아직 코드에서 시스템을 만들지 않았기 때문에 특징 생성 방법을 비교할 수 없습니다. 여러분의 시스템을 제 예측자 세트와 시스템/선택 방법과 비교할 수 있습니다.
누구나 MQL 서버의 기록 간격에서 데이터를 얻을 수 있으며, 연속적인 기록을 원합니다. 그러나 훈련에 사용될 최종 샘플은 예제가 포함된 훨씬 더 작은 문자열이지만 예측자가 추가됩니다.
제가 사용하도록 제안하는 Expert Advisor는 열려 있는 예측자를 저장하고 csv 파일의 끝에 재무 결과와 목표가 있는 열이 있을 것입니다. 여기에서 "초기 규칙"/활성화 기능의 트리거 시간에 대한 정보를 가져올 수 있으므로 R에서 알고리즘을 재현할 필요가 없습니다.
2010 년부터 2020 년까지의 시간 간격은 훈련, 나머지 시간은 훈련 외부에서 결과를 확인하는 것이 좋습니다.
예측자를 만들 때 결과를 CSV로 저장할 수 있으며, 그렇게 할 것입니다. 열을 병합하여 다른 범위에서 학습하거나 개별적으로 학습할 수 있습니다. 동기화의 정확성을 비교하려면 이 열이 필요합니다.
전혀 들어가고 싶지 않다면 순수하게 마크 업을 보낼 수 있습니다.
논리로 돌아가 보겠습니다.
다양한 속성이 있을 수 있으며, 대상과의 관계에 따라 정보가 될 수도 있고 그렇지 않을 수도 있습니다.
관계와 적합도의 차이점은 무엇인가요? 어떤 측정값을 통해 표현되는 정보 의존성의 정도입니다.
각 개별 특징에 대한 레이블의 정보 의존도가 낮을수록 학습에 더 많은 특징이 필요합니다.
특징의 수를 늘리면 시스템에 많은 자유 파라미터가 생기기 시작하므로 적합도가 높아집니다.
이 경우 유일한 올바른 접근 방식은 무엇일까요? 특징의 수를 최소화하면서 목표 특징에 대한 비율을 높이는 방법
그렇기 때문에 일부 정보 결합 기준에 따라 기능뿐만 아니라 대상 기능도 폭격해야하는 이유입니다.
물론 저도 이 논리에 동의하기 때문에 앞서 제안한 것처럼 예측자를 무작위로 식별한 다음 마크업에 사용하자고 제안했습니다.
저에게 예측 능력이 있는 이러한 포인트는 일반적으로 개별적으로 훈련하거나 시트를 분리한 다음 종합적인 훈련 절차를 수행해야 한다고 생각하는 이벤트입니다.
이러한 이벤트는 별도의 트레이딩 시스템으로 간주할 수 있으며 이러한 시스템의 동작/효율성을 분석할 수 있습니다.
이제 그물망에 대한 문제는 이러한 이벤트에 대한 독립적 인 회계, 즉 통신 손실 및 기타 즐거움과 함께 실제 데이터에서 올바르게 작동하는 가상 지원입니다.
우선 사고를 방해하는 불필요한 단어와 용어를 제거해야합니다. 그렇지 않으면 협력이 불가능합니다. 징후를 선택하는 일반적인 접근 방식이 있지만 시계열 및 거래의 세부 사항에 맞게 조정해야합니다. 기성품을 가지고 차트를 표시할 때 더 잘 사용하는 방법을 알아내는 것입니다. 전체 툴킷을 사용할 수 있습니다.
이벤트, 포인트, 규칙, 신호...이 모든 것은 기계 학습에 관한 것이 아니며 실제로 무엇을 하는지에 대한 이해를 흐리게합니다. 결국 한 머릿속에서 다른 머릿속으로 정보를 옮기게 됩니다.
