고문의 작업 결과를 형평성으로 평가하는 것은 논리적입니다. 이상적인 항목은 물론 매우 좋지만 여전히 현실적입니다. 나는 다음과 같은 평가 방법을 제안한다. 주식 기울기 각도는 거래의 정확성과 빈도에 따라 다릅니다. 그러나 그것이 전부는 아닙니다. 정상적인 사람이라면 누구나 실제 형평성과 이상적인 형평성에 관심이 있습니다. 작업 결과는 마지막 N 트랜잭션에 의해 평가되며 N=10입니다. 그러면 이상적인 거래는 1 1 1 1 1 1 1 1 1 1이 됩니다. 그러한 거래의 자본은 1 2 3 4 5 6 7 8 9 10입니다. 실제 거래가 1 1 -1 1 1 -1 1 1이라고 가정합니다. -1 1. 그러면 자기 자본은
1 2 1 2 3 2 3 4 3 4. 이제 우리는 드로다운을 계산합니다. 실질 주식의 경우 선형 회귀 (선형 회귀의 기울기를 읽음)와 선형 회귀선(평균값이 아닌)의 표준 편차를 계산합니다. ). 우리는 드로다운을 특징짓는 에퀴티의 두 번째 특성을 얻습니다. 이제 기울기 각도를 편차로 나누면 거래를 완전히 특성화하는 하나의 값을 얻습니다. 이제 이것은 사용자 정의를 위한 피트니스 기능으로 사용할 수 있습니다. 물론 마지막 거래에서 완벽한 에퀴티를 얻었을 때 분산이 0인 상황이 발생할 수 있습니다. 이러한 상황을 피하고 피트니스 함수를 +1 -1 범위로 정규화하는 방법은 이미 숙제입니다.
원칙적으로 실제 형평성과 이상적인 형평성 간의 상관 계수를 계산하는 또 다른 옵션이 있습니다. 물론 이 주제에 대한 기사가 있는 방법은 여전히 많습니다.
신경망은 호모 사피엔스처럼 다운, 학습 능력이 있는 다운, 너드로 나뉜다고 생각합니다. 얼간이들은 백테스트에서 이해하려 하지 않고 자료만 암기하면 이상적인 결과를 보여줍니다. 여기의 단점은 모두 명확합니다. 눈과 귀를 믿는다면 대부분 리더십에 앉아서 결정을 내립니다.
우리의 목표는 배울 수 있는 다운입니다. 나는 신호 중 하나가 백 테스트에서 피트니스 기능에 대해 0.8-0.9 범위에서 최상의 결과를 보여주고 있다고 생각합니다. 네트워크는 재훈련되지 않습니다. 이것이 발견된 패턴일 가능성이 있습니다.
내가 위에서 쓴 신경망의 내부 조직에 대한 나의 비전은 반복되지 않을 것입니다. 다운을 가르치는 것과 얼간이를 무디게하는 것이 더 유익한 것에 대해 합리적인 질문이 생깁니다. 첫 번째 경우에는 뉴런을 추가하고 최적화하고 두 번째 경우에는 새끼 고양이처럼 뉴런을 익사시키면 됩니다. 첫 번째 옵션이 바람직하다고 생각합니다.
입구에 제출할 내용은 이전에 작성했습니다. 제보가 있으면 개인적으로 답변드릴 생각이 하나 더 있습니다. 한마디로 물고기는 있고 물고기는 없다.
실전에서 확인했습니다. 그러나 명확성을 위해 반복할 수 있습니다.
제안 입력(OHLC 제외) 및 교사. 해결해야 할 문제는 분류입니다. 저것들. 교사는 +1/-1 신호(매수/매도, 상승/하락 등)를 제공해야 합니다.
우리는 3-4가지 방법을 훈련하고 각 방법의 정확도를 보여주는 수치적 메트릭을 얻을 것입니다.
행운을 빕니다
실전에서 확인했습니다. 그러나 명확성을 위해 반복할 수 있습니다.
제안 입력(OHLC 제외) 및 교사. 해결해야 할 문제는 분류입니다. 저것들. 교사는 +1/-1 신호(매수/매도, 상승/하락 등)를 제공해야 합니다.
우리는 3-4가지 방법을 훈련하고 각 방법의 정확도를 보여주는 수치적 메트릭을 얻을 것입니다.
행운을 빕니다
반복할 필요가 없습니다. 모든 옵션을 사용하여 테스트 결과를 실제로 테스트해 보겠습니다.
행운을 빕니다
주말에 준비하겠습니다.
행운을 빕니다
주말에 준비하겠습니다.
행운을 빕니다
기대
진심으로 당신의
Robyaty, 나는 제안합니다-5 번째 GURU 는 대화가 아니라면 그의 의견에 대해 우리가이 방향으로 나아가야 할 곳과 일반적으로 우리의 의견을 목소리로 (쓰기) 초대하십시오 !!!
Reshetov, 그의 R-Net에 따르면 그의 "빵과 소시지"로 걱정하지 마십시오. 그는 "지쳤습니다"... 다행히도 실생활에서는 그렇지 않습니다 ... 솔직히 말해서 ...
일단 주제에 - 그가 운동과 발전의 방향에 대해 말하게 하십시오(권장) ... 더욱이 그는 삼백 바쿠를 받습니다.
