트레이딩의 머신러닝: 이론, 모델, 실전 및 알고리즘 트레이딩 - 페이지 939

새 코멘트
 
레나트 아크티아모프 :

글쎄, 나는 같은 것에 대해 이야기하고 있습니다.

계수를 찾으려면 먼저 결과를 확인해야 합니다.

그리고 원하는 예보에 맞춰 조정해준다고 합니다.

글쎄, 그렇지?

당연하지. 또 어떻게 가르칠 수 있습니까? 학습에는 입력과 출력이 필요합니다. 교사와 함께 - 교사가 없으면 탈출구가 필요합니다.

레나트 아크티아모프 :

그들은 우리에게 필요한 것을 주지 않을 것입니다.

NS, 아프리카 NS에도 있습니다. 모든 것이 오랫동안 펼쳐져 씹혔습니다. 받아 - 신청하십시오.
 
유리 아사울렌코 :

당연하지. 또 어떻게 가르칠 수 있습니까? 학습에는 입력과 출력이 필요합니다. 교사와 함께 - 교사가 없으면 탈출구가 필요합니다.

인용문은 다음과 같습니다.

"예시적인 신호가 사용되지 않는 다른 버전의 적응도 가능합니다. 이 작동 모드를 블라인드 적응(블라인드 적응) 또는 교사 없이 학습(비지도 학습)이라고 합니다."

 
레나트 아크티아모프 :

인용문은 다음과 같습니다.

"예시적인 신호가 사용되지 않는 다른 버전의 적응도 가능합니다. 이 작동 모드를 블라인드 적응(블라인드 적응) 또는 교사 없이 학습(비지도 학습)이라고 합니다."

그리고 뭐? 선생님 없는 학습 구조를 보셨나요? 요컨대 - 선생님과 전혀 다르지 않습니다. OS가 있는 일반 시스템도 교사입니다.

 
유리 아사울렌코 :

그리고 뭐? 선생님 없는 학습 구조를 보셨나요? 요컨대 - 선생님과 전혀 다르지 않습니다. OS가 있는 일반 시스템도 교사입니다.

나는 읽었습니다, 당신이 옳습니다 - 모든 것이 거기에 있습니다
 

누구든지 oos 당 0.2 또는 0.3 오류를 달성 했습니까? 얻은 최소값은 약 0.45입니다. 또한, 종종 OOS에서 작동합니다.

하지만 그 차이는 2~2.5배 차이가 난다.

개발을 끝내고 연습을 시작할 때를 이해할 수 없습니다))

 2018.05 . 22 22 : 36 : 00.154 Core 1    2018.05 . 21 23 : 59 : 59    TRAIN RMS ERRORS
2018.05 . 22 22 : 36 : 00.154 Core 1    2018.05 . 21 23 : 59 : 59    0.19736 0.20053 0.18294 0.18023 0.18306 0.18155 0.18809 0.18171 0.17543 0.17399
2018.05 . 22 22 : 36 : 00.154 Core 1    2018.05 . 21 23 : 59 : 59    OOB RMS ERRORS
2018.05 . 22 22 : 36 : 00.154 Core 1    2018.05 . 21 23 : 59 : 59    0.52649 0.51713 0.49079 0.47764 0.48753 0.49452 0.50222 0.49814 0.46904 0.47008


 
알렉세이 비아즈미킨 :

겨울 / 여름까지의 시간 전달 요인으로 인해 하루 + 시간의 무리로 뉴스를 식별하는 것은 불가능합니다.

아니면 일부 예측 변수가 간섭하고 있는지...

시간별로 그룹화했습니다. 

           int TimeGroup= 0 ;
           int t_Start=arr_TimeH[i];
           if (t_Start== 10 ) TimeGroup= 1 ;
           if (t_Start== 11 || t_Start== 15 || t_Start== 18 || t_Start== 19 )TimeGroup= 2 ;
           if (t_Start== 12 || t_Start== 16 || t_Start== 20 )TimeGroup= 3 ;
           if (TimeGroup== 0 ) TimeGroup= 4 ;
           arr_TimeH[i]=TimeGroup;

이제 예측자 시간 그룹이 훨씬 더 잘 결정됩니다!

화면은 선택하지 않은 모든 예측 변수에 대한 테스트 샘플입니다. 선택하면 결과가 더 좋을 수 있습니다.

