Target_P(방향이 일치하지 않는 신호는 제외)를 고려하여 이러한 결과를 얻었지만 처음에는 변동이 있다가 너무 빠르게 증가하는 것이 혼란스럽습니다.
코드에 오류가 없다면 백만장자라고 생각할 수 있습니다!
그 비결이 무엇인지 알려주실 수 있나요? 저는 이것이 본질적으로 오실레이터의 한계로 몰아넣은 다항식이라는 것을 알고 있습니다.
비밀은 거의 없습니다. 위에서 모든 것을 말씀드렸으니까요. 다항식은 없습니다.
몇 가지 힌트를 드리겠습니다:
1) 목표. 즉, 강한 움직임과 평평한 움직임 모두에서 잠재적 수익이 극대화되도록 데이터를 필터링해야 합니다. 저는 직렬 분해에 도베시 웨이블릿을 사용했는데, 이것이 가장 정확한 변형이라고 말할 수도 있습니다(지금은 리소스 집약도가 낮은 것을 찾았지만). 필터링에서 가장 중요한 것은 "즉석에서" 필터링을 수행하지 않고 샘플 트레이스의 가장자리에서 최소 10~20%의 데이터를 제외하는 것입니다. 에지 효과를 제외하려면 에지 데이터를 제거해야 합니다.
2) 오실레이터. 실제로 가장 간단한 방법일 수 있습니다. 예를 들어, 모두 잊혀진 RVI ... :) 올바른 기간 만 선택해야합니다.
3) 그러나 가장 중요한 것은 "올바른"신경망과 그 적용 알고리즘입니다 ... :) 신경망의 결과에 대한 올바른 해석을 포함합니다.
코드의 오류는 신호가 나타나는 시간에만있을 수 있지만 (이미 8 번 확인했지만 오류를 찾지 못했지만) 신호 모양이 오른쪽으로 이동하더라도 (즉, 신호를 인위적으로 1-2 단계 지연시키는 것) 물론 초기보다 적은 이익도 있지만 첫 번째 게시물의 초기 조건이 큽니다.
1) 목표. 즉, 강한 움직임과 평평한 움직임 모두에서 잠재적 이익이 극대화되도록 데이터를 필터링해야 합니다. 저는 직렬 분해에 도베시 웨이블릿을 사용했는데, 이것이 가장 정확한 변형이라고 말할 수도 있습니다(지금은 리소스 집약도가 낮은 것을 찾았지만). 필터링에서 가장 중요한 것은 "즉석에서" 필터링을 수행하지 않고 샘플 트레이스의 가장자리에서 최소 10~20%의 데이터를 제외하는 것입니다. 에지 효과를 제외하려면 에지 데이터를 제거해야 합니다.
2) 오실레이터. 실제로 가장 간단한 방법일 수 있습니다. 예를 들어, 모두 잊혀진 RVI ... :) 올바른 기간 만 선택해야합니다.
3) 그러나 가장 중요한 것은 "올바른"신경망과 그 적용 알고리즘입니다 ... :) 신경망의 결과에 대한 올바른 해석을 포함합니다.
코드의 오류는 신호가 나타나는 시간에만있을 수 있지만 (이미 8 번 확인했지만 오류를 찾지 못했지만) 신호 모양이 오른쪽으로 이동하더라도 (즉, 신호를 인위적으로 1-2 단계 지연시키는 것) 물론 초기보다 적은 이익도 있지만 첫 번째 게시물의 초기 조건이 큽니다.
첫 번째 힌트-내 데이터에 관한 것이므로 지금은 건너 뛰겠습니다.
두 번째 힌트 - 샘플 열차를 사용하셨나요?
세 번째 힌트 - 왜 이렇게 신경망이 많은지 이해가 안 되네요. 그러면 입력, 반환 또는 무엇에 무엇을 공급합니까?
