아이디어가 흥미롭습니다. 자문위원도 근무하고 있습니다. 업데이트 방법에 대해 생각해볼 수 있습니다. 그러나 개선해야 할 점을 이해하지 못합니다. 기계에 무엇을 가르쳐야 합니까?
EA는 포지션을 열고 닫는 것에 대한 엄격한 논리를 가지고 있습니다. 기계 학습에서 결정은 약간 다른 방식으로 이루어집니다.
즉, 정확히 무엇을 할 것인지 완전히 명확하지 않습니다.
위의 내 게시물에서 이것을 참고하십시오.
나는 시니어 바에서 일반적인 지시를받습니다. 그러나 시간을 자세히 살펴보면 특히 낮은 막대 측면에서 엄청난 지연이 있습니다. 따라서 이것이 D1이고 M5에서 거래하는 경우 방향에 대한 어제 데이터의 거의 하루 전을 취하는 것으로 나타났습니다. 30%의 오차로 D1을 한발 앞서 예측하는 것조차 Expert Advisor의 수익성을 획기적으로 향상시켰고, 무엇보다 실패하지 않을 것이라는 자신감을 키웠다.
나는 시니어 바에서 일반적인 지시를받습니다. 그러나 시간을 자세히 살펴보면 특히 낮은 막대 측면에서 엄청난 지연이 있습니다. 따라서 이것이 D1이고 M5에서 거래하는 경우 방향에 대한 어제 데이터의 거의 하루 전을 취하는 것으로 나타났습니다. 30%의 오차로 D1을 한발 앞서 예측하는 것조차 Expert Advisor의 수익성을 획기적으로 향상시켰고, 무엇보다 실패하지 않을 것이라는 자신감을 키웠다.
출장 중에 저녁에는 데이터를 기반으로 머신 러닝을 운전했습니다. 접근 방식의 다양한 조합을 시도했습니다. 그리고 갑자기 돌 꽃이 나온 것 같습니다.
일반적으로 내가 준 링크의 내 데이터에 대해 반복해서 교육을 시작했으며 내 블로그에 이미 설명된 것을 시도했습니다. 그러나 그는 몇 가지 트릭을 더 추가했습니다. 예를 들어, 교차 검증에서 더 많은 이익이 있고 추측의 추상적인 정확성이 아닌 훈련 매개변수의 선택.
물론 이렇게 하려면 저만의 피트니스 함수를 작성해야 했습니다.
그래프에서 - 다양한 예측 범위 및 훈련 매개변수에 대한 훈련 및 검증에 대한 예상 값 쌍. 나는 또한 "회색 영역", 즉 아무 일도 일어나지 않을 때 예측의 공간이라는 아이디어를 사용했습니다.
보시다시피, 나는 훈련 중에 매우 정상적인 MO 값을 얻었고 유효성 검사 중에 그와 상관 관계가 있는 값을 얻었습니다! 시뮬레이션에서는 0.00020(피펫 20개)의 스프레드가 사용되었습니다.
나는 또한 스프레드를 고려하여 총 거래 금액을 계산했습니다. 값도 매우 좋습니다. 최대 이익은 거래 수와 거래 MO의 특정 비율로 달성되며, 이 모든 것은 12시간의 계획 기간에서 이루어집니다. 그래프에서 모든 계획 기간, 회색 영역의 모든 값 및 모델 교육을 위한 최상의 매개변수를 반복합니다. 아래 참조:
음, 이 지식을 널리 알리기 위해 산림 교육의 매개 변수를 포함하여 모든 결과가 있는 파일을 첨부합니다. 하지만 입구가 없습니다. 내 데이터의 입력이 선택됩니다. 그것은 약간의 비밀이 될 것입니다. 실험의 전체 코드를 퍼뜨릴지 말지 - 나는 그것에 대해 생각할 것이다. 결과가 꽤 효과가 있는 것 같기 때문에 이제 이 기계의 MT와 통합하고 싶습니다.
출장 중에 저녁에는 데이터를 기반으로 머신 러닝을 운전했습니다. 접근 방식의 다양한 조합을 시도했습니다. 그리고 갑자기 돌 꽃이 나온 것 같습니다.
일반적으로 내가 준 링크의 내 데이터에 대해 반복해서 교육을 시작했으며 내 블로그에 이미 설명된 것을 시도했습니다. 그러나 그는 몇 가지 트릭을 더 추가했습니다. 예를 들어, 교차 검증에서 더 많은 이익이 있고 추측의 추상적인 정확성이 아닌 훈련 매개변수의 선택.