모든 것, IMHO, 저는 그냥 제안합니다... 다섯 번째 주제에 주제를 정리(또는 기존에 게시 )합니다.
마음에서 - 상승없이 @ onov.
실전에서 확인했습니다. 그러나 명확성을 위해 반복할 수 있습니다.
제안 입력(OHLC 제외) 및 교사. 해결해야 할 문제는 분류입니다. 저것들. 교사는 +1/-1 신호(매수/매도, 상승/하락 등)를 제공해야 합니다.
우리는 3-4가지 방법을 훈련하고 각 방법의 정확도를 보여주는 수치적 메트릭을 얻을 것입니다.
행운을 빕니다
이 선생님을 시험해보십시오 . (https://www.mql5.com/en/code/903). 생각하지 않는 것이 좋습니다.
귀하의 재량에 따라 모든 입력이 가능하며 OHLC도 가능합니다.
일부 생각은 모두 IMHO입니다.
또한 고정 많은 거래에 대해 이야기 할 것입니다. 자금 관리는 완전히 다른 주제입니다.
고문의 작업 결과를 형평성으로 평가하는 것은 논리적입니다. 이상적인 항목은 물론 매우 좋지만 여전히 현실적입니다. 나는 다음과 같은 평가 방법을 제안한다. 주식 기울기 각도는 거래의 정확성과 빈도에 따라 다릅니다. 그러나 그것이 전부는 아닙니다. 정상적인 사람이라면 누구나 실제 형평성과 이상적인 형평성에 관심이 있습니다. 작업 결과는 마지막 N 트랜잭션에 의해 평가되며 N=10입니다. 그러면 이상적인 거래는 1 1 1 1 1 1 1 1 1 1이 됩니다. 그러한 거래의 자본은 1 2 3 4 5 6 7 8 9 10입니다. 실제 거래가 1 1 -1 1 1 -1 1 1이라고 가정합니다. -1 1. 그러면 자기 자본은
1 2 1 2 3 2 3 4 3 4. 이제 우리는 드로다운을 계산합니다. 실질 주식의 경우 선형 회귀 (선형 회귀의 기울기를 읽음)와 선형 회귀선(평균값이 아닌)의 표준 편차를 계산합니다. ). 우리는 드로다운을 특징짓는 에퀴티의 두 번째 특성을 얻습니다. 이제 기울기 각도를 편차로 나누면 거래를 완전히 특성화하는 하나의 값을 얻습니다. 이제 이것은 사용자 정의를 위한 피트니스 기능으로 사용할 수 있습니다. 물론 마지막 거래에서 완벽한 에퀴티를 얻었을 때 분산이 0인 상황이 발생할 수 있습니다. 이러한 상황을 피하고 피트니스 함수를 +1 -1 범위로 정규화하는 방법은 이미 숙제입니다.
원칙적으로 실제 형평성과 이상적인 형평성 간의 상관 계수를 계산하는 또 다른 옵션이 있습니다. 물론 이 주제에 대한 기사가 있는 방법은 여전히 많습니다.
신경망은 호모 사피엔스처럼 다운, 학습 능력이 있는 다운, 너드로 나뉜다고 생각합니다. 얼간이들은 백테스트에서 이해하려 하지 않고 자료만 암기하면 이상적인 결과를 보여줍니다. 여기의 단점은 모두 명확합니다. 눈과 귀를 믿는다면 대부분 리더십에 앉아서 결정을 내립니다.
우리의 목표는 배울 수 있는 다운입니다. 나는 신호 중 하나가 백 테스트에서 피트니스 기능에 대해 0.8-0.9 범위에서 최상의 결과를 보여주고 있다고 생각합니다. 네트워크는 재훈련되지 않습니다. 이것이 발견된 패턴일 가능성이 있습니다.
내가 위에서 쓴 신경망의 내부 조직에 대한 나의 비전은 반복되지 않을 것입니다. 다운을 가르치는 것과 얼간이를 무디게하는 것이 더 유익한 것에 대해 합리적인 질문이 생깁니다. 첫 번째 경우에는 뉴런을 추가하고 최적화하고 두 번째 경우에는 새끼 고양이처럼 뉴런을 익사시키면 됩니다. 첫 번째 옵션이 바람직하다고 생각합니다.
입구에 제출할 내용은 이전에 작성했습니다. 제보가 있으면 개인적으로 답변드릴 생각이 하나 더 있습니다. 한마디로 물고기는 있고 물고기는 없다.
일부 생각은 모두 IMHO입니다.
모든 전문가의 작업 결과를 실제 용어로 그리고 실제 용어로만 평가하는 것이 논리적입니다. 그리고 IMHA도 아닙니다. 테스터에 양의 균형 곡선을 가진 20명의 전문가 고문이 있는 경우 모든 방법(지적 m.turbation)으로 거래 결과를 평가하십시오.
최소 보증금으로 모든 것을 실제에 걸면 실제가 모든 것을 보여줄 것입니다. 글쎄요, 예를 들어 3개월 안에 20개 중 10개가 플러스 잔액으로 남아 있으면 다양한 분노를 처리할 수 있습니다.
발표 내용이 그리 짧지 않은 것으로 밝혀져 부록에 인용한다.
행운을 빕니다
발표 내용이 그리 짧지 않은 것으로 밝혀져 부록에 인용한다.
행운을 빕니다