베이지안 공식에 따라 각 트랜잭션 후에 업데이트할 수 있으므로 중심이 이동하고 새로운 사후 분포를 얻습니다. 각 거래 후 업데이트되는 대략적인 오프셋 계수. 이렇게 하면 모델 자체가 동일하게 유지되지만 모델을 새로운 현실에 맞게 약간 조정합니다.
살때까지 제대로 하는 법, 사실 쉬워야 하는데 해본 적이 없어요 :)
이것은 우리가 새로운 패턴을 사용하지 않고 이전 패턴의 해석을 변경하기 때문에 모델을 정확히 훈련하는 것이 아닙니다. 모델의 예측 변수, 트리의 분할은 동일하게 유지됩니다. 여기에서 입력이 어떤 패턴인지에 대한 정보를 얻어야 합니다. catbust에는 모든 시트의 패턴이 있는 배열이 있으며 그에 따라 패턴(패턴을 해석하기 위한 숫자)을 이동하여 이 배열을 편집합니다. 문제는 하나의 입력에 대해 많은 잎사귀가 있을 것이고, 그런 다음 어떻게든 비례적으로 분배할 필요가 있다는 것입니다. 문제는 얼마나 많은 잎이 있는지입니다. 그 중 100개가 있고 1000개의 트랜잭션이 있는 경우 각 시트에 대한 통계를 고려할 기회가 여전히 있습니다.
그리고 비정상성으로 인해 패턴 자체가 변경되는 것이 아니라 모델이 단순히 이동하고 올바른 신호를 제공하지 않는다는 가정에서 진행하면
급회전을 하고 싶을 때 항상 후드 아래로 기어올라갈 필요는 없지만 가끔 택시를 타면 됩니다.. 여기서 저는 모델을 수정하는 것과 출력 분포를 수정하는 것 사이에 큰 차이를 보지 못합니다. .. 내 인생을 위해 :)
최종 답은 나뭇잎 값의 합이고 항상 사용되는 것은 아니지만 이에 대한 적절한 지표가 있는 경우에만 사용되기 때문에 여전히 후드 아래로 기어가야 합니다. 따라서 1장 또는 100장을 한 입력에 사용할 수 있습니다! 따라서 우리는 모든 상황에 대한 확률을 이동하여 모델의 해석을 변경할 수 없습니다. 오히려 그렇게 할 수 있지만 잎의 일부가 계속해서 올바르게 분류될 수 있기 때문에 이것은 논리적이지 않습니다. 따라서 잎의 지표를 바꾸거나, 다른 잎과의 조합에 따라서는 그대로 각 잎에 대해 별도의 추가 해석을 하여 옮기는 것이지만, 이것이 생산적인지는 잘 모르겠습니다.... 이것이 바로 내가 작은 모델을 선호하는 이유 - 결합하면 거짓말을 식별하고 제거하는 것이 더 쉽습니다.
잎이 적으면 확률장벽을 이동하는 것도 가능하지만 잎이 많고 각 입력에 미미한 부분을 사용한다면 논리적 의미가 없다.
Построение по ценам закрытия. График в окне индикатора тот же, что и ценовой, но временнАя ось "наклонена" под углом трендовой линии Построение линий индикатора по экстремумам баров. Ограничение баров по первой точке трендовой линии Добавлено опциональное ограничение баров индикатора, их число задается параметром MaxBars. Чтобы отключить...
일반적으로 잎 조합의 구성을 평가하는 것이 필요하다고 생각합니다. 불안정한 예측 변수를 가진 나쁜 잎이 이전에 올바르게 예측한 조합에 압착되어있을 수 있으며 작업은 제거해야합니다 이 잎사귀. 예를 들어, 조합은 그것에 참여하는 잎의 80%(특정 정족수)로 식별할 수 있으며 새 잎이 큰 가중치로 나타나면 필터링합니다. 1,000건의 거래당 그런 기준으로 얼마나 많은 조합이 있을 수 있는지조차 흥미로워졌습니다. 하지만 어떻게 알아낼지 상상이 되지 않습니다.
당신과 같은 krivulka가 이미 있다고 가정해 봅시다 - 선험적 확률 분포
베이지안 공식에 따라 각 트랜잭션 후에 업데이트할 수 있으므로 중심이 이동하고 새로운 사후 분포를 얻습니다. 각 거래 후 업데이트되는 대략적인 오프셋 계수. 이렇게 하면 모델 자체가 동일하게 유지되지만 모델을 새로운 현실에 맞게 약간 조정합니다.
살때까지 제대로 하는 법, 사실 쉬워야 하는데 해본 적이 없어요 :)
이것은 우리가 새로운 패턴을 사용하지 않고 이전 패턴의 해석을 변경하기 때문에 모델을 정확히 훈련하는 것이 아닙니다. 모델의 예측 변수, 트리의 분할은 동일하게 유지됩니다. 여기에서 입력이 어떤 패턴인지에 대한 정보를 얻어야 합니다. catbust에는 모든 시트의 패턴이 있는 배열이 있으며 그에 따라 패턴(패턴을 해석하기 위한 숫자)을 이동하여 이 배열을 편집합니다. 문제는 하나의 입력에 대해 많은 잎사귀가 있을 것이고, 그런 다음 어떻게든 비례적으로 분배할 필요가 있다는 것입니다. 문제는 얼마나 많은 잎이 있는지입니다. 그 중 100개가 있고 1000개의 트랜잭션이 있는 경우 각 시트에 대한 통계를 고려할 기회가 여전히 있습니다.
