몇 번이나 확신하고 모든 것이 동일하며 모든 것이 항상 언어로 신속하게 완료됩니다. 나는 항상 고객에게 빠른 조언자가 없으며 힘든 작업이라고 말합니다. 1 TS를 공식화하고 참조 조건을 작성해야합니다. 2 기계가 이해할 수 있는 코드로 번역 3 로직 실행 오류 확인 4 거래 실행 오류 확인 5 식별된 로직 및 실행 오류에 따라 추가 변경 6 테스터 및 실제 데이터에 대한 테스트 7 실생활에서 필요한 기능으로 어드바이저를 보완하기 위해 등. 등.
프로그래머의 기능은 (2,5) 기술 작업을 기계의 언어로 번역하는 것뿐이며 그의 작업이 기술 작업과 일치하지 않는 것을 발견하면 오류를 수정하면 프로그래머의 작업이 끝나고 조언자가 그에 따라 작동합니다. 귀하의 참조 조건에.
다른 모든 것은 고문을 생성, 테스트 및 개선(현대화)하는 작업입니다.
감사합니다.
추신: 정상적인 수익을 내는 Expert Advisor를 만드는 데 최대 반년이 소요될 수 있으며, 실제로 필요한 경우 그 이상이 소요될 수 있습니다.
사실, 당신은 단지 신뢰할 수 있는 오프너와 클로저가 필요합니다. 이것을 하는 데 정말로 반년이 걸릴까요????? 그렇다면 당신은 우리에게 적합하지 않습니다 ...
기사의 예측과 이들의 예측을 비교하면 예측된 경향이 두 모델에서 완벽하게 일치하는 것을 알 수 있지만 기사에서는 모델이 급격한 점프를 훨씬 더 잘 포착한다는 것을 알 수 있습니다. 그리고 arima - 가격 급등과 함께 얼마나 운이 좋은지, 이러한 "불운"은 가장 큰 손실을 초래할 것입니다. 또한 모델의 속성에서 계절성을 사용하지 않음을 알 수 있습니다. 지금까지 기사가 이기고 있습니다 :(
ar,i,ma 계수에 대한 검색 한계를 올바르게 설정하고 모델이 계절 매개변수를 찾도록 하려면 많은 Arimov의 직관이 여전히 필요합니다.
ARCH의 나머지 부분을 분석하지 않고 arima를 논의하는 것은 완전히 비어 있습니다. arima로 모델링한 후 나머지가 고정된 시리즈가 있습니다. 그러나 정상적이라는 가정 하에 예측오차를 논하는 것은 심각하지 않다. 이 극도로 패셔니스타의 나머지 부분.
데이터 주기가 1로 정의되어 계절성이 작동하지 않았고, 그 때문에 auto.arima가 자체적으로 계절성을 껐습니다. 기사에서와 같이 코드에서 기간을 48로 설정했습니다(TF H12의 하루).
예측 패키지의 findfrequency() 함수를 사용하여 자동으로 기간을 결정할 수도 있습니다. 이 데이터에 대해 함수는 24를 반환합니다.
이런 식으로 더 나은 결과를 얻었고 모델은 값이 급격히 증가하고 값 증가를 훨씬 더 잘 예측합니다. 아리마 기차 r^2: 0.516988 아리마 테스트 r^2: 0.5346457 아리마 테스트 diff r^2: 0.8407468 아리마 테스트 차이 정확도: 0.8288288
그러나 이것은 기사에서 예측이 훨씬 더 정확하기 때문에 이상적이지 않습니다. 그 이유는 데이터에 여러 기간(24, 48, 336 - 반나절, 하루, 일주일)이 있고, 아리마는 계절성이 있어도 한 번에 세 기간에 속할 수 없기 때문인 것으로 보입니다. 여러 계절성을 가진 알아리마에서 훈련이 가능한지 찾아봤는데, 그렇지 않은 것 같아서 더 잘 예측할 수는 없을 것 같다. 이제 저자가 값의 변동 기간을 다르게 잡으려고 시도하는 각 모델과 함께 기사가 왜 그러한 어려움을 겪는지 명확해졌습니다.