여러분은 모두 자전거에 대해 글을 쓰고 과학적 방법을 발명했다고 가정하고 무언가가 일어나려고하지만 컴퓨팅 능력이나 욕망 또는 노예가 부족하여 모든 것이 순조롭게 진행되고 있습니다. 동시에 정확히 무엇을하고 있는지, 그 안에 논리가 있는지 여부에 대한 엄격한 정의를 내릴 수 없습니다. 이것은 자신에 대한 변명이며 감정적 인 접근 방식입니다.
때로는 흩어져있는 단어와 생각을 체계화하기 위해 기사를 하나 더 작성하는 것이 유용하며 행동 논리가 명확해질 것입니다. 그렇지 않으면 무언가를하고 있지만 시작한 기초를 잊고 모든 것이 논리에 맞는지, 현실과 분리되어 있지 않은지 확인합니다.
여기서 읽고 있는데 모두가 자신의 대화를 이해하는 것을 볼 수 있습니다.
아직 코드에서 시스템을 만들지 않았기 때문에 특징 생성 방법을 비교할 수 없습니다. 비교할 수 있는 것은 여러분의 시스템과 저의 예측자 세트, 그리고 이를 선택하는 시스템/방법론입니다.
누구나 MQL 서버의 기록 간격에서 데이터를 얻을 수 있으며, 연속적인 기록을 원합니다. 그러나 학습할 최종 샘플은 훨씬 더 작은 샘플 문자열이지만 예측자가 추가될 것입니다.
제가 사용하도록 제안하는 Expert Advisor는 열린 예측자를 저장하고 csv 파일의 끝에 재무 결과와 목표가 있는 열이 있으므로 여기에서 "초기 규칙"/활성화 기능을 트리거하는 시간에 대한 정보를 가져올 수 있으므로 R에서 알고리즘을 재현할 필요가 없습니다.
2010년부터 2020년까지의 시간 간격을 훈련으로 설정하고, 나머지 시간은 훈련 외의 결과를 테스트하는 데 사용하는 것이 좋습니다.
예측자를 만들 때 결과를 CSV로 저장할 수 있으며, 그렇게 할 것입니다. 또는 열을 병합하고 다른 범위에서 또는 개별적으로 연구 할 수 있습니다. 동기화의 정확성을 비교하는 데 필요합니다.
전혀 들어가고 싶지 않다면 순전히 마크 업을 보낼 수 있습니다.
아직 코드에서 시스템을 만들지 않았기 때문에 특징 생성 방법을 비교할 수 없습니다. 여러분의 시스템을 제 예측자 세트와 시스템/선택 방법과 비교할 수 있습니다.
누구나 MQL 서버의 기록 간격에서 데이터를 얻을 수 있으며, 연속적인 기록을 원합니다. 그러나 훈련에 사용될 최종 샘플은 예제가 포함된 훨씬 더 작은 문자열이지만 예측자가 추가됩니다.
제가 사용하도록 제안하는 Expert Advisor는 열려 있는 예측자를 저장하고 csv 파일의 끝에 재무 결과와 목표가 있는 열이 있을 것입니다. 여기에서 "초기 규칙"/활성화 기능의 트리거 시간에 대한 정보를 가져올 수 있으므로 R에서 알고리즘을 재현할 필요가 없습니다.
2010 년부터 2020 년까지의 시간 간격은 훈련, 나머지 시간은 훈련 외부에서 결과를 확인하는 것이 좋습니다.
예측자를 만들 때 결과를 CSV로 저장할 수 있으며, 그렇게 할 것입니다. 열을 병합하여 다른 범위에서 학습하거나 개별적으로 학습할 수 있습니다. 동기화의 정확성을 비교하려면 이 열이 필요합니다.
전혀 들어가고 싶지 않다면 순수하게 마크 업을 보낼 수 있습니다.
논리로 돌아가 보겠습니다.
다양한 속성이 있을 수 있으며, 대상과의 관계에 따라 정보가 될 수도 있고 그렇지 않을 수도 있습니다.
관계와 적합도의 차이점은 무엇인가요? 어떤 측정값을 통해 표현되는 정보 의존성의 정도입니다.
