나는 메트릭에 대해 이야기하고 있습니다. 때로는 이익이 아니라 올바른 클래스 예측의 역학으로 모델을 평가합니다. 본질적으로 동일한 균형이지만 변경 사항은 고정되어 있습니다. 결론은 전략은 분류 정확도뿐만 아니라 시장 변동성의 변동에도 영향을 받을 수 있다는 점이며, 금전적 조건 없이 분류 정확도의 역학을 살펴볼 필요가 있습니다.
난 내 모든 목표, 표지판을 수집했습니다. 설계 변수는 대상인 기능의 매개변수였습니다. 나는 2개의 표지판 + 그들의 표적의 트리오를 형성하고 컷버스트를 훈련했습니다. 테스트 샘플의 최대 훈련 정확도에 따라 선택됩니다. 선택된 트리오는 거래를 위한 적절한 신호를 제공하기 위해 대상에 의해 가능한 한 필터링되었습니다.
그 결과 5개의 3인조+타겟이 나왔다. 그러나 이미 보여드린 것처럼 거래에 좋은 신호를 제공하는 목표에 대한 93%의 예측 정확도는 분명히 충분하지 않습니다. 그건 그렇고, 나는 발견 된 트리오를 기반으로 한 데이터 세트를 사용하여 무작위 포리스트와 다른 구성의 완전 연결된 신경망을 훈련하려고 시도했으며 테스트 샘플과 동일한 테스트 거래에서 동일한 훈련 정확도를 얻었습니다.
난 내 모든 목표, 표지판을 수집했습니다. 설계 변수는 대상인 기능의 매개변수였습니다. 나는 2개의 표지판 + 그들의 표적의 트리오를 형성하고 컷버스트를 훈련했습니다. 테스트 샘플의 최대 훈련 정확도에 따라 선택됩니다. 선택된 트리오는 거래를 위한 적절한 신호를 제공하기 위해 대상에 의해 가능한 한 필터링되었습니다.
그 결과 5개의 3인조+타겟이 나왔다. 그러나 이미 보여드린 것처럼 거래에 좋은 신호를 제공하는 목표에 대한 93%의 예측 정확도는 분명히 충분하지 않습니다. 그건 그렇고, 나는 발견 된 트리오를 기반으로 한 데이터 세트를 사용하여 무작위 포리스트와 다른 구성의 완전 연결된 신경망을 훈련하려고 시도했으며 테스트 샘플과 동일한 테스트 거래에서 동일한 훈련 정확도를 얻었습니다.
하나의 샘플에서 다른 대상을 훈련하는 것이 옳다고 확신하십니까? 결국 신호는 비교할 수 있어야 합니다. 예를 들어 추세 반전과 플랫에서 추세로의 진입은 다른 세트의 예측 지표를 나타냅니다.
SanSanych Fomenko # : 덧붙여서 그래디언트 부스팅 은 어떤 이유로 불안정합니다. 부스팅을 통해 이상을 얻으려는 시도로 인해 재교육되었을 가능성이 큽니다.
나는 지금까지 하나의 샘플로 이 주제에 대한 실험을 수행했지만 결론은 정답이 없는 경우인 일반화가 더 많이 있기 때문에 학습률을 높이는 것이 결과에 긍정적인 영향을 미친다는 것입니다. 모든 질문에 대해 그리고 표본이 대표성이 아닐 때 각 예에 대한 기록에 적합하는 것보다 더 효율적인 것으로 판명되었습니다.
수평 레벨은 어떻게 사용합니까? 가격에서 가장 가까운 백 평방 미터, 500, 1000까지의 거리?
나는 포인트를 사용하지 않으려고 노력합니다. 저는 백분율을 사용합니다. 하루에 대한 그리드가 있고(ATR이라고 가정) 여기에 현재 막대의 시작 가격과 예측 변수를 입력하므로 가격이 레벨에 상대적인 위치를 알고 있으므로 레벨 교차 이벤트를 표시하는 것이 바람직합니다. 예전에는...
Машинное обучение. Как обсуждалось в этой статье , машинное обучение — это не что иное, как область обучения, которая позволяет компьютерам «учиться», как люди, без необходимости явного программирования. Что такое прогнозирующее моделирование: прогнозирующее моделирование — это вероятностный процесс, который позволяет нам прогнозировать...
어떤가요? 그리드를 통한 검색도 생각하기 때문에 이미 구현된 기술에 관심이 있습니다.
때로는 목발처럼 부정적인 배우자의 기대에 가까운 전략을 그릴 수 있습니다.