물론 이렇게 하려면 저만의 피트니스 함수를 작성해야 했습니다.
그래프에서 - 다양한 예측 범위 및 훈련 매개변수에 대한 훈련 및 검증에 대한 예상 값 쌍. 나는 또한 "회색 영역", 즉 아무 일도 일어나지 않을 때 예측의 공간이라는 아이디어를 사용했습니다.
보시다시피, 나는 훈련 중에 매우 정상적인 MO 값을 얻었고 유효성 검사 중에 그와 상관 관계가 있는 값을 얻었습니다! 시뮬레이션에서는 0.00020(피펫 20개)의 스프레드가 사용되었습니다.
나는 또한 스프레드를 고려하여 총 거래 금액을 계산했습니다. 값도 매우 좋습니다. 최대 이익은 거래 수와 거래 MO의 특정 비율로 달성되며, 이 모든 것은 12시간의 계획 기간에서 이루어집니다. 그래프에서 모든 계획 기간, 회색 영역의 모든 값 및 모델 교육을 위한 최상의 매개변수를 반복합니다. 아래 참조:
음, 이 지식을 널리 알리기 위해 산림 교육의 매개 변수를 포함하여 모든 결과가 있는 파일을 첨부합니다. 하지만 입구가 없습니다. 내 데이터의 입력이 선택됩니다. 그것은 약간의 비밀이 될 것입니다. 실험의 전체 코드를 퍼뜨릴지 말지 - 나는 그것에 대해 생각할 것이다. 결과가 꽤 효과가 있는 것 같기 때문에 이제 이 기계의 MT와 통합하고 싶습니다.
알렉세이
포인트의 총 이익은 지표가 아닙니다. 다음은이 총 이익과 그것이 수신 된 기록 의 막대 수에 대한 비율입니다. 이것은 나타내는 품질 계수입니다. 모델 최적화 및 평가용으로만 사용한다는 말을 오래전부터 해왔습니다.
포인트의 총 이익은 지표가 아닙니다. 다음은이 총 이익과 그것이 수신 된 기록 의 막대 수에 대한 비율입니다. 이것은 나타내는 품질 계수입니다. 모델 최적화 및 평가용으로만 사용한다는 말을 오래전부터 해왔습니다.
노력은 결과를 가져옵니다.
행운을 빕니다
설명하겠습니다.
12시간 전에 예측합니다(정확히 724분).
각 유효성 검사 샘플의 트랜잭션 수는 5000개 이상입니다. 결과는 49개의 검증 샘플에 대한 평균입니다. 각 샘플 내의 거래는 약 12시간 단위로 발생합니다. 즉, 명백한 종속성과 중복되는 결과가 없습니다. 이제 거래 시뮬레이션 차트를 게시하겠습니다. Che 뭔가 너무 좋은 결과. 그러나 지금까지 모든 것이 확인되었습니다.
마지막 세 쌍의 경우 변동성이 더 높고 스프레드가 더 높다고 확신합니다(20핍이 아니라 25-30핍을 가져와야 함). 따라서 총 결과와 추측된 목적지의 비율이 더 좋습니다. 그러나 증가된 스프레드의 도입은 여전히 통계를 재설정하지 않습니다. 무슨 일이 일어나고 있는지 이해하기 위해서입니다.
아이디어가 흥미롭습니다. 자문위원도 근무하고 있습니다. 업데이트 방법에 대해 생각해볼 수 있습니다. 그러나 개선해야 할 점을 이해하지 못합니다. 기계에 무엇을 가르쳐야 합니까?
EA는 포지션을 열고 닫는 것에 대한 엄격한 논리를 가지고 있습니다. 기계 학습에서 결정은 약간 다른 방식으로 이루어집니다.
즉, 정확히 무엇을 할 것인지 완전히 명확하지 않습니다.
위의 내 게시물에서 이것을 참고하십시오.
나는 시니어 바에서 일반적인 지시를받습니다. 그러나 시간을 자세히 살펴보면 특히 낮은 막대 측면에서 엄청난 지연이 있습니다. 따라서 이것이 D1이고 M5에서 거래하는 경우 방향에 대한 어제 데이터의 거의 하루 전을 취하는 것으로 나타났습니다. 30%의 오차로 D1을 한발 앞서 예측하는 것조차 Expert Advisor의 수익성을 획기적으로 향상시켰고, 무엇보다 실패하지 않을 것이라는 자신감을 키웠다.
내 특별한 경우에는 지표의 지연 정보를 사용하여 R의 해당 예측으로 이동합니다.
