Maxim Dmitrievsky 강화 학습에 대한 귀하의 게시물에 관심이 있었습니다. 나는 나 자신을 위해 메모했다. 이제 나는 힘을 모아 마침내 유전자 프로그래밍 실험을 떠올릴 것이다. 그러면 보일 것입니다. 거래를 위한 GPU 접근 방식은 주어진 대상 변수가 없다는 점에서 강화 학습과 유사합니다. 여기서 라이브러리 GP로 정의해야 합니다. 가장 중요한 것은 그것에 대한 일반적인 문서를 갖고 전략 테스터를 만드는 것입니다. 적당한 테스터를 찾지 못했습니다. 나는 코드를 게시하지 않을 것입니다. 그들이 너무 있다면 미묘함. 이것은 감사할 일이 아닙니다.
그리고리 쇼닌 : Maxim Dmitrievsky 강화 학습에 대한 귀하의 게시물에 관심이 있었습니다. 나는 나 자신을 위해 메모했다. 이제 나는 힘을 모아 마침내 유전자 프로그래밍 실험을 떠올릴 것이다. 그러면 보일 것입니다. 거래를 위한 GPU 접근 방식은 주어진 대상 변수가 없다는 점에서 강화 학습과 유사합니다. 여기서 라이브러리 GP로 정의해야 합니다. 가장 중요한 것은 그것에 대한 일반적인 문서를 갖고 전략 테스터를 만드는 것입니다. 적당한 테스터를 찾지 못했습니다. 나는 코드를 게시하지 않을 것입니다. 그들이 너무 있다면 미묘함. 이것은 감사할 일이 아닙니다.
예, GP에 대한 귀하의 게시물을 다른 곳에서 (처음부터) 보았지만 무언가를 잊어 버렸습니다.
그래서 나는 이것이 GA를 사용한 자동 프로그래밍이라는 것을 이해했습니다. 주제는 실제로 RL에 가깝지만 후자는 고유한 장점이 있습니다. 예를 들어 GA와 달리 전역 최적에 대한 수렴을 보장합니다. + NN을 여기에 끌어오는 방법이 완전히 명확하지 않습니다.
솔직히 말해서 이것이 GA를 사용한 봇 최적화와 어떻게 다른지 잘 모르겠습니다. 더 자세히 읽어야 할 것입니다.
정확하게 예측했다면 50핍 이상의 수익을 올릴 교사의 분포 차이를 기반으로 12개 통화 쌍에 대한 23개 예측자의 예측력을 계산했습니다.
결과는 다음과 같습니다.
1. 다른 통화 쌍에 대한 동일한 예측 변수의 예측 능력이 다릅니다.
2. 하나의 통화 쌍에 대한 서로 다른 예측 변수의 예측 능력은 두 배 정도 다를 수 있습니다.
3. 창이 이동함에 따라 예측 능력이 바뀝니다. 창을 500bar 이상 이동하면 예측 능력 변동성의 통계가 안정화됩니다.
4. 창을 이동하여 얻은 예측력의 비율은 1% 미만의 값에서 100% 이상의 값까지 다양합니다. 또한 "나쁜" 예측 변수(큰 sco 포함)는 항상 나쁘고 "좋은" 예측 변수는 항상 좋습니다.
5. 12개의 통화 쌍을 연구했습니다. 그 중 3개는 희망 이 없습니다. 사용된 23개의 예측 변수 중 내 목표 변수에 적합한 예측 변수가 없었습니다.
6. 동일한 통화 쌍에 대해 매수와 매도의 예측력은 근본적으로 다릅니다.
어느?
어느?
원칙적으로는 다음 쌍이 MY 예측 변수와 MY 목표 변수에 대해 희망이 없기 때문에 문제가 되지 않습니다. H1: EURCAD, GBPJPY, USDCHF
다른 목표 변수에 대해 수용 가능한 예측력을 가질 수 있는 이러한 쌍에 대한 다른 예측 변수 세트가 있을 수 있습니다.
정확하게 예측했다면 50핍 이상의 수익을 올릴 교사의 분포 차이를 기반으로 12개 통화 쌍에 대한 23개 예측자의 예측력을 계산했습니다.
결과는 다음과 같습니다.
1. 다른 통화 쌍에 대한 동일한 예측 변수의 예측 능력이 다릅니다.
2. 하나의 통화 쌍에 대한 서로 다른 예측 변수의 예측 능력은 두 배 정도 다를 수 있습니다.
3. 창이 이동함에 따라 예측 능력이 바뀝니다. 창을 500bar 이상 이동하면 예측 능력 변동성의 통계가 안정화됩니다.
4. 창을 이동하여 얻은 예측력의 비율은 1% 미만의 값에서 100% 이상의 값까지 다양합니다. 또한 "나쁜" 예측 변수(큰 sco 포함)는 항상 나쁘고 "좋은" 예측 변수는 항상 좋습니다.
5. 12개의 통화 쌍을 연구했습니다. 그 중 3개는 희망이 없습니다. 사용된 23개의 예측 변수 중 내 목표 변수에 적합한 예측 변수가 없었습니다.