나는 메트릭에 대해 이야기하고 있습니다. 때로는 이익이 아니라 올바른 클래스 예측의 역학으로 모델을 평가합니다. 본질적으로 동일한 균형이지만 변경 사항은 고정되어 있습니다. 결론은 전략은 분류 정확도뿐만 아니라 시장 변동성의 변동에도 영향을 받을 수 있다는 점이며, 금전적 조건 없이 분류 정확도의 역학을 살펴볼 필요가 있습니다.
난 내 모든 목표, 표지판을 수집했습니다. 설계 변수는 대상인 기능의 매개변수였습니다. 나는 2개의 표지판 + 그들의 표적의 트리오를 형성하고 컷버스트를 훈련했습니다. 테스트 샘플의 최대 훈련 정확도에 따라 선택됩니다. 선택된 트리오는 거래를 위한 적절한 신호를 제공하기 위해 대상에 의해 가능한 한 필터링되었습니다.
그 결과 5개의 3인조+타겟이 나왔다. 그러나 이미 보여드린 것처럼 거래에 좋은 신호를 제공하는 목표에 대한 93%의 예측 정확도는 분명히 충분하지 않습니다. 그건 그렇고, 나는 발견 된 트리오를 기반으로 한 데이터 세트를 사용하여 무작위 포리스트와 다른 구성의 완전 연결된 신경망을 훈련하려고 시도했으며 테스트 샘플과 동일한 테스트 거래에서 동일한 훈련 정확도를 얻었습니다.
좋은 생각입니다. 감사합니다. 끝내도록 노력하겠습니다.
나는 빠른 시장에서 몇 분 만에 거래하기 때문에 가격이 1초 만에 체크메이트보다 더 많이 움직일 수 있다는 것을 압니다. 기대.
1분동안 어떻게 일할지 상상도 안가는데... 소음순도 있다. 그리고 노이즈를 부드럽게 하기 위해 평균 창을 높이면 더 오래된 시간 프레임에 가까운 그림을 얻을 수 있습니다.
당신은 힌트, 짧은 시간 프레임에 거래의 요점이 무엇인지 설명할 수 있습니까? 내가 뭔가 오해하고 있는 건 아닐까?
요컨대, 모든 것이 헛된 것이며 시장은 MO로 속일 수 없습니다.
나는 징후와 표적을 발견했으며, 그 분류의 분포는 첫 번째 그림에 나와 있습니다.
이 데이터 세트에서 훈련된 컷버스트의 테스트 및 훈련 모델의 정확도는 93%였습니다.
두 번째 그림은 대상별 거래의 균형 및 자기자본 차트를 보여줍니다.
세 번째 그림은 훈련된 catbust 모델의 신호에 따른 거래의 균형과 자산의 그래프를 보여줍니다.
신사 숙녀 여러분, 가자.
당신이 하는 일은 나와 매우 가깝습니다.
다음을 수행할 수 없습니다.
덧붙여서 그래디언트 부스팅 은 어떤 이유로 불안정합니다. 부스팅을 통해 이상을 얻으려는 시도로 인해 재교육되었을 가능성이 큽니다.
난 내 모든 목표, 표지판을 수집했습니다. 설계 변수는 대상인 기능의 매개변수였습니다. 나는 2개의 표지판 + 그들의 표적의 트리오를 형성하고 컷버스트를 훈련했습니다. 테스트 샘플의 최대 훈련 정확도에 따라 선택됩니다. 선택된 트리오는 거래를 위한 적절한 신호를 제공하기 위해 대상에 의해 가능한 한 필터링되었습니다.
그 결과 5개의 3인조+타겟이 나왔다. 그러나 이미 보여드린 것처럼 거래에 좋은 신호를 제공하는 목표에 대한 93%의 예측 정확도는 분명히 충분하지 않습니다. 그건 그렇고, 나는 발견 된 트리오를 기반으로 한 데이터 세트를 사용하여 무작위 포리스트와 다른 구성의 완전 연결된 신경망을 훈련하려고 시도했으며 테스트 샘플과 동일한 테스트 거래에서 동일한 훈련 정확도를 얻었습니다.
하나의 샘플에서 다른 대상을 훈련하는 것이 옳다고 확신하십니까? 결국 신호는 비교할 수 있어야 합니다. 예를 들어 추세 반전과 플랫에서 추세로의 진입은 다른 세트의 예측 지표를 나타냅니다.
캣버스트에 대한 질문이 있습니다.
