿기위해서는 자료가 필요합니다) ....
이건 속임수가 아니라 현실 도피 시도... IMHO
(현재 순간에 허스크와 무의미함을 분석하지 않고도 더 낮은 비용으로 정상적인 포워드를 얻을 수도 있습니다 . 모든 것이 블랙 박스에서도 알려져 있지만 여전히 먼저 켜집니다. 두뇌, 그리고 심지어 그렇게 딥 머신 러닝은 아니지만 현재 시장 상황에서 중요한 징후에 따라 현재 순간의 일부에만 관련됨) - 그러면 역사에서 필요한 모든 데이터를 사용할 수 없습니다 ...
결국, 생태계 에 대한 이해와 그 안의 신진대사 및 에너지에 대한 지식 기반은 운전 뉴스/이벤트에 대한 시기적절한 인식과 결합되어 평균 및 분산을 위해 이러한 PC 용량을 로드하지 않고 진화 를 추정하는 방법입니다. .. 임호
하지만 관찰해 주셔서 감사합니다... 하지만 저에게 이러한 딥 러닝의 필요성은 논쟁의 여지가 있습니다 (비록 블랙박스의 경우 논쟁의 여지가 없을 수도 있음).
분산 및 기타 편차는 미분 방정식이 아닌 확률에 기반한 시스템 분석의 자연스러운 결과입니다. 얻을 수 있는 모든 것은 "특정 이벤트의 확률"에 주의를 기울이는 변수인 미분 방정식 시스템입니다. 당신에게 중요해 보이는 사건과 이 확률을 예측할 수 있지만 정확한 값은 아닌 모든 것. 이것을 이해하면 모든 것이 쉬워지고 분산이나 다른 것을 두려워하지 않을 것입니다. 항상 편차를 받게 되며, 귀하의 임무는 편차를 최소화하는 것입니다. 100% 정확도로 장기적으로 시스템의 동작을 예측하는 것은 불가능하지만 수익성 있는 거래에 충분할 특정 지표를 달성하는 것은 가능합니다. 내 말은 당신이 그녀의 자동차 일을 할 필요가 없다는 것을 의미합니다. 그녀에게 자유를 주면 그녀가 그녀에게 필요한 데이터가 무엇인지 당신보다 훨씬 더 잘 알고 있다는 것을 알게 될 것입니다. 그건 그렇고, 블랙박스에 관해서는 박스가 검을수록 똑똑합니다. AI는 정확히 이 원칙을 기반으로 구축되었습니다.
. 내 말은 당신이 그녀의 자동차 일을 할 필요가 없다는 것을 의미합니다. 그녀에게 자유를 주면 그녀가 그녀에게 필요한 데이터가 무엇인지 당신보다 훨씬 더 잘 알고 있다는 것을 알게 될 것입니다. 그건 그렇고, 블랙박스에 관해서는 박스가 검을수록 똑똑합니다. AI는 정확히 이 원칙을 기반으로 구축되었습니다.
- 음, 입력에 더 많은 데이터(및 선택에 대한 기호)가 많을수록 근사 추정치와 이를 기반으로 한 예측값이 더 정확해집니다(여전히 오류 가능성이 있지만) ...
포스팅 이후 에는 개발자의 책임영역이 조금 더 명확해지고,
분산 및 기타 편차는 미분 방정식이 아닌 확률에 기반한 시스템 분석의 자연스러운 결과입니다. 얻을 수 있는 모든 것은 "특정 이벤트의 확률"에 주의를 기울이는 변수인 미분 방정식 시스템입니다. 당신에게 중요해 보이는 사건들 , 그리고 이 확률을 예측할 수 있지만 정확한 값은 아닌 모든 것.
뉴턴 순방향 차분 공식을 사용하여 도함수를 찾는 알고리즘
. 항상 편차를 받게 되며, 귀하의 임무는 편차를 최소화하는 것입니다.
네, 조금 더 일찍 남겨둔 링크 어딘가에 그림이 있었어요~ 포물선의 맨 아래까지 예측과 오차의 수렴(이것은 너무 많이 재훈련하고 시간에 멈추지 않기 위함입니다) - 진화가 들어갑니다 이 지점까지의 나선형
추신
나는 VBA를 사용하여 내재 변동성 계산 - Newton-Raphson 반복을 사용한 내재 변동성 - 신호를 찾지 못했습니다. 꿈꾸는 것처럼 모든 것이 이항적으로 분포되어 있지는 않습니다)
... 솔직히 말해서 뉴턴을 전혀 모릅니다. 그가 그렇게 많은 다른 것들을 발명했습니까(?), 아니면 (당신의 포워드와 나의 내재된 변동성) - 이것은 동일한 오페라에서 동일한 관점에서 그리고 본질은 동일하고 동일한 계산 ...? 모델링
그러나 여전히 목적 함수를 선택하는 문제는 남아 있습니다 ... - 또한 개발자 자신의 책임 ... - 당신은 무엇을 조언합니까?