LLC 그리고 여기 우리의 사랑하는 마술사가 있습니다!!!! 글쎄, 나는 손에 똥이 가득 찼어???? 당신이 그들을 떠나는 이유가 여기에 있습니다 ....
Reshetov 옵티마이저가 재교육되었는지 여부에 대한 질문입니다. 어제 Forex 그룹 중 하나에 이 화면을 게시했습니다..... 파란색은 최적화 기간, 녹색 선물 계약을 나타냅니다. 그런데 자료를 제출할 가능성이 없고, 연초부터 정상작동을 하고 있는 것으로 밝혀졌습니다.... 그리고 재교육을 받고 있다고 하셔서 가르칠 수만 있으면 됩니다....
자, 이제 재교육에 대해 무엇을 말하려는 건가요????
시장이 고정되어 있지 않기 때문에 시장에서 모든 분류기는 재학습됩니다. 재교육을 받지 않으려면 역사 전체에 걸쳐 국회를 교육해야 합니다. 그렇지 않으면 항상 시장 사이클이 바뀌고 모델이 악화될 것입니다. 따라서 유일한 유능한 접근 방식은 거래 과정에서 재교육 또는 추가 교육입니다. :) 여기서 우리는 개입 없이 15년의 역사에서 매월 안정적인 1000%를 제공할 성배 를 믿지 않습니다.
일반적으로 나는 여전히 그 가장자리를 보지 못합니다. Forex에서 재교육된 NN은 무엇을 의미합니까? 이것은 그녀가 테스트 샘플에서 벌지 않을 때입니까? 아니 ... 아니 아니 아니 ... 요점은 비정상입니다. 그녀가 재교육을 받았다는 사실은 정상이며, 추가로 다른 접근 방식을 찾아야 합니다.
데이터 주기가 1로 정의되어 계절성이 작동하지 않았고, 그 때문에 auto.arima가 자체적으로 계절성을 껐습니다. 기사에서와 같이 코드에서 기간을 48로 설정했습니다(TF H12의 하루).
예측 패키지의 findfrequency() 함수를 사용하여 자동으로 기간을 결정할 수도 있습니다. 이 데이터에 대해 함수는 24를 반환합니다.
이런 식으로 더 나은 결과를 얻었고 모델은 값이 급격히 증가하고 값 증가를 훨씬 더 잘 예측합니다. 아리마 기차 r^2: 0.516988 아리마 테스트 r^2: 0.5346457 아리마 테스트 diff r^2: 0.8407468 아리마 테스트 차이 정확도: 0.8288288
그러나 이것은 기사에서 예측이 훨씬 더 정확하기 때문에 이상적이지 않습니다. 그 이유는 데이터에 여러 기간(24, 48, 336 - 반나절, 하루, 일주일)이 있고, 아리마는 계절성이 있어도 한 번에 세 기간에 속할 수 없기 때문인 것으로 보입니다. 여러 계절성을 가진 알아리마에서 훈련이 가능한지 찾아봤는데, 그렇지 않은 것 같아서 더 잘 예측할 수는 없을 것 같다. 이제 저자가 값의 변동 기간을 다르게 잡으려고 시도하는 각 모델과 함께 기사가 왜 그러한 어려움을 겪는지 명확해졌습니다.
몇 번이나 확신하고 모든 것이 동일하며 모든 것이 항상 언어로 신속하게 완료됩니다.
나는 항상 고객에게 빠른 조언자가 없으며 힘든 작업이라고 말합니다.
1 TS를 공식화하고 참조 조건을 작성해야합니다.
2 기계가 이해할 수 있는 코드로 번역
3 로직 실행 오류 확인
4 거래 실행 오류 확인
5 식별된 로직 및 실행 오류에 따라 추가 변경
6 테스터 및 실제 데이터에 대한 테스트
7 실생활에서 필요한 기능으로 어드바이저를 보완하기 위해
등. 등.
프로그래머의 기능은 (2,5) 기술 작업을 기계의 언어로 번역하는 것뿐이며 그의 작업이 기술 작업과 일치하지 않는 것을 발견하면 오류를 수정하면 프로그래머의 작업이 끝나고 조언자가 그에 따라 작동합니다. 귀하의 참조 조건에.
