文章 "运用人工智能实现的 Thomas DeMark 次序 (TD SEQUENTIAL)"
那么，你所说的 "人工智能 "在哪里？神经网络在哪里？
1.神经网络的两个方向？它解决的问题（大部分）有两个--回归和分类。我们较少使用聚类和排序。神经网络有几十种，甚至上百种。你用过哪种神经网络？
2. 过度拟合不仅有定义，而且已经开发出了降低其发生概率的方法。对于神经网络来说，这就是正则化（L1/L2）、稳定化（dropout、dropconnect 及其他）。因此，套用一句著名的话：所有模型都要重新训练，但有些模型发生的概率要低得多。
3.分类器可以是 "硬的"，即永不放弃预测；也可以是 "软的"，即可能拒绝预测并说 "我不知道"。"硬分类器 "在校准后会变得 "软"。还有其他方法可以 "软化 "分类器。
4.嗯，开头第一次出错后反转信号的建议超赞。
如果不是作者发布了大量初步公告，承诺将在神经网络的使用方面掀起一场革命，人们可能会对它视而不见。
因此，对我来说--没有功劳也有苦劳。
那么，你所说的 "人工智能 "在哪里？神经网络在哪里？
1.神经网络的两个方向？它解决的问题（大部分）有两个--回归和分类。我们较少使用聚类和排序。神经网络有几十种，甚至上百种。你用过哪种神经网络？
2. 过度拟合不仅有定义，而且已经开发出了降低其发生概率的方法。对于神经网络来说，这就是正则化（L1/L2）、稳定化（dropout、dropconnect 及其他）。因此，套用一句著名的话：所有模型都要重新训练，但有些模型发生的概率要低得多。
3.分类器可以是 "硬的"，即永不放弃预测；也可以是 "软的"，即可能拒绝预测并说 "我不知道"。"硬分类器 "在校准后会变得 "软"。还有其他方法可以 "软化 "分类器。
4.嗯，开头第一次出错后反转信号的建议超赞。
如果不是作者发布了大量初步公告，承诺将在神经网络的使用方面掀起一场革命，人们可能会对这本书视而不见。
但对我来说，它是失败的。
嗯...好极了有了第一批评论，很高兴看到这些评论。
1.是的，确实有许多类型的 NS，但主要是两个方向，分类和预测，聚类，意味着当类不是两个 0 和 1，但更多。
2.事实上，任何事物都不是一成不变的，现在已经有了减少过度训练的方法，但过度训练的程度并不容易识别。
3. 使用两个网络组成的委员会。每个网络单独 "不放弃预测"，正如你所说的那样，但我们只对委员会同时说 "是 "或 "否 "的时刻感兴趣。根据作者尤里的说法，委员会比单个网络具有更高的概括能力。
4.是的，确实应该谨慎行事，因为翻转网络可能会犯第二次错误。问题的关键在于，我们要比较两个信号，一个是当前信号，另一个是前一个信号，知道了前一个信号的结果，我们就能得出关于当前信号的结论，关于它的真实性等等。事实上，网络可以简单地进行错误!!!!。
好吧，我并没有许诺任何政变，而只是许诺了一种RIGHT构建TS的方法，因为有时有些人写出的这种异端邪说让人觉得有点可怕!!!!。
对不起，这篇文章非常糟糕，真的，真的......唉。这是优化器 Reshetov 的广告，仅此而已，毫无用处。以福缅科先生关于森林和趋势的文章为例，虽然是针对初学者的，但信息量很大，您写得很糟糕，恕我直言。
老实说，这是我的第一次经历。你不喜欢什么？能说得具体点吗？也许有什么地方不清楚？毕竟，这篇文章的重点是介绍每个人在构建自己的 TS 时都可以使用的方法，没有必要特别采用我的 TS。
Well....太棒了有了第一批评论，很高兴看到这些评论。
1.是的，确实有许多类型的 NS，但主要有两个方向，分类和预测，聚类，意味着当类不是两个 0 和 1，而是更多。
2.事实上，任何事物都不是一成不变的，已经有了减少过度训练的方法，但过度训练的程度并不容易识别。
3. 使用两个网络组成的委员会。每个网络单独 "不放弃预测"，正如你所说的那样，但我们只对委员会同时说 "是 "或 "否 "的时刻感兴趣。根据作者尤里的说法，委员会比单个网络具有更高的概括能力。
4.是的，确实应该谨慎行事，因为翻转网络可能会犯第二次错误。问题的关键在于，我们要比较两个信号，一个是当前信号，另一个是前一个信号，知道了前一个信号的结果，我们就能得出关于当前信号的结论，关于它的真实性等等。事实上，网络可以简单地进行错误!!!!。
好吧，我并没有许诺任何政变，而只是许诺了一种RIGHT构建TS的方法，因为有时候有些人写的东西太异端了，以至于有点吓人!!!!。
1.一个分类器可以预测 10 个、100 个、1000 个类别，并且仍然是一个分类器。分类是根据某些属性将未标记的 数据集分成若干组。
2.确定过度训练开始的时刻并不容易，但却非常容易。
3.事实上，一个模型委员会（并不总是！）能得出最佳结果。但就你的情况而言，这并不是一个真正的委员会。
祝您好运
遗憾的是，我的批评并不是针对文章的文学质量（这很正常），而是针对文章的语义内容。您并没有说什么有趣的话。
您认为一些随机的 "Demark "排水器，并想在 NS 的帮助下教它如何赚钱，这是一个死胡同，您可以插入任何指标来代替 Demark， 其含义不会改变， 那么它有什么用呢？如果这个特定的过滤器是一个很好的功能，你也没有解释 为什么 是这样。那么所有关于ML 和特征工程 ，就是所有将使优化器 Reshetov ... mmm.... well that is ... this is for a specific audience article then, for "meat", but meat can not even understand how tojar run, there you need to just run in mt and watch how the process of draining))).
