트레이딩의 머신러닝: 이론, 모델, 실전 및 알고리즘 트레이딩 - 페이지 3077

새 코멘트
 
Maxim Dmitrievsky #:
기사를 대각선으로 읽었지만 아무것도 이해하지 못한 것으로 밝혀졌습니다. 여기 질문은 더 이상 과학자를 위한 질문이 아닙니다.

그럼 통제 질문을 해 봅시다. 어떤 유형의 성가신 f-y가 있으며 어떻게 다른가요? 그리고 그것들을 다르게 부르시겠습니까? 집단 농부가 아니라 푸른 피를 가진 사람.

사람들에게 라벨을 붙이는 당신의 잘난 척하는 경향 때문에 당신을 대하는 것이 불쾌하지만 나중에 매우 흥미로운 기사의 예에서 용어 번역에 대해 공개적으로 논의하기 위해 대답하겠습니다.

현재 성가신에 대한 Yandex 번역은 다음과 같습니다 .

성가신, 성가신, 성가신, 성가신, 부담 ...

나는 전혀 만족하지 않습니다. 나중에 내 번역을 제공하고 정당화 할 것입니다. 지금은 바쁩니다.

 
СанСаныч Фоменко #:

사람들에게 라벨을 붙이는 당신의 잘난 척하는 경향이 당신을 대하는 것을 불쾌하게 만들지만, 매우 흥미로운 기사의 예에 대한 용어 번역에 대해 공개적으로 논의하기 위해 나중에 반드시 답장을 보내겠습니다.

현재 귀찮음에 대한 Yandex 번역은 다음과 같습니다 .

성가신, 성가신, 성가신, 성가신, 부담 ...

나에게 전혀 어울리지 않습니다. 나중에 번역본을 드리고 설명하겠습니다. 지금은 바빠서요.

아주 흥미로운 이야기를 하기 전에 인터넷에서 정의를 찾아보세요(통계 섹션).

그리고 RF는 기사에 언급되어 있지만 기사의 근거는 아닙니다.

기사를 읽지 않고 결론을 도출했습니다.

 
Maxim Dmitrievsky #:

매우 흥미로운 이야기를 하기 전에 인터넷에서 정의를 찾아보세요(통계 섹션).

또한 RF는 기사에서 방금 언급되었지만 기사의 근거는 아닙니다.

기사를 읽지 않고 결론을 도출했습니다.

4 시뮬레이션

연구 무작위 숲을 기반으로 이질적인 치료 효과를 추정하기 위한 메타 학습자의 유한 표본 성능을 연구합니다(Breiman, 2001; 자세한 소개는 Biau & Scornet, 2016 참조). 몬테카를로 연구의 초점은 인과관계 효과 추정에서 표본 분할과 교차 적합의 영향을 평가하는 데 있습니다. 이를 위해 위에서 설명한 전체 표본, 이중 표본 분할, 이중 교차 피팅으로 추정된 메탈리언을 비교합니다.


여러 가지 이유로 모든 메타 학습자의 기본 학습자로 랜덤 포레스트를 사용합니다.


기사를 읽지 않고 결론을 도출했습니다 .

더 이상 논의할 필요가 없습니다!

 
СанСаныч Фоменко #:

4 모델링

연구 무작위 숲을 기반으로 이질적인 치료 효과를 추정하기 위한 유한 표본 메타 연구의 효과를 조사합니다(Breiman, 2001; 자세한 소개는 Biau & Scornet, 2016 참조). 몬테카를로 연구의 초점은 표본 분할과 교차 피팅이 인과 효과 추정에 미치는 영향을 평가하는 것입니다. 이를 위해 위에서 설명한 메타 학습자를 전체 표본 추출, 이중 표본 분할 및 이중 교차 피팅으로 추정하여 비교합니다.


여러 가지 이유로 모든 메타 학습의 기준 학습 방법으로 랜덤 포레스트를 사용합니다.


기사를 읽지는 않았지만 이미 파악했습니다.

더 이상 논의할 필요가 없습니다!

이 기사는 RF에 관한 것이 아니라 인과관계 추론에 관한 것이므로 용어는 거기서 나온 것입니다.

당신은 아직 아무것도 논의할 위치에 있지 않으니 당연히 요점을 알 수 없습니다.
 

저는 코드베이스에서 유용한 정보, 즉 흥미로운 지표를 찾기 위한 노력에 동참할 것을 제안합니다.

이 작업은 시간이 많이 걸리지만 과소평가된 무언가를 발견할 확률이 있습니다.

지표와 목표 지표에 대한 기본 예측자를 만들고 목표 지표에 대한 확률 분포를 분석해 봅시다.

그 결과 다양한 TF 및 거래 상품에 대한 설정으로 흥미로운 사용자 지정 지표를 선택할 것입니다.

제 쪽에서는 약 200개의 코어가 작업에 포함될 것입니다. 저는 공동 작업을 조직하고 필요한 코드를 작성할 것입니다.

결과적으로 각 설정의 변동 범위와 단계를 포함하여 설정에 대한 표준을 가지고 분석 된 지표를 코드에서 사용할 수 있습니다.

이 공동 작업의 모든 참여자는 성과를 사용할 수 있습니다.

Discord에서 프로세스를 정리하는 것이 편리할 것입니다. 어떻게 생각하시나요? 비밀을 공유하지는 않지만 잠재적으로 유용한 결과를 얻을 수 있다는 점에서 모두가 이기는 것 같습니다.

 

내 애플리케이션을 위해 반짝이는 R에서 대화형 그래프를 표시하는 방법을 배우고 있습니다....