각 개별 특징에 대한 레이블의 정보 의존도가 낮을수록 학습에 더 많은 특징이 필요합니다.
특징의 수를 늘리면 시스템에 많은 자유 파라미터가 생기기 시작하므로 적합도가 높아집니다.
이 경우 유일한 올바른 접근 방식은 무엇일까요? 특징의 수를 최소화하면서 목표 특징에 대한 비율을 높이는 방법
그렇기 때문에 일부 정보 결합 기준에 따라 기능뿐만 아니라 대상 기능도 폭격해야하는 이유입니다.
누군가이 방향으로 작업 할 사람이 있으면 코드를 도와 드리겠습니다.다시 로직으로 돌아가 보겠습니다.
다양한 속성이 있을 수 있으며, 대상 속성과의 관계에 따라 정보가 될 수도 있고 그렇지 않을 수도 있습니다.
관계와 적합도의 차이점은 무엇인가요? 어떤 측정값을 통해 표현되는 정보 의존성의 정도입니다.
각 개별 특징에 대한 레이블의 정보 의존도가 낮을수록 학습에 더 많은 특징이 필요합니다.
특징의 수를 늘리면 시스템에 많은 자유 파라미터가 생기기 시작하므로 적합도가 높아집니다.
이 경우 유일한 올바른 접근 방식은 무엇일까요? 특징의 수를 최소화하면서 목표 특징에 대한 비율을 높이는 방법
그렇기 때문에 일부 정보 결합 기준에 따라 기능뿐만 아니라 대상 기능도 폭격해야하는 이유입니다.
누군가가이 방향으로 일할 것이라면 코드를 도울 것입니다.물론 저는 논리에 동의하기 때문에 앞서 제안한 예측 변수를 무작위로 식별 한 다음 마크 업에 사용하자고 제안한 이유입니다.
저에게 예측 능력이있는 이러한 포인트는 일반적으로 별도로 훈련하거나 시트를 분리 한 다음 누적 훈련 절차를 수행해야한다고 생각하는 이벤트입니다.
이러한 이벤트는 별도의 트레이딩 시스템으로 간주할 수 있으며 이러한 시스템의 동작/효율성을 분석할 수 있습니다.
이제 문제는 이러한 이벤트에 대한 독립적인 회계 처리, 즉 실제 데이터에서 제대로 작동하는 가상 지원과 통신 손실 및 기타 즐거움입니다.
아직 시스템을 코드로 만들지 않았기 때문에 기능 생성 방법을 비교할 수 없습니다.
그래서 인간과 기계의 예측자 생성 방법을 비교해 보겠습니다.)
인간과 기계가 예측자를 생성하는 방법을 비교해 보세요.)
그렇다면 이 모든 비즈니스에서 무엇을 하고 계신가요?
명확히 말씀드리자면, 제가 생성한 예측자입니다.
특히 제가 생성한 예측 지표가 그렇습니다.
물론 저도 이 논리에 동의하기 때문에 앞서 제안한 것처럼 예측자를 무작위로 식별한 다음 마크업에 사용하자고 제안했습니다.
저에게 예측 능력이 있는 이러한 포인트는 일반적으로 개별적으로 훈련하거나 시트를 분리한 다음 종합적인 훈련 절차를 수행해야 한다고 생각하는 이벤트입니다.
이러한 이벤트는 별도의 트레이딩 시스템으로 간주할 수 있으며 이러한 시스템의 동작/효율성을 분석할 수 있습니다.
이제 그물망에 대한 문제는 이러한 이벤트에 대한 독립적 인 회계, 즉 통신 손실 및 기타 즐거움과 함께 실제 데이터에서 올바르게 작동하는 가상 지원입니다.
정말 가치가 있다고 생각하시나요?
당연히 있습니다. 여러분의 방법이 어떤 이득을 가져다주는지 알 수 있습니다. 너무 미미해서 구현할 필요가 없을 수도 있고, 그 반대의 경우도 마찬가지입니다.