세 번째 힌트 - 왜 이렇게 신경망이 많은지 이해가 안 되네요. 그러면 입력, 반환 또는 무엇에 무엇을 공급합니까?
2) 예, 열차 샘플과 테스트 샘플이 하나의 동일한 프로세스의 결과라고 간주되기 때문에 열차 샘플 만 남획됩니다. 프로세스가 다르면 당연히 아무것도 얻을 수 없습니다.
3) 매우 간단합니다. 유전학을 해보신 적이 있으신가요?
예를 들어 유전학에서 10개의 변수가 있는 방정식을 풀 때, 변수를 달리해도 동일한 결과(매우 근접한 결과)를 얻을 수 있습니다. 신경망도 마찬가지입니다. 동일한 샘플에 대해 두 개의 신경망을 생성하고 훈련한 다음, 이 네트워크의 오차와 가중치 계수를 살펴보세요. 서로 다를 것입니다!
또한 그래프의 다른 부분에 대해 신경망의 입력에 공급되는 샘플의 깊이가 달라야 합니다. 즉, 샘플링 깊이가 다른 신경망은 그래프의 다른 부분에 대해 다른 정확도를 갖습니다. 따라서 "올바른" 위원회는 전체 샘플 길이에 대해 올바르게 응답할 수 있습니다. 그리고 특히이위원회 자체가이 정확성을 결정합니다. 아마도 이것은 이미 AI의 기초 일 것입니다 ... :)
예를 들어 유전학에서 10개의 변수가 있는 방정식을 풀 때, 다른 변수로도 동일한 결과(매우 근접한 결과)를 얻을 수 있습니다. 신경망도 마찬가지입니다. 동일한 샘플에 대해 두 개의 신경망을 생성하고 훈련한 다음, 이 네트워크의 오차와 가중치 계수를 살펴보세요. 서로 다를 것입니다!
또한 그래프의 다른 부분에 대해 신경망의 입력에 공급되는 샘플의 깊이가 달라야 합니다. 즉, 샘플링 깊이가 다른 신경망은 그래프의 다른 부분에 대해 다른 정확도를 갖습니다. 따라서 "올바른" 위원회는 전체 샘플 길이에 대해 올바르게 응답할 수 있습니다. 그리고 특히이위원회 자체가이 정확성을 결정합니다. 아마도 이것은 이미 AI의 기초 일 것입니다 ... :)
유전학을 통해 선택된 자유 계수가있는 오실레이터 공식이 있는지 이해할 수 없습니까? 유전학이 신경망에 구현되어 있습니까 (그런 변종에 대해 잘 모르겠습니다)?
분명하지만 어떻게 수집하고 계수를 기차 또는 다른 샘플에 배포 했습니까?
입력이 일부 들여 쓰기 또는 전체 창이있는 순수한 값이지만 네트워크마다 크기가 다르다는 것을 올바르게 이해합니까?
실제 오실레이터 자체 + 점이 예측입니다. 점은 새 막대의 첫 번째 틱에 나타납니다. 그러나 점의 출현은 거래 신호가 아니라 경고일 뿐입니다. 추가 가격 변동이 분석되고 나서야 거래에 대한 결정이 내려집니다. 그건 그렇고,이 차트는 또한 98-99 %의 경우 돌파되지 않는 중지 (빨간색 표시)를 보여 주며 급격한 변동에 대한 방어입니다. 이것은 실제로 구매하라는 신호입니다 ... :)
오실레이터 자체 + 포인트는 예측입니다. 포인트는 새 막대의 첫 번째 틱에 나타납니다. 그러나 포인트의 출현은 거래의 신호가 아니라 경고일 뿐입니다. 추가 가격 변동이 분석되고 나서야 거래에 대한 결정이 내려집니다. 그건 그렇고,이 차트는 또한 98-99 %의 경우 돌파되지 않는 중지 (빨간색 표시)를 보여 주며 급격한 변동에 대한 방어입니다. 이것은 실제로 구매하라는 신호입니다 ... :)
글쎄요, 이것은 순전히 귀하의 시스템이며 분석을 위해 다른 데이터를 사용하지 않았기 때문에 제가 제공 한 데이터와는 아무런 관련이 없습니까?
