mytarmailS #: Estou lendo aqui, vejo que cada um entende suas próprias conversas...
Um viu a equipe, o outro viu outra coisa.
Karoch. O caso deveria ser assim: há um conjunto de dados brutos comum com dados iniciais e alvo...
Em csv ou txt, para que qualquer pessoa possa pegá-lo e fazer algo em qualquer idioma...
Os preditores devem ser criados por todos, por isso são brutos...
Não tocarei no mcl, ou você explica a regra inicial (fn. Active. De acordo com você) ou eu faço no mashka, como eu disse antes....
O objetivo disso é comparar métodos de geração de características, não uma equipe, não para ganhar dinheiro.
Não é possível comparar métodos de geração de características porque ainda não criei um sistema em código. O que pode ser comparado é seu sistema com meu conjunto de preditores e meu sistema/metodologia para selecioná-los.
Qualquer pessoa pode obter dados do intervalo histórico do servidor MQL - você quer um histórico contínuo. Mas a amostra final a ser treinada será uma ordem de magnitude menor de cadeias de amostras, mas com preditores adicionais.
O Expert Advisor que proponho usar salvará os preditores abertos e, no final do arquivo csv, haverá colunas com o resultado financeiro e a meta - você pode obter informações sobre o tempo de acionamento da "regra inicial"/função de ativação a partir daí, portanto, não há necessidade de reproduzir o algoritmo em R.
Sugiro o intervalo de tempo - de 2010 a 2020 - para treinamento, e o restante do tempo para testar os resultados fora do treinamento.
Ao criar seus preditores, você pode salvar o resultado em csv - e eu farei isso. Além disso, você pode mesclar colunas e estudar em intervalos diferentes ou apenas separadamente - isso é necessário para a comparação da exatidão da sincronização.
Posso enviar uma marcação pura, se você não quiser se aprofundar no assunto.
Você não pode comparar métodos de geração de recursos, pois ainda não criei um sistema em código. Você pode comparar seu sistema com meu conjunto de preditores e o sistema/método de seleção deles.
Qualquer pessoa pode obter dados do intervalo histórico do servidor MQL - você quer um histórico contínuo. Mas a amostra final, que será usada para treinamento, será uma ordem de magnitude menor de strings com exemplos, mas com preditores adicionais.
O Expert Advisor que proponho usar salvará os preditores abertos e, no final do arquivo csv, haverá colunas com o resultado financeiro e a meta - você pode obter informações sobre o tempo de acionamento da "regra inicial"/função de ativação a partir daí, portanto, não há necessidade de reproduzir o algoritmo em R.
Sugiro o intervalo de tempo - de 2010 a 2020 - para treinamento, e o restante do tempo para verificação dos resultados fora do treinamento.
Ao criar seus preditores, você pode salvar o resultado em csv - e eu farei isso. Você pode mesclar as colunas e estudar em intervalos diferentes ou apenas separadamente - você precisa disso para comparar a exatidão da sincronização.
Posso enviar uma marcação pura, se você não quiser se aprofundar no assunto.
Vamos voltar à lógica
pode haver muitos atributos diferentes e eles podem ou não ser informativos, dependendo de sua relação com o destino.
qual é a diferença entre uma relação e uma adequação? o grau de dependência informativa expresso por meio de alguma medida
quanto menor for a dependência informativa dos rótulos em cada recurso individual, mais recursos serão necessários para o treinamento.
O aumento do número de recursos leva ao ajuste porque o sistema começa a ter muitos parâmetros livres
Qual é a única abordagem correta nesse caso? Minimizar o número de recursos e, ao mesmo tempo, aumentar sua proporção em relação aos recursos de destino
É por isso que é necessário bombardear não apenas os recursos, mas também os recursos-alvo, de acordo com algum critério de vinculação de informações.
Se alguém quiser trabalhar nessa direção, eu ajudarei com o código.
pode haver muitos atributos diferentes e eles podem ou não ser informativos, dependendo de sua relação com os atributos de destino.
qual é a diferença entre uma relação e uma adequação? o grau de dependência informativa expresso por meio de alguma medida
quanto menor for a dependência informativa dos rótulos em cada recurso individual, mais recursos serão necessários para o treinamento.
O aumento do número de recursos leva ao ajuste porque o sistema começa a ter muitos parâmetros livres
Qual é a única abordagem correta nesse caso? Minimizar o número de recursos e, ao mesmo tempo, aumentar sua proporção em relação aos recursos de destino
É por isso que é necessário bombardear não apenas os recursos, mas também os recursos-alvo, de acordo com algum critério de vinculação de informações.
Se alguém quiser trabalhar nessa direção, eu ajudarei com o código.
É claro que concordo com a lógica, por isso sugeri anteriormente que identificássemos preditores aleatoriamente e depois os usássemos para marcação.