위의 내 게시물에서 이것을 참고하십시오.
나는 시니어 바에서 일반적인 지시를받습니다. 그러나 시간을 자세히 살펴보면 특히 낮은 막대 측면에서 엄청난 지연이 있습니다. 따라서 이것이 D1이고 M5에서 거래하는 경우 방향에 대한 어제 데이터의 거의 하루 전을 취하는 것으로 나타났습니다. 30%의 오차로 D1을 한발 앞서 예측하는 것조차 Expert Advisor의 수익성을 획기적으로 향상시켰고, 무엇보다 실패하지 않을 것이라는 자신감을 키웠다.
내 특별한 경우에는 지표의 지연 정보를 사용하여 R의 해당 예측으로 이동합니다.
정말 큰 소식이 있습니다.
출장 중에 저녁에는 데이터를 기반으로 머신 러닝을 운전했습니다. 접근 방식의 다양한 조합을 시도했습니다. 그리고 갑자기 돌 꽃이 나온 것 같습니다.
일반적으로 내가 준 링크의 내 데이터에 대해 반복해서 교육을 시작했으며 내 블로그에 이미 설명된 것을 시도했습니다. 그러나 그는 몇 가지 트릭을 더 추가했습니다. 예를 들어, 교차 검증에서 더 많은 이익이 있고 추측의 추상적인 정확성이 아닌 훈련 매개변수의 선택.
물론 이렇게 하려면 저만의 피트니스 함수를 작성해야 했습니다.
그래프에서 - 다양한 예측 범위 및 훈련 매개변수에 대한 훈련 및 검증에 대한 예상 값 쌍. 나는 또한 "회색 영역", 즉 아무 일도 일어나지 않을 때 예측의 공간이라는 아이디어를 사용했습니다.
보시다시피, 나는 훈련 중에 매우 정상적인 MO 값을 얻었고 유효성 검사 중에 그와 상관 관계가 있는 값을 얻었습니다! 시뮬레이션에서는 0.00020(피펫 20개)의 스프레드가 사용되었습니다.
나는 또한 스프레드를 고려하여 총 거래 금액을 계산했습니다. 값도 매우 좋습니다. 최대 이익은 거래 수와 거래 MO의 특정 비율로 달성되며, 이 모든 것은 12시간의 계획 기간에서 이루어집니다. 그래프에서 모든 계획 기간, 회색 영역의 모든 값 및 모델 교육을 위한 최상의 매개변수를 반복합니다. 아래 참조:
음, 이 지식을 널리 알리기 위해 산림 교육의 매개 변수를 포함하여 모든 결과가 있는 파일을 첨부합니다. 하지만 입구가 없습니다. 내 데이터의 입력이 선택됩니다. 그것은 약간의 비밀이 될 것입니다. 실험의 전체 코드를 퍼뜨릴지 말지 - 나는 그것에 대해 생각할 것이다. 결과가 꽤 효과가 있는 것 같기 때문에 이제 이 기계의 MT와 통합하고 싶습니다.
알렉세이
정말 큰 소식이 있습니다.
출장 중에 저녁에는 데이터를 기반으로 머신 러닝을 운전했습니다. 접근 방식의 다양한 조합을 시도했습니다. 그리고 갑자기 돌 꽃이 나온 것 같습니다.
일반적으로 내가 준 링크의 내 데이터에 대해 반복해서 교육을 시작했으며 내 블로그에 이미 설명된 것을 시도했습니다. 그러나 그는 몇 가지 트릭을 더 추가했습니다. 예를 들어, 교차 검증에서 더 많은 이익이 있고 추측의 추상적인 정확성이 아닌 훈련 매개변수의 선택.
물론 이렇게 하려면 저만의 피트니스 함수를 작성해야 했습니다.
그래프에서 - 다양한 예측 범위 및 훈련 매개변수에 대한 훈련 및 검증에 대한 예상 값 쌍. 나는 또한 "회색 영역", 즉 아무 일도 일어나지 않을 때 예측의 공간이라는 아이디어를 사용했습니다.
보시다시피, 나는 훈련 중에 매우 정상적인 MO 값을 얻었고 유효성 검사 중에 그와 상관 관계가 있는 값을 얻었습니다! 시뮬레이션에서는 0.00020(피펫 20개)의 스프레드가 사용되었습니다.