(예, 순차차를 사용했지만)
추신
자유도에 따라 - 나는 다시 살펴볼 것입니다
나는 수요-공급을 믿습니다... 거미 같은 모델(탄력성과 왈라스 에 초점) - 균형-불균형 - 방향을 결정하기 위해... (플랫을 추세로 빠져나갈 확률) - 오직 OI 및 시간 관리(Walras에 자신을 맞추는 것이 항상 가능한 것은 아님을 포함하여)...
사실 - 유리 (레벨 분석 또는 웁스 - 팝업 빙산) - 물론 분해하지 않는 것이 좋지만 누군가가 이미 레벨을 분해하고 반대가 존재하지 않을 때 침착하게 가십시오 (테스트와 함께 더 좋습니다 고장 후 - 유리 및 테이프에서도 볼 수 있음)
왈라스에
나는 치즈 마을과 와인 테라피 센터가 정말 좋았습니다.
저는 뉴턴으로만 말할 수 있습니다. 제가 알기로는 과거에 존재하는 곡선을 기반으로 한 미래예측은 오래전에 제가 해본적이 있는데, 가격으로 따지면 전혀 통하지 않습니다. 그러나 포워드의 백테스트 일정을 예측하려고 하면 작동하지만 다음과 같은 뉘앙스가 있습니다.
이것은 순전히 제 경험입니다. 무언가를 예측하는 모든 방법은 일부 다항식에 의한 함수의 보간을 기반으로 한 다음 연속 구조를 구성합니다. Newton이 어떻게하는지 모르지만 아마도 깊은 차수가 계산되고 가정되는 방법의 도함수를 기반으로합니다. 물론 시간이 지남에 따라 이 모든 것이 변경되지만(시장에서 이러한 예측은 전혀 작동하지 않으며 검증됨) 이 기능에 대한 상수입니다. 백테스트를 앞으로 예측하려면 차트를 최대한 직선으로 만들고 가능한 많은 포인트를 포함해야 합니다(이 경우 데이터 또는 거래, 그러면 조금 앞을 내다볼 수 있음). 즉, 가능한 한 많은 1차 도함수의 변동 범위가 상당히 좁은 샘플을 찾은 경우 이러한 외삽 방법이 부분적으로 작동합니다. 가장 중요한 것은 욕심을 부리지 않고 시간을 멈추는 것입니다. 여기에 처음 두 가지가 있습니다. 수치는 두 가지 경우이며 두 번째는 우리에게 적합하고 첫 번째는 무작위로 제공됩니다. 아래에서는 로트 크기를 사용하여 불확실성을 처리하는 방법을 간단히 보여줍니다(예측이 어디에서 힘을 잃을지 정확히 모르는 경우). 여기에서 메소드 자체는 이미 배경으로 사라지고 있으며 푸리에를 보간하고 미래로 연속성을 그리는 것이 가능하지만 임의의 기능에서는 작동하지 않습니다. 학습 깔때기에 관해서는, 글쎄요, 당신은 다른 방식으로 재훈련을 제어할 수 있습니다. 나는 다른 사람들의 공식을 취한 적이 없습니다. 단순히 나 자신이 필요한 경우 즉시 내 자신을 리벳으로 고정할 수 있기 때문입니다. 그리고 그것들은 아마도 더 간단하고 더 유용할 것입니다. 나는 모든 것을 이해하기 때문에 항상 그랬습니다. 나는 그것에 대해 어떤 문제도 경험한 적이 없습니다.
저는 뉴턴으로만 말할 수 있습니다. 제가 알기로는 과거에 존재하는 곡선을 기반으로 한 미래예측은 오래전에 제가 해본적이 있는데, 가격으로 따지면 전혀 통하지 않습니다.
이것은 순전히 제 경험입니다. 무언가를 예측하는 모든 방법은 연속의 후속 구성과 함께 일부 다항식에 의한 함수의 보간을 기반으로합니다. Newton이 어떻게하는지 모르지만 ... (이러한 예측은 시장에서 전혀 작동하지 않습니다. 확인되었습니다).
당신의 이 결론은 나에게 흥미로웠습니다 - 감사합니다! -
학습 깔때기에 관해서는, 글쎄요, 당신은 다른 방식으로 재훈련을 제어할 수 있습니다. 나는 다른 사람들의 공식을 취한 적이 없습니다. 단순히 나 자신이 필요한 경우 즉시 내 자신을 리벳으로 고정할 수 있기 때문입니다. 그리고 그것들은 아마도 더 간단하고 더 유용할 것입니다. 나는 모든 것을 이해하기 때문에 항상 그랬습니다. 나는 그것에 대해 어떤 문제도 경험한 적이 없습니다.
