Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 814
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Se ha observado durante mucho tiempo que cuando los futuros son nuevos, las CT son pequeñas y de corta duración. Cuanto más antiguos son los futuros, más predecibles se vuelven, y cuando vencen es un juego de niños.
¿Quién especula con los nuevos futuros? Sólo los últimos 3 meses. Si la anterior ha terminado (o 2-3 días antes), pasa a la siguiente.
Y luego es más o menos lo mismo los 3 meses excepto los últimos días de existencia. No - el más antiguo...))
y con su forma de ser, tendrá mucho tiempo para hacer contacto con los lugareños.
No le hace falta, sólo está aquí para trolear. Hay, literalmente, montones de algoritmos del grial en el hilo, y si no fuera trabalenguas, y los probara - hace tiempo que habría salido del alce permanente. Incluso publicó aquí casi el 90% de los griales ya hechos, pero para finalizarlos se necesitan conocimientos de los que él carece. Todos los pasos que faltan se describen aquí en el tema, pero mandó al infierno a todos los que intentaron ayudarle y orientarle en la dirección correcta )))))
Ironic.
No lo necesita, sólo está aquí para trollear. Hay, literalmente, montones de algoritmos del grial en el hilo, y si no fuera trabalenguas, y los probara - hace tiempo que habría salido del alce permanente. Incluso publicó aquí casi el 90% de los griales ya hechos, pero para finalizarlos se necesitan conocimientos de los que él carece. Todos los pasos que faltan están descritos aquí en el tema, pero mandó a la mierda a todos los que intentaron ayudarle y orientarle en la dirección correcta ))))).
Irónico.
o maestro, dame el 10% restante y te serviré fielmente
Perdona a un alumno tonto que no ve la chispa de la verdad en tus mensajes.
Patentes denegadas.
Las fotos son hermosas, por supuesto.
Pero una forma sencilla es: haz esto y consigue aquello. Puedes hacerlo sin fotos. Así confío en la gente).
Saw Shura, son de oro. https://www.mql5.com/ru/articles/2930
Si tienes al menos un predictor con la distribución mostrada, entonces no necesitas nada: nos trasladamos a una isla cálida y vivimos allí.
Normalmente la imagen es así:
Y aquí hay uno absolutamente precioso.
Aquí está la realidad de la vida dura con predictores reales.
Si se tiene al menos un predictor con la distribución mostrada, entonces no se necesita nada: nos trasladamos a una isla cálida y vivimos allí.
Normalmente la imagen es así:
Y aquí hay uno absolutamente precioso.
Aquí está la realidad de la vida dura con predictores reales.
Por Distribuciones de Probabilidad entendemos Bayas. Ya escribiré más adelante si el tema resulta interesante, por ahora no sé...
¿Y te refieres a las distribuciones de probabilidad relativas al objetivo en el OOS?
Las distribuciones de probabilidad se refieren a Bayas. Escribiré más tarde si el tema resulta interesante, por ahora no sé...
¿y se refería a las distribuciones de probabilidad relativas al objetivo en el OOS?
Escribiendo por centésima vez.
Tomo un predictor y lo divido en dos partes para un objetivo de dos clases: una parte pertenece a una clase y la otra a otra. Luego construimos dos curvilíneas y las superponemos. Debajo de ellos hacemos una leyenda: "f*ck you, not money".
Ese es el trabajo.
PS.
Estas curvulinas se mueven constantemente entre sí, para un predictor menos y para el otro más que la anchura de la curvulina. Esto define la no estacionariedad de los datos de entrada para los modelos de clasificación, cualquiera.
Estoy escribiendo por centésima vez.
Tomo un predictor y lo divido en dos partes para un objetivo de dos clases: una parte pertenece a una clase y la otra a la otra. A continuación, construimos dos líneas curvilíneas y las superponemos. Debajo de ellos hacemos una leyenda: "f*ck you, not money".
Ese es el trabajo.
PS.
Estas curvulinas se mueven constantemente entre sí, para un predictor menos y para el otro más que la anchura de la curvulina. Esto es lo que determina la no estacionalidad de los datos de entrada para los modelos de clasificación, cualquiera.
ahora tome para cada predictor una estimación histórica de venta/retención, tradúzcala en una probabilística.
tomar varios predictores, hacer lo mismo para cada uno de ellos.
encontrar las probabilidades de beneficio condicional para un grupo de características
y luego lo pones en NS o conjuntos difusos como en este ejemplo
La estimación media fluctuará en torno a 0,5 para cada predictor, pero las maravillas del enfoque bayesiano llevarán los totales a un nivel aceptable
eso es en teoría :)