그리고 비정상성으로 인해 패턴 자체가 변경되는 것이 아니라 모델이 단순히 이동하고 올바른 신호를 제공하지 않는다는 가정에서 진행하면
급회전을 하고 싶을 때 항상 후드 아래로 기어올라갈 필요는 없지만 가끔 택시를 타면 됩니다.. 여기서 저는 모델을 수정하는 것과 출력 분포를 수정하는 것 사이에 큰 차이를 보지 못합니다. .. 내 인생을 위해 :)
최종 답은 나뭇잎 값의 합이고 항상 사용되는 것은 아니지만 이에 대한 적절한 지표가 있는 경우에만 사용되기 때문에 여전히 후드 아래로 기어가야 합니다. 따라서 1장 또는 100장을 한 입력에 사용할 수 있습니다! 따라서 우리는 모든 상황에 대한 확률을 이동하여 모델의 해석을 변경할 수 없습니다. 오히려 그렇게 할 수 있지만 잎의 일부가 계속해서 올바르게 분류될 수 있기 때문에 이것은 논리적이지 않습니다. 따라서 잎의 지표를 바꾸거나, 다른 잎과의 조합에 따라서는 그대로 각 잎에 대해 별도의 추가 해석을 하여 옮기는 것이지만, 이것이 생산적인지는 잘 모르겠습니다.... 이것이 바로 내가 작은 모델을 선호하는 이유 - 결합하면 거짓말을 식별하고 제거하는 것이 더 쉽습니다.
잎이 적으면 확률장벽을 이동하는 것도 가능하지만 잎이 많고 각 입력에 미미한 부분을 사용한다면 논리적 의미가 없다.그러나 때때로 당신은 단지 비웃어야만 합니다.
아핀 변환을 제어할 수 있습니다 ;), 여기에 KB https://www.mql5.com/ru/code/9378 의 예가 있습니다.
같은,하지만 택시를 어떤 방향으로 이해하는 방법? )
하지만 방법이 없습니다. 테스터를 확인하십시오(((
mb 칼만 필터 추가)
googled "Kalman Habrahabr", 나는 오랫동안 거기에서 기사를 읽었습니다. 댓글에서 가장 귀중한 것은 기사의 작성자가 다운되었습니다. 데이터 변경
추신: KB에 Kalman의 예가 있었습니다. 그렇다면? ;)
아마도 아무것도 아직 명확하지 않습니다 .. 시도 할 때까지)
일반적으로 잎 조합의 구성을 평가하는 것이 필요하다고 생각합니다. 불안정한 예측 변수를 가진 나쁜 잎이 이전에 올바르게 예측한 조합에 압착되어있을 수 있으며 작업은 제거해야합니다 이 잎사귀. 예를 들어, 조합은 그것에 참여하는 잎의 80%(특정 정족수)로 식별할 수 있으며 새 잎이 큰 가중치로 나타나면 필터링합니다. 1,000건의 거래당 그런 기준으로 얼마나 많은 조합이 있을 수 있는지조차 흥미로워졌습니다. 하지만 어떻게 알아낼지 상상이 되지 않습니다.
중요 기능.. Zipf의 법칙(지수). 또한 분산이 더 큰(가격 지연이 더 큰) 변수가 트리 모델에서 항상 더 많은 수입을 갖는다는 것을 보여줍니다. 유사한 기능(총 500개)이 많이 있으므로 그래프가 그다지 실증적이지 않습니다. 그럼 바꾸겠습니다.
멋진!
Python 전문가로서 질문, 실험을 위해 Python에 대한 스레드 제공, Sharpe로 거의 알아냈고, 이론상 C# 및 Python 지원에서 문제 없이 MT5와 연결되면 Python으로 이동할 수 있습니다.)
멋진!
Python 전문가로서 질문, 실험을 위해 Python에 대한 스레드 제공, Sharpe로 거의 알아냈고, 이론상 C# 및 Python 지원에서 문제 없이 MT5와 연결되면 Python으로 이동할 수 있습니다.)
나는 단지 파이썬을 배우고 있습니다 .. 아니면 거기에서 무엇을 공부해야합니까? 아직 MO 모델을 실제로 사용하지 않았습니다. 정확히 무엇을 원하십니까? https://scikit-learn.org/stable/에서 예를 들어보세요.
예를 들어 랜덤 포레스트는 동일합니다.
나는 단지 파이썬을 배우고 있습니다 .. 아니면 오히려 거기에서 무엇을 공부해야합니까? 나는 아직 MO 모델을 실제로 사용하지 않았습니다 .. 정확히 무엇을 원하십니까? https://scikit-learn.org/stable/에서 예를 들어보세요.
예를 들어 랜덤 포레스트는 동일합니다.
또는 바로 그라디언트 부스팅, 기성품 예제
그것은 갈 것이다 ATP, 내일 나는 그것을 알아낼 것이다
여기 와 여기 그리고 여기 에서도 그래프는 오류로 작성되었으며 그 값은 0이 아니므로 0.5의 확률은 지점 5가 아니라 지점 6입니다!
이것들은 데이터를 분석하고 이해하려고 할 때의 실수, 말하자면 기술적인 오류입니다 ...