Para mim, esses pontos que têm capacidade de previsão são eventos, que geralmente penso em treinar separadamente, ou separar planilhas deles, e depois realizar qualquer procedimento de treinamento cumulativo.
Esse evento pode ser considerado como um sistema de negociação separado e o comportamento/eficiência desses sistemas pode ser analisado.
Agora, para mim, na compensação, o problema é a contabilidade independente desses eventos, ou seja, o suporte virtual que funcionaria corretamente em dados reais com perda de comunicação e outras delícias.
Os métodos de geração de recursos não podem ser comparados, pois ainda não criei o sistema em código.
Comparação de métodos.
Essa é a única coisa em que estou interessado.
Tenho minhas próprias amostras, mas não tenho energia/motivação para terminar e aplicar meu algoritmo superduper a elas; é por isso que estou fazendo isso para me motivar...
E você está me dizendo para pegar minha amostra e também entrar no µl)))) e você mesmo não fará nada....
Não, obrigado...
Eu não quero puxar a minha carroça e você me diz para puxar a minha carroça também. É exatamente assim que parece.
É claro que concordo com a lógica, por isso sugeri anteriormente que identificássemos preditores aleatoriamente e os usássemos para marcação.
Para mim, esses pontos que têm capacidade de previsão são eventos que geralmente penso em treinar separadamente, ou separar planilhas deles, e depois realizar qualquer procedimento de treinamento agregado.
Esse evento pode ser considerado como um sistema de negociação separado e o comportamento/eficiência desses sistemas pode ser analisado.
Agora, para mim, na compensação, o problema é a contabilidade independente desses eventos, ou seja, o suporte virtual que funcionaria corretamente em dados reais com perda de comunicação e outras delícias.
Antes de tudo, é necessário remover palavras e termos desnecessários que interferem no raciocínio. Caso contrário, a cooperação será simplesmente impossível. Existem abordagens gerais para a seleção de sinais, mas elas precisam ser adaptadas às séries temporais e às especificidades da negociação. É preciso pegar um já pronto e descobrir como usá-lo melhor ao marcar um gráfico. Todo o conjunto de ferramentas está disponível.
Eventos, pontos, regras, sinais... tudo isso não tem nada a ver com aprendizado de máquina e obscurece a compreensão do que você realmente faz. Você acaba transferindo uma confusão de uma cabeça para outra.
Todos vocês escrevem sobre suas bicicletas, supostamente inventaram algum método científico e algo está prestes a acontecer, mas falta poder de computação, desejo ou escravos e, portanto, tudo está no caminho certo. Ao mesmo tempo, você não consegue dar uma definição rigorosa do que exatamente está fazendo e se há lógica nisso. Essas são desculpas para si mesmo, uma abordagem emocional.
Às vezes, é útil escrever mais um artigo para sistematizar palavras e pensamentos dispersos, e então a lógica das ações ficará clara. Caso contrário, você está fazendo algo, mas se esqueceu da base, de onde começou. Veja se tudo está em ordem com a lógica e se não está desvinculado da realidade.
mytarmailS #: Você realmente acha que isso tem algum valor?
É claro que sim. Você pode ver que tipo de ganho seu método lhe proporciona. Talvez ele seja tão insignificante que não faça sentido implementá-lo, ou vice-versa.
Para login e uso do site MQL5.com, você deve ativar o uso de cookies.
Ative esta opção no seu navegador, caso contrário você não poderá fazer login.
Você entrou na conta. A autenticação de dois fatores foi desativada. Configure-a novamente e escaneie um novo código QR ou continue com a autenticação de dois fatores desativada.
Estou lendo aqui, vejo que cada um entende suas próprias conversas...
Não é possível comparar métodos de geração de características porque ainda não criei um sistema em código. O que pode ser comparado é seu sistema com meu conjunto de preditores e meu sistema/metodologia para selecioná-los.
Qualquer pessoa pode obter dados do intervalo histórico do servidor MQL - você quer um histórico contínuo. Mas a amostra final a ser treinada será uma ordem de magnitude menor de cadeias de amostras, mas com preditores adicionais.
O Expert Advisor que proponho usar salvará os preditores abertos e, no final do arquivo csv, haverá colunas com o resultado financeiro e a meta - você pode obter informações sobre o tempo de acionamento da "regra inicial"/função de ativação a partir daí, portanto, não há necessidade de reproduzir o algoritmo em R.
Sugiro o intervalo de tempo - de 2010 a 2020 - para treinamento, e o restante do tempo para testar os resultados fora do treinamento.
Ao criar seus preditores, você pode salvar o resultado em csv - e eu farei isso. Além disso, você pode mesclar colunas e estudar em intervalos diferentes ou apenas separadamente - isso é necessário para a comparação da exatidão da sincronização.
