가격 인상은 예측력이 없다고 항상 말씀하셨습니다. 하지만 여전히 계속 사용하고 계십니다. 왜요?)
제가 쓴 글인가요? 반대자들이 더 많이 쓴 것 같습니다.
시계열만 고려한다면 특별한 선택의 여지가 없습니다. 저도 기사 중 하나에서 분수 증분에 대해 썼습니다. 좀 더 많은 정보를 담고 있는 것 같습니다.
새로운 데이터에 대한 결과에 따르면 트릭없이 증분에 대한 훈련 만 취하면 분수 미분이 실제로 약간 이깁니다.
또한 자동 기능 생성으로 몇 가지 실험을 해보았지만 아무 것도 얻지 못했습니다. 그러다가 파티셔닝과 신호 대 잡음비에 문제가 있다는 것을 깨달았고, 피처 무차별 대입이 아닌 다른 방법으로 문제를 해결해야 한다는 것을 알았습니다. 그 당시에는 온갖 기발한 아이디어가 떠올랐죠. 그리고 나서 저는 그것이 일반적으로 옳은 일이라는 것을 배웠습니다.)
아무도 가르쳐주지 않고 전문가도 없습니다. 의지할 사람이 없죠.
MT5에서 신경망을 가르치고 있을 때 저는 실험을 하고 있었습니다. 그러다 MT5 환경이 MO 측면에서 답답하다고 느껴서 파이썬으로 넘어갔어요.
Maxim Dmitrievsky #: 지난 두 개의 글은 뉘앙스 없이 간단한 수준에서 이러한 모든 접근 방식을 거의 모두 설명합니다. 설명하지는 않았지만 비슷하다고 가정해 봅시다. 이제 그들이 연구한 내용을 자세히 살펴보고 있습니다. 예를 들어, 귀납적 적합성과 변환적 적합성은 각 클래스 레이블에 대해 개별적으로 하나 또는 두 개의 분류기만 다릅니다. 후자는 후자를 더 잘 (더 정확하게) 추정할 수 있습니다. 그래서 저는 귀납적 방법을 사용했습니다. 더 정확한 추정을 위해 각 샘플을 추가하고 삭제하면서 모델을 재훈련하는 것도 있습니다. 비용이 많이 들지만 효율적입니다. 하지만 간단하고 빠른 분류기를 사용할 수도 있습니다. 제가 그루터기에 대한 훈련을 하면서도 쓴 적이 있습니다.
대부분의 경우 SanSanych는 인접한 바 사이의 증분이 아닌 0 바에서 계산 된 증분 (누적 증분이라고 부를 수 있음)을 사용합니다. 100 번째 바까지의 누적 증분은 다음과 같습니다: 405,410,408 포인트, 바 증분은 5,4,-2 포인트... 누적 추세는 남아 있지만 바 증분에서는 거의 보이지 않습니다. 글쎄요, 기사에서와 같이 혼합되어 있으면 0 주변을 방황 할 것입니다. 여기 모든 사람들이 0 바에서 증분을 계산한다고 생각했습니다....
보드카, 사슴고기, 오이를 곁들인 저녁 식사를 위한책입니다.
주제를 개발하고 머릿속에서 다양한 MOSH 분야의 접근 방식을 연결하려고 노력했습니다.
의학의 경우
그래프가 두 평행선 사이를 기어다니는 의학은
금융 시장에 비하면 아무것도 아니죠.
---
주말에 경사 내리막길에서 담배를 피웠어요.
I.O.D. 없이도 순식간에 할 수 있습니다.
즉, 극한에 접근하는 것입니다:
x0-x1
x0-x2
x0-x3
등등.
물론 여기에는 무언가가 있습니다.
의약용.
그래프가 두 평행선 사이를 이동하는 경우입니다,
금융 시장과 비교하면 아무것도 아닙니다.
---
주말 동안 경사 하강이 훈제되었습니다.
MoD 없이도 순식간에 할 수 있습니다.
즉, 극한값에 대한 근사치입니다:
x0-x1
x0-x2
x0-x3
등
물론 거기에는 뭔가가 있습니다.
가격 인상은 예측력이 없다고 항상 말씀하셨습니다. 하지만 여전히 계속 사용하고 계십니다. 그 이유는 무엇인가요?)
가격 인상은 예측력이 없다고 항상 말씀하셨습니다. 하지만 여전히 계속 사용하고 계십니다. 그 이유는 무엇인가요?)
가격에는 스토리가 있어야 합니다.
가격 인상은 예측력이 없다고 항상 말씀하셨습니다. 하지만 여전히 계속 사용하고 계십니다. 왜요?)
저는 모든 머신러닝 전문가에게 제 데이터로 모델을 테스트해 보라고 권합니다.
유로-달러 환율 예측을 위한 세계 국채 지수, 기간 15분.
https://drive.google.com/file/d/1W4TOLbZCTCs3hEvGvptGxvTE6_r2TrWW/view
지난 두 개의 글은 뉘앙스 없이 간단한 수준에서 이러한 모든 접근 방식을 거의 모두 설명합니다. 설명하지는 않았지만 비슷하다고 가정해 봅시다. 이제 그들이 연구한 내용을 자세히 살펴보고 있습니다. 예를 들어, 귀납적 적합성과 변환적 적합성은 각 클래스 레이블에 대해 개별적으로 하나 또는 두 개의 분류기만 다릅니다. 후자는 후자를 더 잘 (더 정확하게) 추정할 수 있습니다. 그래서 저는 귀납적 방법을 사용했습니다. 더 정확한 추정을 위해 각 샘플을 추가하고 삭제하면서 모델을 재훈련하는 것도 있습니다. 비용이 많이 들지만 효율적입니다. 하지만 간단하고 빠른 분류기를 사용할 수도 있습니다. 제가 그루터기에 대한 훈련을 하면서도 쓴 적이 있습니다.
박수가 없네요?
이렇게요?
랜덤 워크이기 때문입니다.
이런 식으로 하면 안 됩니다.
100 번째 바까지의 누적 증분은 다음과 같습니다: 405,410,408 포인트, 바 증분은 5,4,-2 포인트...
누적 추세는 남아 있지만 바 증분에서는 거의 보이지 않습니다. 글쎄요, 기사에서와 같이 혼합되어 있으면 0 주변을 방황 할 것입니다.
여기 모든 사람들이 0 바에서 증분을 계산한다고 생각했습니다....