Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 3103
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Resmi bilimde böyle bir yaklaşım olup olmadığını kastetmiştim, çünkü SB ile karşılaştırma konusunda tam olarak aynı düşünceleri zaten duymuştum
Yerleşik teknikler olup olmadığını merak ediyorum.
İşte bir taslak.
solda euro m5'in gerçek bir grafiği var
sağda SB tikleri (kümülatif toplam) m5'e dönüştürülmüştür
Görsel olarak grafikler benzerdir.))
Değişen varyans ekonometri ve her türlü uygulamalı istatistikte modellenir. Orada çok fazla test var. R hepsine sahip olmalıdır. Sorun şu ki, geçmişe dair bir tahmin veriyorlar ve bunun şu an için uygun olduğu kesin değil.
Cesurların çılgınlığına :)
İşte tüm insanlığın gelişimi burada duruyor.
Standart yöntemlerle eğitilmiş bir modelin neden çalışmadığına dair bir anlayış varsa, o zaman soruna bir çözüm aramamız gerekir. Mükemmel olmasa da, modelin piyasada daha büyük bir güven ve başarı olasılığı ile uygulanmasına izin verir. O zaman zaten gelirle sorunu daha fazla incelemek ve geliştirmek için.
Nöronikleri ele alırsak, belki de numuneyi bach'lara bölmek ve öğrenme sürecine eşit katkı sağlamak amacıyla bach'ların (olasılık dağılımındaki değişim alanları) sayısını artırmak mümkün olabilir. Ağaçlarla bu daha zordur, ancak CatBoost büyük örneklerde benzer şekilde bachi kullanır, ancak kontrol etmek veya yönetmek mümkün değildir. Buna rağmen sürekli öğrenme için bir teknoloji vardı - bunu denemedim.... Sen denedin mi?
Görsel olarak grafikler benzerdir).
Değişen varyans ekonometri ve her türlü uygulamalı istatistikte modellenir. Orada icat edilmiş pek çok test vardır. R hepsine sahip olmalıdır. Sorun şu ki, geçmişe dair bir tahmin veriyorlar ve bunun mevcut an için uygun olduğu kesin değil.
Bunu SB kullanımıyla aynı şekilde görmüyorum.
Örneğin, piyasada karmaşık bir örüntü bulursam, bir SB oluşturabilir ve orada olup olmadığına bakabilirim.
Eğer SB'de yoksa, bu iyi bir şeydir, sadece piyasaya özgü bir özellik bulmuşumdur.
SB'de bir örüntü varsa kötü mü? Bilmiyorum, her ikisinde de bir örüntü olması kötü mü?
Bu soruyu daha önce sormuş olan zeki insanları okumak isterim.
Tüm insanlığın gelişiminin durduğu yer burasıdır.
Standart yöntemlerle eğitilen modelin neden çalışmadığına dair bir anlayış varsa, soruna bir çözüm aramak gerekir. İdeal olmasa bile, modelin piyasada daha büyük bir güven ve başarı olasılığı ile uygulanmasına izin verir. Daha sonra gelirle birlikte sorun ve iyileştirme üzerine daha fazla çalışma yapmak.
Nöronikleri düşünürsek, belki de örneği bach'lara bölmek ve öğrenme sürecine eşit katkıda bulunmaları amacıyla bach'ların (olasılık dağılımındaki değişim alanları) sayısını artırmak mümkün olabilir. Ağaçlarla bu daha zordur, ancak CatBoost büyük örneklerde benzer şekilde bachi kullanır, ancak kontrol etmek veya yönetmek mümkün değildir. Buna rağmen sürekli öğrenme için bir teknoloji vardı - bunu denemedim.... Sen denedin mi?
Ön öğrenme ile varyantlar yaptım, bu şekilde çalışmadı. Bousting'de, geçmiş iterasyonlardan gelen ağırlıklar, nöronlarda olduğu gibi keskileme sırasında değişmez, sadece üstüne gelir. Bu bir dezavantajdır.
Sentetik veri üretmek için kodlayıcılar-kod çözücüler de dahil olmak üzere tüm mimarilerin nöronlarını da yaptım. Foreach üzerinde de çok gerekli değil.Bunu SB kullanımıyla aynı şekilde görmüyorum.
Örneğin, piyasada karmaşık bir model bulduysam, SB oluşturabilir ve orada olup olmadığını kontrol edebilirim.
Eğer orada değilse, o zaman iyi sayılır, sadece piyasaya özgü bir mülk buldum.
ve eğer SB'de ise, bu kötü mü? Bilmiyorum, desenin orada ve orada olması kötü mü?
Bu soruyu daha önce sormuş olan zeki insanları okumak isterim.
Bu bir tüccar-testçi için standart bir centilmenlik numarasıdır. Piyasada bir model bulursunuz. Sonra bunu SB'ye dayalı bir fiyat teklifi üzerinde kontrol edersiniz. SB'deki tahmin 50/50 ise, teste az çok güvenebilirsiniz. Tahmin yüzdesi yaklaşık olarak aynıysa, o zaman geleceğe bir bakışın nerede olduğunu ararsınız. Eğer yoksa, o zaman geleceğe kurnazca bir bakış ararsınız. Eğer yoksa, geleceğe çok zekice bir bakış ararsınız. Bunun gibi bir şey.
Bu bir test tüccarı için standart bir centilmen numarasıdır.
Cesurların çılgınlığına :)
İndirimli çelenkler :).
PBO ile işimiz bitti mi?
Yeterince konuştunuz ve unuttunuz mu?
PBO tamamlandı mı?
Yeterince konuştunuz ve unuttunuz mu?
Unutulmamış ama atılmış.
Her zaman iki dosya üzerinde test yapmalısınız.
1. örnekleme göre üç bölüme ayrılmıştır: %70, %15, %15. İlkinde en az 5 kat ve yeterince büyük bir kat ile çapraz kontrol ile öğrenin. RF için bu 1500'dür. Daha sonra ikinci ve üçüncü örnek üzerinde ve ardından "olduğu gibi" olan ikinci dosya üzerinde çalıştırıyoruz. Tüm örneklerdeki sınıflandırma hataları yaklaşık olarak eşit olmalıdır.
RFO buna ne katacak?RHE buna ek olarak ne verecek?
Ne yaptığı makalede yazıyor