파일을 첨부하고 있습니다 - 이전에 훈련 한 모델을 적용하십시오 - 결과에 관심이 있습니다.
열을 추가했습니다: "1" 매수, "-1" 매도. 나는 내가 제대로했다고 생각하지만 확인하지 않았습니다 ... :) 게으른.
스프레드와 커미션이 없는 차트에서 이것은 포인트 단위의 결과입니다:
결과: PR=157488 +거래=778 -거래=18 (수익, 포지션 및 마이너스 거래 수)
스프레드 0.00050:
결과: PR=117688 +거래=629 -거래=167
스프레드 0.00100:
PR=77888 +거래량=427 -거래량=369
스프레드 200:
PR=1712 +거래량=241 -거래량=555
슈퍼 오실레이터를 구입하신 것을 축하드립니다!
Target_P (방향이 일치하지 않는 신호는 제외됨)를 고려하여 이러한 결과를 얻었습니다. 처음에는 변동과 급격한 성장으로 인해 혼란 스럽습니다.
코드에 오류가 없다면 자신을 백만장자라고 생각할 수 있습니다!
비결이 무엇인지 말씀해 주시겠어요? 나는 이것이 본질적으로 당신이 오실레이터의 한계에 어떻게 든 몰아 넣은 다항식이라는 것을 이해합니다.
슈퍼 오실레이터를 구입하신 것을 축하드립니다!
Target_P(방향이 일치하지 않는 신호는 제외)를 고려하여 이러한 결과를 얻었지만 처음에는 변동이 있다가 너무 빠르게 증가하는 것이 혼란스럽습니다.
코드에 오류가 없다면 백만장자라고 생각할 수 있습니다!
그 비결이 무엇인지 알려주실 수 있나요? 저는 이것이 본질적으로 오실레이터의 한계로 몰아넣은 다항식이라는 것을 알고 있습니다.
비밀은 거의 없습니다. 위에서 모든 것을 말씀드렸으니까요. 다항식은 없습니다.
몇 가지 힌트를 드리겠습니다:
1) 목표. 즉, 강한 움직임과 평평한 움직임 모두에서 잠재적 수익이 극대화되도록 데이터를 필터링해야 합니다. 저는 직렬 분해에 도베시 웨이블릿을 사용했는데, 이것이 가장 정확한 변형이라고 말할 수도 있습니다(지금은 리소스 집약도가 낮은 것을 찾았지만). 필터링에서 가장 중요한 것은 "즉석에서" 필터링을 수행하지 않고 샘플 트레이스의 가장자리에서 최소 10~20%의 데이터를 제외하는 것입니다. 에지 효과를 제외하려면 에지 데이터를 제거해야 합니다.
2) 오실레이터. 실제로 가장 간단한 방법일 수 있습니다. 예를 들어, 모두 잊혀진 RVI ... :) 올바른 기간 만 선택해야합니다.
3) 그러나 가장 중요한 것은 "올바른"신경망과 그 적용 알고리즘입니다 ... :) 신경망의 결과에 대한 올바른 해석을 포함합니다.
코드의 오류는 신호가 나타나는 시간에만있을 수 있지만 (이미 8 번 확인했지만 오류를 찾지 못했지만) 신호 모양이 오른쪽으로 이동하더라도 (즉, 신호를 인위적으로 1-2 단계 지연시키는 것) 물론 초기보다 적은 이익도 있지만 첫 번째 게시물의 초기 조건이 큽니다.
비밀은 거의 없습니다. 위에서 모든 것을 말씀드렸습니다. 다항식은 없습니다.