나는 또한 스프레드를 고려하여 총 거래 금액을 계산했습니다. 값도 매우 좋습니다. 최대 이익은 거래 수와 거래 MO의 특정 비율로 달성되며, 이 모든 것은 12시간의 계획 기간에서 이루어집니다. 그래프에서 모든 계획 기간, 회색 영역의 모든 값 및 모델 교육을 위한 최상의 매개변수를 반복합니다. 아래 참조:
음, 이 지식을 널리 알리기 위해 산림 교육의 매개 변수를 포함하여 모든 결과가 있는 파일을 첨부합니다. 하지만 입구가 없습니다. 내 데이터의 입력이 선택됩니다. 그것은 약간의 비밀이 될 것입니다. 실험의 전체 코드를 퍼뜨릴지 말지 - 나는 그것에 대해 생각할 것이다. 결과가 꽤 효과가 있는 것 같기 때문에 이제 이 기계의 MT와 통합하고 싶습니다.
알렉세이
포인트의 총 이익은 지표가 아닙니다. 다음은이 총 이익과 그것이 수신 된 기록 의 막대 수에 대한 비율입니다. 이것은 나타내는 품질 계수입니다. 모델 최적화 및 평가용으로만 사용한다는 말을 오래전부터 해왔습니다.
노력은 결과를 가져옵니다.
행운을 빕니다
포인트의 총 이익은 지표가 아닙니다. 다음은이 총 이익과 그것이 수신 된 기록 의 막대 수에 대한 비율입니다. 이것은 나타내는 품질 계수입니다. 모델 최적화 및 평가용으로만 사용한다는 말을 오래전부터 해왔습니다.
노력은 결과를 가져옵니다.
행운을 빕니다
어느 한쪽이 다른 쪽을 배제하지 않는 것 같다.
Aleksey는 분류 예측의 모든 추정치의 명백한 마이너스를 극복했습니다. 1핍 막대의 정확한 예측 값과 10핍 막대 예측의 값이 완전히 다르다는 것은 분명합니다.
축하합니다, 알렉시!
포인트의 총 이익은 지표가 아닙니다. 다음은이 총 이익과 그것이 수신 된 기록 의 막대 수에 대한 비율입니다. 이것은 나타내는 품질 계수입니다. 모델 최적화 및 평가용으로만 사용한다는 말을 오래전부터 해왔습니다.
노력은 결과를 가져옵니다.
행운을 빕니다
설명하겠습니다.
12시간 전에 예측합니다(정확히 724분).
각 유효성 검사 샘플의 트랜잭션 수는 5000개 이상입니다. 결과는 49개의 검증 샘플에 대한 평균입니다. 각 샘플 내의 거래는 약 12시간 단위로 발생합니다. 즉, 명백한 종속성과 중복되는 결과가 없습니다. 이제 거래 시뮬레이션 차트를 게시하겠습니다. Che 뭔가 너무 좋은 결과. 그러나 지금까지 모든 것이 확인되었습니다.
내 실험의 최종 데이터:
49개의 검증 샘플(포인트 단위)에 대해 훈련된 머신의 신호를 기반으로 하는 거래 시뮬레이션:
49개 샘플에 대한 거래 결과 분포:
그리고 0에서 각 검증 샘플의 평균(중앙값) MO 사이의 유의미한 차이에 대한 가설을 테스트합니다.
표본 내 분포가 정상이 아닙니다. Wilcoxon 테스트는 MO가 0과 상당히 다르다는 것을 보여줍니다.
그건 그렇고, 검증 샘플의 마지막 3/5 부분에서 포인트 합 곡선의 성장 특성의 변화는 이해할 수 있습니다.
내 샘플 내에는 5개 전공에 대해 거의 동일한 수의 관찰이 있으며 다음 순서로 진행됩니다.
마지막 세 쌍의 경우 변동성이 더 높고 스프레드가 더 높다고 확신합니다(20핍이 아니라 25-30핍을 가져와야 함). 따라서 총 결과와 추측된 목적지의 비율이 더 좋습니다. 그러나 증가된 스프레드의 도입은 여전히 통계를 재설정하지 않습니다. 무슨 일이 일어나고 있는지 이해하기 위해서입니다.
CHTD.
어느 한쪽이 다른 쪽을 배제하지 않는 것 같다.
Aleksey는 분류 예측의 모든 추정치의 명백한 마이너스를 극복했습니다. 1핍 막대의 정확한 예측 값과 10핍 막대 예측의 값이 완전히 다르다는 것은 분명합니다.
축하합니다, 알렉시!
주목. 훌륭한 결과를 가져온 코드에서 버그를 찾았습니다. 자세한 디브리핑 전에 모든 최적화가 취소되었습니다!