si dovrebbe scrivere un'enumerazione casuale di tutto e imparare da essa, selezionare ciò che è apprendibile + la genetica per accorciare la ricerca, e lasciare il computer per un paio di mesi....
Sto per scrivere un articolo sul campionamento casuale in python
Градиентный бустинг является сильным алгоритмом машинного обучения. Суть метода заключается в построении ансамбля слабых моделей (например, деревьев принятия решений), в которых (в отличие от бэггинга) модели строятся не независимо (параллельно), а последовательно. Говоря простым языком, это означает, что следующее дерево учится на ошибках...
Penso che sia meglio non cercare un modello dopo il modello, ma cercare un prezzo di rimbalzo relativo a questo modello, è molto più difficile da formalizzare, ma mi sembra
Possiamo calcolare sulla storia quante percentuali di crescita dei prezzi erano ad un certo modello (media aritmetica, radice media quadrata), per esempio.
Si può calcolare sulla storia per quanti per cento l'aumento del prezzo è stato per un dato modello (media aritmetica, deviazione standard) per esempio.
Potete semplicemente normalizzare il modello all'intervallo 0-1, per esempio, e poi normalizzare lo spazio relativo a questo modello, e questo è tutto.
Il tuo modello descrive il prezzo, mentre il mio descrive i segmenti (più corti, più lunghi). Se il modello è uguale a un B, allora solo lo stesso B è identico ad esso.
Lo spazio intorno al modello è ovviamente diverso a causa della volatilità, ma non ne ho bisogno perché mi interessa la formalità (più corto o più lungo).
Il tuo modello descrive il prezzo, mentre il mio descrive i segmenti (più corti, più lunghi). Se un modello è uguale a un B, allora solo lo stesso B è identico ad esso.
Che differenza fa quello che stai confrontando?
Il vostro schema 10-20-10 e 20-40-20 è lo stesso schema o no?
si dovrebbe scrivere un'enumerazione casuale di tutto e imparare da essa, selezionare ciò che è apprendibile + la genetica per accorciare la ricerca, e lasciare il computer per un paio di mesi....
Sto per scrivere un articolo sul campionamento casuale in python
quindi c'è questo).
https://www.mql5.com/ru/articles/8642
Ho intenzione di confrontarlo con RNN, CNN ecc. Ma prima fai qualche altra modifica su catbust.
Penso che sia meglio non cercare un modello dopo il modello, ma cercare un prezzo di rimbalzo relativo a questo modello, è molto più difficile da formalizzare, ma mi sembra
Possiamo calcolare sulla storia quante percentuali di crescita dei prezzi erano ad un certo modello (media aritmetica, radice media quadrata), per esempio.
Si può calcolare sulla storia per quanti per cento l'aumento del prezzo è stato per un dato modello (media aritmetica, deviazione standard) per esempio.
Potete semplicemente normalizzare il modello all'intervallo 0-1, per esempio, e poi normalizzare lo spazio relativo a questo modello, e questo è tutto.
vedi cosa voglio dire?potete semplicemente normalizzare il modello all'intervallo 0-1, per esempio, e poi normalizzare lo spazio relativo a quel modello, e questo è tutto
Vedi cosa intendo?Non capisco.
Qui ho il modello attuale:
'lungo' modello = X ,
Modello 'breve' = B,
Evento passato = L.
Posso usare la storia per trovare quando era lo stesso.
Poi normalizzare lo spazio relativo a quel modello - per il tipo di funzione nell'intervallo fisso (o lì 25% sotto il massimo, ecc.)
Non capisco.
Guarda, è più semplice di così, anch'io ci ho riflettuto per anni...
abbiamo il patren x1
x1 <- rnorm(40)abbiamo altri due modelli x2 e x3 che sono uguali a x1 ma con volatilità diversa
consideriamo i primi 5 punti come modelli, tutti i punti seguenti saranno considerati lo spazio relativamente al modello
1) i modelli dovrebbero rientrare in un unico intervallo, diciamo 0-1
normalizzazione
tutti e tre i modelli dovrebbero essere gli stessi
ora normalizzare lo spazio relativo al modello
questo è fatto dalla funzione r02
dove "y" è lo spazio, e "x" non è un modello normalizzato
Poi colleghiamo i risultati delle trasformazioni delle funzioni r01 e r02 in una riga (vettore)
e otteniamo un modello normalizzato all'intervallo 0-1 e lo spazio è normalizzato rispetto a questo modello.
le somiglianze dovrebbero essere ricercate non per correlazione ma per metrica euclidea
più piccolo è il valore, più i modelli sono vicini l'uno all'altro
Vedo che è diverso.
Il tuo modello descrive il prezzo, mentre il mio descrive i segmenti (più corti, più lunghi). Se il modello è uguale a un B, allora solo lo stesso B è identico ad esso.
Lo spazio intorno al modello è ovviamente diverso a causa della volatilità, ma non ne ho bisogno perché mi interessa la formalità (più corto o più lungo).
Vedo che è diverso.
Il tuo modello descrive il prezzo, mentre il mio descrive i segmenti (più corti, più lunghi). Se un modello è uguale a un B, allora solo lo stesso B è identico ad esso.
Che differenza fa quello che stai confrontando?
Il vostro schema 10-20-10 e 20-40-20 è lo stesso schema o no?
Che differenza fa cosa confrontare?
Le dimensioni del tuo modello 10-20-10 e 20-40-20 sono lo stesso modello o no?
Ho diversi modelli chiaramente descritti che sono tutti diversi come per esempio 0110 e 1001.
Ho diversi modelli chiaramente descritti e sono tutti diversi, come 0110 e 1001.
beh, le sezioni sono tue.
10 candele - 20 candele - 10 candele
non rallentare)
beh, le sezioni sono tue.
10 candele - 20 candele - 10 candele
non rallentare)
Quali candele sono 10-20-10?