두 번째와 네 번째 그룹은 여전히 잘 작동하지 않았습니다. 아마도 그들 사이에서 이동할 수 있지만 1과 3은 그다지 나쁘지 않습니다.

 
알렉세이 비아즈미킨 :

시간별로 그룹화했습니다.

이제 예측자 시간 그룹이 훨씬 더 잘 결정됩니다!

화면은 선택하지 않은 모든 예측 변수에 대한 테스트 샘플입니다. 선택하면 결과가 더 좋을 수 있습니다.

두 번째와 네 번째 그룹은 여전히 잘 작동하지 않았습니다. 아마도 그들 사이에서 이동할 수 있지만 1과 3은 그다지 나쁘지 않습니다.

각 시간에 변동성 판독값을 추가하시겠습니까? 마치 채찍처럼. 또는 시계를 제거하고 변동성을 그대로 두십시오. 이는 세션에서 주기적입니다.

또는 경매로 그룹화합니다. 세션

전 세계적으로 0.5여야 하지만 분기별 +- 플러스 균형이 있어야 합니다.

핸디캡의 분기별 주기에 주의

 
막심 드미트리예프스키 :

각 시간에 변동성 판독값을 추가하시겠습니까? 마치 채찍처럼. 또는 시계를 제거하고 변동성을 그대로 두십시오. 이는 세션에서 주기적입니다.

지표로는 물론 가능하지만 바로 더 나아가 변동성의 원인을 찾아봤다 - 통계 뉴스 - 요일+시간으로 구분하면 볼 거라고 생각했지만 작동하지 않는 것 같다 - 아마도 나는 러시아 연방의 시간이 있고 미국의 뉴스가 우리의 통계보다 루블 환율에 더 큰 영향을 미치기 때문에 올바른 그룹화를 위해 시계 변경을 고려해야합니다 ...

막심 드미트리예프스키 :


전 세계적으로 0.5여야 하지만 분기별 +- 플러스 균형이 있어야 합니다.

핸디캡의 분기별 주기에 주의

분기별 - 이것이 타당한지 궁금합니다. 감사합니다.

그러나 시간 간격이 길수록 측정할 데이터가 적어집니다. 즉, 깔끔한 적합도가 있을 수 있습니다.

 
알렉세이 비아즈미킨 :

지표로는 물론 가능하지만 바로 더 나아가 변동성의 원인을 찾아봤다 - 통계 뉴스 - 요일+시간으로 구분하면 볼 거라고 생각했지만 작동하지 않는 것 같다 - 아마도 나는 러시아 연방의 시간이 있고 미국의 뉴스가 우리의 통계보다 루블 환율에 더 큰 영향을 미치기 때문에 올바른 그룹화를 위해 시계 변경을 고려해야합니다 ...

분기별 - 이것이 타당한지 궁금합니다. 감사합니다.

그러나 시간 간격이 길수록 측정할 데이터가 적어집니다. 즉, 깔끔한 적합도가 있을 수 있습니다.

매 분기 패턴이 일반적으로 변경됨을 의미합니다. 아직 7살짜리가 또렷하게 보이긴 하지만 이미 너무 위치적임

아마도 프랙탈 방식으로 다른 주기를 결정하는 것이 어떻게 든 가능합니다. 나는 그것을 연구하지 않았습니다. 우리는 정보를 찾아야합니다.

 
막심 드미트리예프스키 :

매 분기 패턴이 일반적으로 변경됨을 의미합니다. 아직 7살짜리가 또렷하게 보이긴 하지만 이미 너무 위치적임

아마도 프랙탈 방식으로 다른 주기를 결정하는 것이 어떻게 든 가능합니다. 나는 그것을 연구하지 않았습니다. 우리는 정보를 찾아야합니다.

저것들. 역사에 관계없이 변경, 즉. 2016년 1분기는 2017년 1분기와 같지 않습니까?

그리고 프랙탈, 그래서 저는 1시간, 4시간, 1일, 1주, 1개월 범위의 가격 변동을 측정하기 위한 거의 프랙탈 시스템을 가지고 있습니다. 계획된 변동 규모를 계산하고 가격이 현재 어디에 있는지(어떤 수준에서) 봅니다.

1...932933934935936937938939940941942943944945946...3399
새 코멘트