6. 동일한 통화 쌍에 대해 매수와 매도의 예측력은 근본적으로 다릅니다.
Maxim Dmitrievsky 강화 학습에 대한 귀하의 게시물에 관심이 있었습니다. 나는 나 자신을 위해 메모했다. 이제 나는 힘을 모아 마침내 유전자 프로그래밍 실험을 떠올릴 것이다. 그러면 보일 것입니다. 거래를 위한 GPU 접근 방식은 주어진 대상 변수가 없다는 점에서 강화 학습과 유사합니다. 여기서 라이브러리 GP로 정의해야 합니다. 가장 중요한 것은 그것에 대한 일반적인 문서를 갖고 전략 테스터를 만드는 것입니다. 적당한 테스터를 찾지 못했습니다. 나는 코드를 게시하지 않을 것입니다. 그들이 너무 있다면 미묘함. 이것은 감사할 일이 아닙니다.
예, GP에 대한 귀하의 게시물을 다른 곳에서 (처음부터) 보았지만 무언가를 잊어 버렸습니다.
그래서 나는 이것이 GA를 사용한 자동 프로그래밍이라는 것을 이해했습니다. 주제는 실제로 RL에 가깝지만 후자는 고유한 장점이 있습니다. 예를 들어 GA와 달리 전역 최적에 대한 수렴을 보장합니다. + NN을 여기에 끌어오는 방법이 완전히 명확하지 않습니다.
솔직히 말해서 이것이 GA를 사용한 봇 최적화와 어떻게 다른지 잘 모르겠습니다. 더 자세히 읽어야 할 것입니다.
원칙적으로는 다음 쌍이 MY 예측 변수와 MY 목표 변수에 대해 희망이 없기 때문에 문제가 되지 않습니다. H1: EURCAD, GBPJPY, USDCHF
다른 목표 변수에 대해 수용 가능한 예측력을 가질 수 있는 다른 예측 변수 세트가 이러한 쌍에 있을 수 있습니다.
이해할 수 있습니다. 알았어 고마워.
물론 가능합니다.
예, GP에 대한 귀하의 게시물을 다른 곳에서 (처음부터) 보았지만 무언가를 잊어 버렸습니다.
그래서 나는 이것이 GA를 사용한 자동 프로그래밍이라는 것을 이해했습니다. 주제는 실제로 RL에 가깝지만 후자는 고유한 장점이 있습니다. 예를 들어 GA와 달리 전역 최적에 대한 수렴을 보장합니다. + NN을 여기에 끌어오는 방법이 완전히 명확하지 않습니다.
솔직히 말해서 이것이 GA를 사용한 봇 최적화와 어떻게 다른지 잘 모르겠습니다. 더 자세히 읽어야 할 것입니다.
정확하게 예측했다면 50핍 이상의 수익을 올릴 교사의 분포 차이를 기반으로 12개 통화 쌍에 대한 23개 예측자의 예측력을 계산했습니다.
결과는 다음과 같습니다.
1. 다른 통화 쌍에 대한 동일한 예측 변수의 예측 능력이 다릅니다.
2. 하나의 통화 쌍에 대한 서로 다른 예측 변수의 예측 능력은 두 배 정도 다를 수 있습니다.
3. 창이 이동함에 따라 예측 능력이 바뀝니다. 창을 500bar 이상 이동하면 예측 능력 변동성의 통계가 안정화됩니다.
4. 창을 이동하여 얻은 예측력의 비율은 1% 미만의 값에서 100% 이상의 값까지 다양합니다. 또한 "나쁜" 예측 변수(큰 sco 포함)는 항상 나쁘고 "좋은" 예측 변수는 항상 좋습니다.
5. 12개의 통화 쌍을 연구했습니다. 그 중 3개는 희망이 없습니다. 사용된 23개의 예측 변수 중 내 목표 변수에 적합한 예측 변수가 없었습니다.
6. 동일한 통화 쌍에 대해 매수와 매도의 예측력은 근본적으로 다릅니다.
포인트 1에 따르면 다양한 도구에 허용되는 공통 요소가 예측 변수로 잘못 선택되었다고 가정할 수 있습니다.
포인트 2는 포인트 1의 실수에서 이어집니다.
단락 3에 따르면 파동 구조는 고려되지 않을 가능성이 큽니다.
흥미롭게도 항목 3에 따르면 500이 훈련 표본 크기의 하한이라고 가정할 수 있습니다.
꿈에서 인용한 모든 수치는 저에게만 해당됩니다. H1의 경우 500은 일주일 미만이지만 일반화의 대상은 아닙니다.
그리고 단락 6에 따르면 예측 변수가 장수와 공매도가 본질적으로 반비례하는 신호라는 사실과 이것이 어떻게 일치하는지 명확하지 않은 경우 차이점은 무엇을 의미합니까?
구체적으로 언급하지만, 나는 또한 이것을 이해하지 못하지만 사실
안녕 얘들아!
AI 봇은 아직 준비가 되었나요?
그리고 그는 어떻게 거래합니까?
그냥 궁금합니다.
추신 집 주소를 입력하고...