- 두 개의 샘플만 사용하고 바로 시험을 사용하지 않습니까?
- 모델에 몇 그루의 나무가 있습니까?
테스트 세트 중지 훈련을 사용하고 있습니까?
- 학습 속도는 어떻습니까?
- 클래스 1은 입력 방향을 담당합니까, 아니면 이미 방향이 설정된 신호를 담당합니까?
좋은 생각입니다. 감사합니다. 끝내도록 노력하겠습니다.
부디 :) 확률분포의 수익과 정확도를 살펴보는 것도 유용합니다.
1분동안 어떻게 일할지 상상도 안가는데... 소음순도 있다. 그리고 노이즈를 부드럽게 하기 위해 평균 창을 높이면 더 오래된 시간 프레임에 가까운 그림을 얻을 수 있습니다.
당신은 힌트, 짧은 시간 프레임에 거래의 요점이 무엇인지 설명할 수 있습니까? 내가 뭔가 오해하고 있는 건 아닐까?
나는 Si를 거래합니다. 모든 것이 기술적으로 거기에 있고 학습을 위한 더 많은 신호가 있습니다.
사실, 나는 많은 시간 프레임의 정보, 예측 변수의 많은 수평 수준을 사용하며, 몇 분은 내 생각에 가격에 영향을 미치는 이벤트에 신속하게 대응할 수 있게 해줍니다.
덧붙여서 그래디언트 부스팅 은 어떤 이유로 불안정합니다. 부스팅을 통해 이상을 얻으려는 시도로 인해 재교육되었을 가능성이 큽니다.
나는 지금까지 하나의 샘플로 이 주제에 대한 실험을 수행했지만 결론은 정답이 없는 경우인 일반화가 더 많이 있기 때문에 학습률을 높이는 것이 결과에 긍정적인 영향을 미친다는 것입니다. 모든 질문에 대해 그리고 표본이 대표성이 아닐 때 각 예에 대한 기록에 적합하는 것보다 더 효율적인 것으로 판명되었습니다.
사실, 저는 많은 기간의 정보, 예측 변수의 많은 수평적 수준,
수평 레벨은 어떻게 사용합니까? 현재 가격에서 가장 가까운 100제곱미터까지의 거리, 500, 1000?
수평 레벨은 어떻게 사용합니까? 가격에서 가장 가까운 백 평방 미터, 500, 1000까지의 거리?
나는 포인트를 사용하지 않으려고 노력합니다. 저는 백분율을 사용합니다. 하루에 대한 그리드가 있고(ATR이라고 가정) 여기에 현재 막대의 시작 가격과 예측 변수를 입력하므로 가격이 레벨에 상대적인 위치를 알고 있으므로 레벨 교차 이벤트를 표시하는 것이 바람직합니다. 예전에는...
예, 그들은 모두 입구에서 거의 무작위로 우리와 함께 재훈련합니다.
아무도 공분산과 상관을 취소하지 않았습니다 ... (임의로 보입니다)
우리는 실제로 따라야 할 기본 구성 요소의 수를 알지 못할 수 있으며 몇 가지 경험 법칙이 적용됩니다.
왜냐하면 그것은 단지
예측 모델링이란 무엇입니까? 예측 모델링은 일부 예측자를 기반으로 결과를 예측할 수 있는 확률적 프로세스 입니다. 이러한 예측 변수는 기본적으로 최종 결과, 즉 모델의 결과를 결정할 때 작용하는 기능입니다.
그리고 이미 우리가 선택하는 예측 변수와 레이블과 개인 취향의 문제인 알고리즘 ... - 처음에 최종 Bull / Bear / Hold-on 보다 더 넓은 시스템을 고려한다면 ...
따라서 모델링 가능성에 대한 설명
막심 드미트리예프스키
항상 금으로 가치가 있습니다! -
1. 먼저 검색 영역이 결정됩니다. 경험적으로 또는 가정에 따라 통계가 만들어집니다. 테스트. 그런 다음 MO 알고리즘이 선택되고,
두 번째 옵션 -
2. 분류기를 통해 전략 검색, 내부 구조 분석(기능 중요도, 형태 값 및 다양한 메트릭).
- "희망에서" ... " 일부 다항식으로 " ... + 유용한 데이터 변환 선택(MO에 관계없이) - 실제로, Art! .. 데이터를 분석할 때 동일할 수 없습니다(일부 ") - 적어도 선형 및 이차 계획법에서는 함수가 다르고 결과가 다르며 해석이 다릅니다!