목발을 조금 사용했지만 제대로 얻었지만 아직 대시 라이브러리를 사용해 보지 않았습니다....

따라서 관심이 있으시면 사용할 수 있으며 그래프가 브라우저에서 열리면 두 번 클릭하여 전체 화면 모드를 만들 수 있습니다.


차트는 모든 기능을 갖추고 있으며 거래를 표시하고, 그리고, 개체를 선택하고, 값을 가져 오는 등의 작업을 할 수 있습니다. (하지만 이것은 별도의 코드입니다)


library(xts)
library(plotly)
library(shiny)
library(shinyfullscreen)


len <- 50000
times <- seq(as.POSIXct("2016-01-01 00:00:00"), length = len, by = "sec")
prices <- cumsum(rnorm(len)) +1000

p <- to.minutes5(as.xts(prices,order.by = times))

dat <- cbind.data.frame(index(p) , coredata(p))
colnames(dat) <- c("date","open","high","low","close")




my_plot <- function(dat,width,height){
  library(plotly)
  
  pl <- plot_ly(dat, x = ~date, type="candlestick",
                open = ~open, close = ~close,
                high = ~high, low = ~low,
                line = list(width = 1),
                width = width, height = height)
  
  pl <- layout(pl,
               xaxis = list(rangeslider = list(visible = F),
                            title = ""),
               yaxis = list(side = "right"),
               plot_bgcolor='rgb(229,229,229)',
               paper_bgcolor="white",
               margin = list(l = 0, r = 0, t = 0, b = 0))
  pl
}
resize_tag <- function(){
  tags$head(tags$script('
                        var dimension = [0, 0];
                        $(document).on("shiny:connected", function(e) {
                        dimension[0] = window.innerWidth;
                        dimension[1] = window.innerHeight;
                        Shiny.onInputChange("dimension", dimension);
                        });
                        $(window).resize(function(e) {
                        dimension[0] = window.innerWidth;
                        dimension[1] = window.innerHeight;
                        Shiny.onInputChange("dimension", dimension);
                        });
                        '))
}







ui <- fluidPage(
  resize_tag(),
  #plotlyOutput("plot")
  fullscreen_this(   plotlyOutput("plot")   )
)


server <- function(input, output) {
  output$plot <- renderPlotly( {   
    my_plot(dat,
            width  = (0.95*as.numeric(input$dimension[1])),
            height =  as.numeric(input$dimension[2]))
  })
}

#shinyApp(ui = ui, server = server)
shinyApp(ui, server, options = list(launch.browser = TRUE))
 
Aleksey Vyazmikin 사용자 지정 지표를 선택할 것입니다.

제 쪽에서는 약 200개의 코어가 작업에 포함될 것입니다. 저는 공동 작업을 조직하고 필요한 코드를 작성할 것입니다.

결과적으로 각 설정의 변동 범위와 단계를 포함하여 설정에 대한 표준을 가지고 분석 된 지표를 코드에서 사용할 수 있습니다.

이 공동 노력의 모든 참여자는 이 성과를 사용할 수 있습니다.

Discord에서 프로세스를 정리하는 것이 편리할 것입니다. 어떻게 생각하시나요? 비밀을 공유하지는 않지만 잠재적으로 유용한 결과를 얻을 수 있으니 모두가 이기는 것 같습니다.

이러한 지표의 90 %가 디지털 필터와 웨이블릿으로 대체됩니다. 무엇이 남을까요? 변동성 지표, 또 뭐가 있을까요?

 
Rorschach #:

이러한 지표의 90% MA는 디지털 필터와 웨이브렛으로 대체됩니다. 남은 것은 무엇인가요? 변동성 지표, 또 뭐가 남았나요?

지표 값의 일반적인 작업으로 돌아가서 값을 예측하려는 시도를 추가할 수도 있습니다. 100% 정확도로 나오면 버리세요.

간단한 것부터 시작할 수 있습니다. 오실레이터, 평균, MA와 같은 평균, 비교적 자주 재계산되는 레벨 지표 등 유형별로 분류할 수 있습니다.

그리고 이 프로젝트의 프레임워크 내에서 과거 뉴스를 처리할 수 있습니다.
 

아무도 제 아이디어를 좋아하지 않나요?

모두가 자신이 다른 사람보다 똑똑하다고 생각하고 지표에 유용한 아이디어가 없을 수 있다고 확신합니까?

아니면 단순히 유용한 정보를 함께 얻는 데 관심이 없나요? 자신이나 다른 사람을 위한 것이 아닌가요?

아니면 10명의 목숨이 예비되어 있고 모든 것을 혼자서 관리하고 싶으신가요?

 
Aleksey Vyazmikin 사용자 지정 지표를 선택할 것입니다.

제 쪽에서는 약 200개의 코어가 작업에 포함될 것입니다. 저는 공동 작업을 조직하고 필요한 코드를 작성할 것입니다.

결과적으로 각 설정의 변동 범위와 단계를 포함하여 설정에 대한 표준을 가지고 분석 된 지표를 코드에서 사용할 수 있습니다.

이 공동 노력의 모든 참여자는 이 성과를 사용할 수 있습니다.

Discord에서 프로세스를 정리하는 것이 편리할 것입니다. 어떻게 생각하시나요? 비밀을 공유하지는 않지만 잠재적으로 유용한 결과를 얻을 수 있으니 모두가 이기는 것처럼 보입니다.

알렉세이, 거의 불가능합니다.

1...307030713072307330743075307630773078307930803081308230833084...3399
새 코멘트
사유: