Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 2982

[Renat Akhtyamov]

mytarmailS #:

Se você controlar os períodos das misturas na dinâmica, obterá um bom TC nas misturas.

Além disso, você pode tentar prever quais períodos dos mashes serão lucrativos no futuro.

experimentando diferentes variações de funções de adequação

parabéns ;)

um de meus primeiros truques foi resolvido

Pelo que me lembro, eu costumava substituir o valor transformado do indicador de volatilidade em vez do período.

Acho que era o APR

[mytarmailS]

Renat Akhtyamov #:

parabéns ;)

um de meus primeiros truques foi revelado

Pelo que me lembro, substituí o valor transformado do indicador de volatilidade em vez do período.

Acho que foi na APAC

Parabéns! Esse chip é chamado de "filtragem adaptativa" "DSP" e tem cerca de 70 anos.

[Renat Akhtyamov]

mytarmailS #:

Parabéns! Esse chip é chamado de "filtragem adaptativa" "DSP" e tem cerca de 70 anos de idade.

Estou atrasado.

Eu já o joguei fora há cerca de 12 anos.

Duas MAs é uma corrida de tartaruga.

Quero dizer, parece bom, mas é um incômodo de usar.

;)

[mytarmailS]

Deparei-me com esta pergunta de um pitonista sobre o código R.

Levei um leve choque misturado com risadas...

é assim que o problema é resolvido em python.

def to_supervised(train, n_input, n_out):
    X, y = list(), list()
    in_start = 0
    #  step over the entire history one time step at a time
    for _ in range(len(data)):
        #  define the end of the input sequence
        in_end = in_start + n_input
        out_end = in_end + n_out
        #  ensure we have enough data for this instance
        if out_end <= len(data):
            x_input = data[in_start:in_end, 0]
            x_input = x_input.reshape((len(x_input), 1))
            X.append(x_input)
            y.append(data[in_end:out_end, 0])
        #  move along one time step

        in_start += 1
    return array(X), array(y)

e é assim que ele é resolvido no R.

em <- embed(x = 1:10,dimension = 6)[,6:1]
e1 <- em[,1:3]
e2 <- em[,4:6]

Então, para dizer, sinta a diferença, qual linguagem foi criada para trabalhar com dados e qual apenas corta.

[Maxim Kuznetsov]

mytarmailS #:

Deparei-me com essa pergunta de um pythonista para o código R

Tive um leve choque misturado com risadas.....

Veja como o problema é resolvido em python.

e é assim que isso é feito no R

Então, para dizer, sinta a diferença, qual linguagem foi projetada para trabalhar com dados e qual é apenas um cortador de grama

Foi você quem não contou as cadeias de caracteres na MQL :-) A linguagem foi projetada para trabalhar com dados

[mytarmailS]

Maxim Kuznetsov #:

você não contou as cadeias de caracteres em MQL :-) Linguagem para trabalhar com dados

Não quero nem pensar nisso ))

[Renat Fatkhullin]

Maxim Kuznetsov #:

você não contou as cadeias de caracteres em MQL :-) Linguagem para trabalhar com dados

É que você não está ciente da nova funcionalidade dos métodos de matriz padrão da MQL5:

• https://www.mql5.com/ru/docs/matrix

Foi dado um grande passo na matemática básica de matrizes e vetores. A escrita pode ser significativamente mais curta.

[Maxim Dmitrievsky]

mytarmailS #:

Deparei-me com esta pergunta de um pythonista para codificar por

Levei um leve choque misturado com risadas...

É assim que o problema é resolvido em python.

e é assim que isso é feito no R.

Portanto, sinta a diferença de qual linguagem foi projetada para trabalhar com dados.

O principal é que você não fica com um gosto amargo depois de rir.

vec = [i for i in range(15)]    
matrix = [vec[i:i+7] for i in range(0, 14, 7)]
matrix2 = [vec[i:i+7] for i in range(1, 15, 7)]

É ainda mais curto com o numpy. Faça algo significativo.

[mytarmailS]

Maxim Dmitrievsky #:

Faça algo significativo.

Por exemplo

[Maxim Dmitrievsky]

mytarmailS #:

Como.

Não sei, casual.