Обсуждение статьи "Возможности Мастера MQL5, которые вам нужно знать (Часть 37): Регрессия гауссовских процессов с линейными ядрами и ядрами Матерна"
Я получаю критическую ошибку.
index out of range in 'MoneyWZ_37.mqh' (197,17)
относящаяся к строке
series[size][0] = profit;
Nigel Philip J Stephens критическую ошибку.
индекс вне диапазона в 'MoneyWZ_37.mqh' (197,17)
относящаяся к строке
series[size][0] = profit;
Здравствуйте,
Только что внес изменения в приложенный код и повторно отправил на публикацию.

Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Опубликована статья Возможности Мастера MQL5, которые вам нужно знать (Часть 37): Регрессия гауссовских процессов с линейными ядрами и ядрами Матерна:
Линейные ядра — простейшая матрица, используемая в машинном обучении для линейной регрессии и опорных векторных машин. Ядро Матерна (Matérn) представляет собой более универсальную версию радиальной базисной функции (Radial Basis Function, RBF), которую мы рассматривали в одной из предыдущих статей, и оно отлично подходит для отображения функций, которые не настолько гладкие, как предполагает RBF. Создадим специальный класс сигналов, который использует оба ядра для прогнозирования условий на покупку и продажу.
Мы продолжаем серию статей о различных способах реализации ключевых классов компонентов советников, собранных в Мастере. Здесь мы рассмотрим два ядра гауссовского процесса. Линейное ядро и ядро Матерна. Первое ядро довольно простое, у него даже нет своей страницы в Википедии, у ядра Матерна имеется здесь.
Если подвести итог тому, что мы рассмотрели ранее, говоря о ядрах гауссовых процессов (GP), то это непараметрические модели, которые способны отображать сложные взаимосвязи между наборами данных (обычно в векторной форме) без каких-либо функциональных или предварительных знаний о паре задействованных наборов данных. Это делает их идеальными для обработки ситуаций, когда используемые наборы данных нелинейны или даже зашумлены. Кроме того, эта гибкость делает их идеальными для финансовых временных рядов, которые часто могут быть нестабильными, поскольку гауссовы процессы, как правило, дают неоднозначные результаты. Они предоставляют прогнозную оценку и доверительный интервал. Гауссовы процессы помогают определить сходство между двумя наборами данных, и поскольку в регрессии гауссовского процесса можно использовать несколько типов ядер, всегда важно определить подходящее ядро или учитывать недостатки выбранного ядра, особенно в случаях, когда ядра используются для экстраполяции прогноза.
Автор: Stephen Njuki