+1,하지만 나는 물리학자가 아닙니다 ... 다른 사람의 모델을 사용하는 것보다 내 자신의 논리가 더 가깝지만
백테스트를 앞으로 예측하려면 차트를 최대한 직선으로 만들고 가능한 많은 포인트를 포함해야 합니다(이 경우 데이터 또는 거래, 그러면 조금 앞을 내다볼 수 있음). 즉, 가능한 한 많은 1차 도함수의 변동 범위가 충분히 좁은 표본을 찾은 경우 이러한 외삽 방법이 부분적으로 작동합니다.
일반적으로 1차 도함수가 선형이 되는 일반 포물선이 있는 경우 ... 결과적으로 기울기 계수(트렌드, 노이즈 제거)만 얻습니다. 많은 1x 파생 상품) ... 얼굴이 파랗게 질릴 때까지 몸무게를 재야 하나요? (출력에서 포물선 을 얻을 때까지 여러 레이어)? .. 더 정확하게는 그것의 1x 도함수의 직선
여기에서 메소드 자체는 이미 배경으로 사라지고 있으며 푸리에를 보간하고 미래로 연속을 그리는 것이 가능하지만 임의의 기능에서는 작동하지 않습니다.
이것은 분포를 표시하지 않고 표 / 실증과 비교하지 않고 통계적으로 각 재채기의 확인을 찾지 않기 위해 신경망에서 나를 흥미롭게합니다 (최대 "평균을 올바르게 결정 했습니까?"), 귀무 가설 비교 표 형식의 표시기로 ... - 이것은 일반적으로 지난 세기 통계입니다. 처리 ... 일반적으로 모델과 예측 및 오류의 신뢰성을 증명하지 않기 위해, 그리고이 모든 것은 지난 세기의 태블릿으로 손에 들고 있습니다 (표현 죄송합니다)
또는 대안으로 다층 가중치(내가 이해하는 대로 신경망) ... 이미 말했듯이 파란색이 될 때까지? (출력에서 포물선 을 얻을 때까지 여러 레이어)? .. 더 정확하게는 그것의 1x 도함수의 직선
??? 또는 일반적으로 모든 종류의 함수(포물선 포함)를 잊어버리고 weight*signal(event) -> 다음 수준을 찾으십시오. 그리고 각 수준에서 Excel 솔루션 찾기(선형 종속성 또는 비선형 종속성 또는 독립 데이터에 대해) [이러한 이름으로 Excel의 내부에 무엇이 있는지 모르지만 이것은 세부 사항, 논리에 대한 강조]
다음 레벨의 신호 수렴 지점(이전 가중치 고려)에서 수신된 신호의 모든 차이를 계산합니다...
? 나는 곡선/직선을 고수할 필요 없이 혼돈의 기계력에 의한 신경망과 미분을 올바르게 이해하고 있습니까? 나는 혼돈 구조화의 결과일 수 있지만 출발점은 아닙니다... 나는 개발자의 책임에 관한 모든 것입니다. 나는 지느러미에 누워있을 이유를 믿지 않으며 보지도 않습니다. 혼돈의 근사/보간을 사용 하여 책/블로그/기사(및 통계 처리된 배포판)의 재무 모델 분석 ... 출력의 추가 외삽을 위해
추신
깊숙이 나는 속도(x에서의 계수)와 가속도(x ^ 2에서의 계수) 및 자유 부재의 변위만 있다는 것을 이해합니다. 포물선에서 물론, 그것의 1차 도함수는 선형입니다 ... 공식은 일반적으로 나를 두려워합니다. 특히 낯선 사람 모델
여기에 약간의 진실이 있지만 내 모델을 확인했습니다. 가장 중요한 것은 우리가 어떤 종류의 발전을 기대하고 있는지 아는 것입니다. 문제는 재훈련에 있습니다. 재훈련을 하지 않으려면 최종 기준 세트에 대한 분석 중인 데이터 양의 최대 비율을 위해 노력해야 합니다. 즉, 여기에서 데이터 압축이 발생합니다. 예를 들어, 포물선 그래프의 데이터를 가져오고 수천 점을 취하여 모든 것을 3개의 계수 A * X ^ 2 + B*X + C 로 줄입니다. 거기에서 데이터 압축 품질이 더 높고 앞으로가 있습니다. 과적합은 이 데이터 압축을 고려하는 올바른 스칼라 성능 측정을 입력하여 제어할 수 있습니다. 제 경우에는 이것이 더 간단하게 수행됩니다. 고정된 수의 계수를 취하고 샘플 크기를 최대한 크게 하면 효율성은 떨어지지만 작동합니다.
나는 당신의 대답을 더 일찍 찾았습니다 ... 아마도 이전 게시물에 서두르고 있었을 것입니다 ... 아마도, 정말로, 속도와 가속도가있는 움직임을 설명하는 함수로 적어도 포물선에서 밀어 넣을 가치가 있습니다 ... (심지어 어딘가에서 이에 대한 연구를 본 적이 있음) 차트 유형 및 그리스 옵션(델타 및 감마) - 기억하고 찾을 때까지 - 그리고 필요하지 않습니다 - 시간 분석이 필요하기 때문에 - 수직이 아닌 수평)