일련의 힌트를 작성하겠습니다:
1) 목표. 즉, 강한 움직임과 평평한 움직임 모두에서 잠재적 이익이 극대화되도록 데이터를 필터링해야 합니다. 저는 직렬 분해에 도베시 웨이블릿을 사용했는데, 이것이 가장 정확한 변형이라고 말할 수도 있습니다(지금은 리소스 집약도가 낮은 것을 찾았지만). 필터링에서 가장 중요한 것은 "즉석에서" 필터링을 수행하지 않고 샘플 트레이스의 가장자리에서 최소 10~20%의 데이터를 제외하는 것입니다. 에지 효과를 제외하려면 에지 데이터를 제거해야 합니다.
2) 오실레이터. 실제로 가장 간단한 방법일 수 있습니다. 예를 들어, 모두 잊혀진 RVI ... :) 올바른 기간 만 선택해야합니다.
3) 그러나 가장 중요한 것은 "올바른"신경망과 그 적용 알고리즘입니다 ... :) 신경망의 결과에 대한 올바른 해석을 포함합니다.
코드의 오류는 신호가 나타나는 시간에만있을 수 있지만 (이미 8 번 확인했지만 오류를 찾지 못했지만) 신호 모양이 오른쪽으로 이동하더라도 (즉, 신호를 인위적으로 1-2 단계 지연시키는 것) 물론 초기보다 적은 이익도 있지만 첫 번째 게시물의 초기 조건이 큽니다.
첫 번째 힌트-내 데이터에 관한 것이므로 지금은 건너 뛰겠습니다.
두 번째 힌트 - 샘플 열차를 사용하셨나요?
세 번째 힌트 - 왜 이렇게 신경망이 많은지 이해가 안 되네요. 그러면 입력, 반환 또는 무엇에 무엇을 공급합니까?
첫 번째 힌트는 내 데이터에 관한 것이므로 일단 건너뛰겠습니다.
두 번째 힌트 - 샘플링을 해보셨나요?
세 번째 힌트 - 왜 이렇게 신경망이 많은지 이해가 안 되네요. 그러면 입력, 반환 또는 무엇에 무엇을 공급합니까?
2) 예, 열차 샘플과 테스트 샘플이 하나의 동일한 프로세스의 결과라고 간주되기 때문에 열차 샘플 만 남획됩니다. 프로세스가 다르면 당연히 아무것도 얻을 수 없습니다.
3) 매우 간단합니다. 유전학을 해보신 적이 있으신가요?
예를 들어 유전학에서 10개의 변수가 있는 방정식을 풀 때, 변수를 달리해도 동일한 결과(매우 근접한 결과)를 얻을 수 있습니다. 신경망도 마찬가지입니다. 동일한 샘플에 대해 두 개의 신경망을 생성하고 훈련한 다음, 이 네트워크의 오차와 가중치 계수를 살펴보세요. 서로 다를 것입니다!
또한 그래프의 다른 부분에 대해 신경망의 입력에 공급되는 샘플의 깊이가 달라야 합니다. 즉, 샘플링 깊이가 다른 신경망은 그래프의 다른 부분에 대해 다른 정확도를 갖습니다. 따라서 "올바른" 위원회는 전체 샘플 길이에 대해 올바르게 응답할 수 있습니다. 그리고 특히이위원회 자체가이 정확성을 결정합니다. 아마도 이것은 이미 AI의 기초 일 것입니다 ... :)
3) 매우 간단합니다. 유전학을 해본 적이 있나요?
예를 들어 유전학에서 10개의 변수가 있는 방정식을 풀 때, 다른 변수로도 동일한 결과(매우 근접한 결과)를 얻을 수 있습니다. 신경망도 마찬가지입니다. 동일한 샘플에 대해 두 개의 신경망을 생성하고 훈련한 다음, 이 네트워크의 오차와 가중치 계수를 살펴보세요. 서로 다를 것입니다!