다른 모든 것은 고문을 생성, 테스트 및 개선(현대화)하는 작업입니다.
감사합니다.
추신: 정상적인 수익을 내는 Expert Advisor를 만드는 데 최대 반년이 소요될 수 있으며, 실제로 필요한 경우 그 이상이 소요될 수 있습니다.
사실, 당신은 단지 신뢰할 수 있는 오프너와 클로저가 필요합니다. 이것을 하는 데 정말로 반년이 걸릴까요????? 그렇다면 당신은 우리에게 적합하지 않습니다 ...
실생활에서는 빨간색 p가 될 것입니다 ...))))
선생님 죄송합니다
그러나 이것은 논쟁의 여지가 있습니다 ... 마술사. 실제로는 입력 데이터가 없고 실제로 이것은 다항식 계수 자체의 작업이기 때문에 ..... 그리고 입력 데이터의 존재는 형평성만 향상시킬 것이라고 생각합니다. 글쎄, 이것은 너무 .... IMHO !!!!
사실, 당신은 단지 신뢰할 수 있는 오프너와 클로저가 필요합니다. 이것을 하는 데 정말로 반년이 걸릴까요????? 그렇다면 당신은 우리에게 적합하지 않습니다 ...
감사합니다.
그는 14년 동안 이 쓰레기를 쓰고 있습니다)))
감사합니다.
바보들, 모든 것이 이미 완료되었습니다. 서버 오류 처리 기능 이 있는 안정적인 오프너가 필요합니다. ..... 와우.... :-)
바보 야, 이미 오랜 시간 동안 완료되었으므로 서버 오류 처리가 가능한 안정적인 오프너가 필요합니다. .... 와우.... :-)
감사합니다.
추신: 거기에서 5분 동안 작업에 따라 2시간 의 실행 시간 을 지정하는 것을 잊지 마십시오. 따라서 프로그래머가 왼발 엄지발가락으로 글을 쓰면 글을 쓸 시간이 생깁니다.
기사의 예측과 이들의 예측을 비교하면 예측된 경향이 두 모델에서 완벽하게 일치하는 것을 알 수 있지만 기사에서는 모델이 급격한 점프를 훨씬 더 잘 포착한다는 것을 알 수 있습니다. 그리고 arima - 가격 급등과 함께 얼마나 운이 좋은지, 이러한 "불운"은 가장 큰 손실을 초래할 것입니다. 또한 모델의 속성에서 계절성을 사용하지 않음을 알 수 있습니다. 지금까지 기사가 이기고 있습니다 :(
ar,i,ma 계수에 대한 검색 한계를 올바르게 설정하고 모델이 계절 매개변수를 찾도록 하려면 많은 Arimov의 직관이 여전히 필요합니다.
ARCH의 나머지 부분을 분석하지 않고 arima를 논의하는 것은 완전히 비어 있습니다. arima로 모델링한 후 나머지가 고정된 시리즈가 있습니다. 그러나 정상적이라는 가정 하에 예측오차를 논하는 것은 심각하지 않다. 이 극도로 패셔니스타의 나머지 부분.
Arima 예제를 조금 더 수정했습니다 https://www.mql5.com/en/forum/86386/page467#comment_5649703
데이터 주기가 1로 정의되어 계절성이 작동하지 않았고, 그 때문에 auto.arima가 자체적으로 계절성을 껐습니다. 기사에서와 같이 코드에서 기간을 48로 설정했습니다(TF H12의 하루).
예측 패키지의 findfrequency() 함수를 사용하여 자동으로 기간을 결정할 수도 있습니다. 이 데이터에 대해 함수는 24를 반환합니다.
이런 식으로 더 나은 결과를 얻었고 모델은 값이 급격히 증가하고 값 증가를 훨씬 더 잘 예측합니다.