Posso enviar uma marcação pura, se você não quiser se aprofundar no assunto.
Você não pode comparar métodos de geração de recursos, pois ainda não criei um sistema em código. Você pode comparar seu sistema com meu conjunto de preditores e o sistema/método de seleção deles.
Qualquer pessoa pode obter dados do intervalo histórico do servidor MQL - você quer um histórico contínuo. Mas a amostra final, que será usada para treinamento, será uma ordem de magnitude menor de strings com exemplos, mas com preditores adicionais.
O Expert Advisor que proponho usar salvará os preditores abertos e, no final do arquivo csv, haverá colunas com o resultado financeiro e a meta - você pode obter informações sobre o tempo de acionamento da "regra inicial"/função de ativação a partir daí, portanto, não há necessidade de reproduzir o algoritmo em R.
Sugiro o intervalo de tempo - de 2010 a 2020 - para treinamento, e o restante do tempo para verificação dos resultados fora do treinamento.
Ao criar seus preditores, você pode salvar o resultado em csv - e eu farei isso. Você pode mesclar as colunas e estudar em intervalos diferentes ou apenas separadamente - você precisa disso para comparar a exatidão da sincronização.
Posso enviar uma marcação pura, se você não quiser se aprofundar no assunto.
Vamos voltar à lógica
pode haver muitos atributos diferentes e eles podem ou não ser informativos, dependendo de sua relação com o destino.
qual é a diferença entre uma relação e uma adequação? o grau de dependência informativa expresso por meio de alguma medida
quanto menor for a dependência informativa dos rótulos em cada recurso individual, mais recursos serão necessários para o treinamento.
O aumento do número de recursos leva ao ajuste porque o sistema começa a ter muitos parâmetros livres
Qual é a única abordagem correta nesse caso? Minimizar o número de recursos e, ao mesmo tempo, aumentar sua proporção em relação aos recursos de destino
É por isso que é necessário bombardear não apenas os recursos, mas também os recursos-alvo, de acordo com algum critério de vinculação de informações.
Se alguém quiser trabalhar nessa direção, eu ajudarei com o código.Vamos voltar à lógica
pode haver muitos atributos diferentes e eles podem ou não ser informativos, dependendo de sua relação com os atributos de destino.
qual é a diferença entre uma relação e uma adequação? o grau de dependência informativa expresso por meio de alguma medida
quanto menor for a dependência informativa dos rótulos em cada recurso individual, mais recursos serão necessários para o treinamento.
O aumento do número de recursos leva ao ajuste porque o sistema começa a ter muitos parâmetros livres
Qual é a única abordagem correta nesse caso? Minimizar o número de recursos e, ao mesmo tempo, aumentar sua proporção em relação aos recursos de destino
É por isso que é necessário bombardear não apenas os recursos, mas também os recursos-alvo, de acordo com algum critério de vinculação de informações.
Se alguém quiser trabalhar nessa direção, eu ajudarei com o código.É claro que concordo com a lógica, por isso sugeri anteriormente que identificássemos preditores aleatoriamente e depois os usássemos para marcação.
Para mim, esses pontos que têm capacidade de previsão são eventos, que geralmente penso em treinar separadamente, ou separar planilhas deles, e depois realizar qualquer procedimento de treinamento cumulativo.
Esse evento pode ser considerado como um sistema de negociação separado e o comportamento/eficiência desses sistemas pode ser analisado.
Agora, para mim, na compensação, o problema é a contabilidade independente desses eventos, ou seja, o suporte virtual que funcionaria corretamente em dados reais com perda de comunicação e outras delícias.
Os métodos de geração de recursos não podem ser comparados, pois ainda não criei o sistema em código.
Portanto, compare os métodos de geração de preditores humanos e de máquina :)
Portanto, compare os métodos de geração de preditores por humanos e máquinas :)
O que você está fazendo nessa história toda, então?
Só para esclarecer, meus preditores gerados.
Especificamente, meus preditores gerados.
É claro que concordo com a lógica, por isso sugeri anteriormente que identificássemos preditores aleatoriamente e os usássemos para marcação.
Para mim, esses pontos que têm capacidade de previsão são eventos que geralmente penso em treinar separadamente, ou separar planilhas deles, e depois realizar qualquer procedimento de treinamento agregado.
Esse evento pode ser considerado como um sistema de negociação separado e o comportamento/eficiência desses sistemas pode ser analisado.
Agora, para mim, na compensação, o problema é a contabilidade independente desses eventos, ou seja, o suporte virtual que funcionaria corretamente em dados reais com perda de comunicação e outras delícias.
Você realmente acha que isso tem algum valor?
É claro que sim. Você pode ver que tipo de ganho seu método lhe proporciona. Talvez ele seja tão insignificante que não faça sentido implementá-lo, ou vice-versa.