또한 그래프의 다른 부분에 대해 신경망의 입력에 공급되는 샘플의 깊이가 달라야 합니다. 즉, 샘플링 깊이가 다른 신경망은 그래프의 다른 부분에 대해 다른 정확도를 갖습니다. 따라서 "올바른" 위원회는 전체 샘플 길이에 대해 올바르게 응답할 수 있습니다. 그리고 특히이위원회 자체가이 정확성을 결정합니다. 아마도 이것은 이미 AI의 기초 일 것입니다 ... :)
유전학을 통해 선택된 자유 계수가있는 오실레이터 공식이 있는지 이해할 수 없습니까? 유전학이 신경망에 구현되어 있습니까 (그런 변종에 대해 잘 모르겠습니다)?
분명하지만 어떻게 수집하고 계수를 기차 또는 다른 샘플에 배포 했습니까?
입력이 일부 들여 쓰기 또는 전체 창이있는 순수한 값이지만 네트워크마다 크기가 다르다는 것을 올바르게 이해합니까?
유전학을 통해 선택되는 자유 계수가있는 오실레이터 공식이 있는지 이해할 수 없습니다. 유전학이 신경망에 구현되어 있나요(이 옵션에 대해 잘 모르겠습니다)?
분명하지만 어떻게 수집하고 계수를 기차 또는 다른 샘플에 배포 했습니까?
입력이 일부 들여 쓰기 또는 전체 창이있는 순수한 값이지만 네트워크마다 크기가 다르다는 것을 올바르게 이해합니까?
유전학은 신경망없이 일반적입니다 (솔직히 말해서 신경망의 유전학도 저에게 알려지지 않았습니다).
모든 것은 열차 샘플에서만 결정됩니다. 위원회 자체가 모든 계수를 결정합니다.
예, 거의 순수한 값, 다른 깊이, 다른 창 등.
유전학은 신경 세트 없이 일반적입니다(솔직히 신경 세트에 대한 유전학은 저도 잘 모릅니다).
모든 것은 기차 샘플에서만 결정됩니다. 위원회 자체에서 모든 계수를 결정합니다.
예, 거의 순수한 값, 다른 깊이, 다른 창 등.
앞서 오실레이터는 실제로 적용되지 않는 집합적 이미지라고 언급했나요?
앞서 오실레이터는 실제로 적용되지 않는 집합적 이미지라고 언급했었나요?
아니요, 오실레이터는 집합적 이미지가 아니라 현실(지하실에 배치)입니다:
실제 오실레이터 자체 + 점이 예측입니다. 점은 새 막대의 첫 번째 틱에 나타납니다. 그러나 점의 출현은 거래 신호가 아니라 경고일 뿐입니다. 추가 가격 변동이 분석되고 나서야 거래에 대한 결정이 내려집니다. 그건 그렇고,이 차트는 또한 98-99 %의 경우 돌파되지 않는 중지 (빨간색 표시)를 보여 주며 급격한 변동에 대한 방어입니다. 이것은 실제로 구매하라는 신호입니다 ... :)
아니요, 오실레이터는 집합적인 이미지가 아니라 실제 (지하실에 배치된) 제품입니다:
오실레이터 자체 + 포인트는 예측입니다. 포인트는 새 막대의 첫 번째 틱에 나타납니다. 그러나 포인트의 출현은 거래의 신호가 아니라 경고일 뿐입니다. 추가 가격 변동이 분석되고 나서야 거래에 대한 결정이 내려집니다. 그건 그렇고,이 차트는 또한 98-99 %의 경우 돌파되지 않는 중지 (빨간색 표시)를 보여 주며 급격한 변동에 대한 방어입니다. 이것은 실제로 구매하라는 신호입니다 ... :)
글쎄요, 이것은 순전히 귀하의 시스템이며 분석을 위해 다른 데이터를 사용하지 않았기 때문에 제가 제공 한 데이터와는 아무런 관련이 없습니까?
파일을 첨부하고 있습니다 - 이전에 훈련 한 모델을 적용하십시오 - 결과에 관심이 있습니다.