아리마 기차 r^2: 0.516988
아리마 테스트 r^2: 0.5346457
아리마 테스트 diff r^2: 0.8407468
아리마 테스트 차이 정확도: 0.8288288
그러나 이것은 기사에서 예측이 훨씬 더 정확하기 때문에 이상적이지 않습니다. 그 이유는 데이터에 여러 기간(24, 48, 336 - 반나절, 하루, 일주일)이 있고, 아리마는 계절성이 있어도 한 번에 세 기간에 속할 수 없기 때문인 것으로 보입니다.
여러 계절성을 가진 알아리마에서 훈련이 가능한지 찾아봤는데, 그렇지 않은 것 같아서 더 잘 예측할 수는 없을 것 같다. 이제 저자가 값의 변동 기간을 다르게 잡으려고 시도하는 각 모델과 함께 기사가 왜 그러한 어려움을 겪는지 명확해졌습니다.
LLC 그리고 여기 우리의 사랑하는 마술사가 있습니다!!!! 글쎄, 나는 손에 똥이 가득 찼어???? 당신이 그들을 떠나는 이유가 여기에 있습니다 ....
Reshetov 옵티마이저가 재교육되었는지 여부에 대한 질문입니다. 어제 Forex 그룹 중 하나에 이 화면을 게시했습니다..... 파란색은 최적화 기간, 녹색 선물 계약을 나타냅니다. 그런데 자료를 제출할 가능성이 없고, 연초부터 정상작동을 하고 있는 것으로 밝혀졌습니다.... 그리고 재교육을 받고 있다고 하셔서 가르칠 수만 있으면 됩니다....
자, 이제 재교육에 대해 무엇을 말하려는 건가요????
시장이 고정되어 있지 않기 때문에 시장에서 모든 분류기는 재학습됩니다. 재교육을 받지 않으려면 역사 전체에 걸쳐 국회를 교육해야 합니다. 그렇지 않으면 항상 시장 사이클이 바뀌고 모델이 악화될 것입니다. 따라서 유일한 유능한 접근 방식은 거래 과정에서 재교육 또는 추가 교육입니다. :) 여기서 우리는 개입 없이 15년의 역사에서 매월 안정적인 1000%를 제공할 성배 를 믿지 않습니다.
일반적으로 나는 여전히 그 가장자리를 보지 못합니다. Forex에서 재교육된 NN은 무엇을 의미합니까? 이것은 그녀가 테스트 샘플에서 벌지 않을 때입니까? 아니 ... 아니 아니 아니 ... 요점은 비정상입니다. 그녀가 재교육을 받았다는 사실은 정상이며, 추가로 다른 접근 방식을 찾아야 합니다.
Arima 예제를 조금 더 수정했습니다 https://www.mql5.com/ru/forum/86386/page467#comment_5649703
데이터 주기가 1로 정의되어 계절성이 작동하지 않았고, 그 때문에 auto.arima가 자체적으로 계절성을 껐습니다. 기사에서와 같이 코드에서 기간을 48로 설정했습니다(TF H12의 하루).
예측 패키지의 findfrequency() 함수를 사용하여 자동으로 기간을 결정할 수도 있습니다. 이 데이터에 대해 함수는 24를 반환합니다.
이런 식으로 더 나은 결과를 얻었고 모델은 값이 급격히 증가하고 값 증가를 훨씬 더 잘 예측합니다.
아리마 기차 r^2: 0.516988
아리마 테스트 r^2: 0.5346457
아리마 테스트 diff r^2: 0.8407468
아리마 테스트 차이 정확도: 0.8288288
그러나 이것은 기사에서 예측이 훨씬 더 정확하기 때문에 이상적이지 않습니다. 그 이유는 데이터에 여러 기간(24, 48, 336 - 반나절, 하루, 일주일)이 있고, 아리마는 계절성이 있어도 한 번에 세 기간에 속할 수 없기 때문인 것으로 보입니다.
여러 계절성을 가진 알아리마에서 훈련이 가능한지 찾아봤는데, 그렇지 않은 것 같아서 더 잘 예측할 수는 없을 것 같다. 이제 저자가 값의 변동 기간을 다르게 잡으려고 시도하는 각 모델과 함께 기사가 왜 그러한 어려움을 겪는지 명확해졌습니다.
매개변수와 함께 적합성 보고서 자체를 게시할 수 있습니까?