用图片和公式简明扼要地解释一下 Reshetov 的优化器是如何工作的，因为整个要点就在其中，它是如何提取筹码的，它是如何分类的，为什么它比这个或那个提取筹码和分类的主流方法做得更好，并举例说明和数据集，以便让每个人都能信服，在一般情况下完善，而它是不好的。
把所有的歌词都扔掉，尤其是关于把雷舍托夫与斯特拉迪瓦里相提并论的歌词，否则就会显得你和雷舍托夫是一个物理人，所以即使是勒昆也没人称赞)))))。我下载了雷舍托夫的排序，但到现在还没弄明白算法的来源，这大约需要一周的时间，但没有时间去研究可能很奇怪的算法，即使是两位数的数据集出于某种原因也不想吃)))))。我想看看它是如何对二维分布进行分区掩码的....。
我在文章中提到过这一点，你可以使用任何 TS 作为基础，我使用 Demark 是因为我在文章中描述过的原因（有一个窗口，峰值和谷值上的信号）。问题的关键在于创建一个能概括输出变量的多项式，至于用什么方法并无区别。最重要的是输入数据，它应该是价格的原因，因为我们将任何 TS 的工作都与价格互为因果。
编辑完这篇文章后，我发现了这个资源。他在这里更清楚地解释了优化器的工作。这对人工智能开发人员非常有用，但我不是，请注意https://sites.google.com/site/libvmr/home/theory/method-brown-robinson-resetov。
- sites.google.com
1.一个分类器可以预测 10 个、100 个、1000 个类别，但仍然是一个分类器。分类（CLASTERISATION）--根据某些属性将未标记的 数据集分成若干组。
2.确定过度训练开始的时刻并不容易，但却非常容易。
3.事实上，由多个模型组成的委员会可以（并不总是！）得出最佳结果。但就你的情况而言，这并不是一个真正的委员会。
祝你好运
1.我同意，在这种情况下，教师中的分类器和聚类与没有分类器和聚类是不同的。
2.听到未来的诺贝尔奖获得者重新学习很有趣，因为这个问题真的很有趣，不仅是对我来说。是通过什么方法????有可能检测出过度学习的程度吗？
3.是什么让您如此坚定地认为这不是一个委员会????，怎么会????？有趣......
好吧，你是在暗示，如果雷舍托夫是斯特拉迪瓦里琴，那么你就是莫扎特，让我们来看看！
我建议这样做，我给你一个数据集，你在上面学习，然后给我一个训练有素的分类器，这并不重要， 或序列化，最重要的是，它应该可以在几次点击中使用，如果分类器值得（例如，与XGB 比较 ） ，我会在测试集上运行它，你还没有见过。然后，我们将继续讨论雷舍托夫的创作，我将只摘录并解析他的源代码，这样就比理解布朗-罗宾逊方法和沙克利向量等更容易了。
我会将结果与数据和您的模型一起发布。现在，它只是另一个简单广告的黑盒子，有成千上万个这样的黑盒子，很抱歉，在没有证据证明它不比 XGB 差的情况下，我可没能力花一周的时间来分析它。
伟大的计划我早就想试试了。你给我发一个训练文件，我给你发一个模型，然后测试一下，把结果公布出来。好吗？
好吧，你是在暗示，如果雷舍托夫是斯特拉迪瓦里琴，那么你就是莫扎特，让我们来看看！
我建议这样做，我给你一个数据集，你在上面学习，然后给我一个训练有素的分类器，这并不重要， 或序列化，最重要的是，它应该可以在几次点击中使用，如果分类器值得（例如，与XGB 比较 ） ，我会在测试集上运行它，你还没有见过。然后，我们将继续讨论雷舍托夫的创作，我将只摘录并解析他的源代码，这样会比理解布朗-罗宾逊方法和沙克利向量等更容易。
我会将结果与数据和您的模型一起发布。现在，它只是另一个简单广告的黑盒子，有成千上万个这样的黑盒子，很抱歉，在没有证据证明它不比 XGB 差的情况下，我不能花一周的时间来分析它。
HMM.莫扎特听起来很自豪。然而，重要的是给定的准备工作和输出变量的选择。我怎么知道你的输入是否适合输出描述？但是，正如人们常说的那样，是优化器决定了输入与输出的匹配程度。问题的关键在于此。我可以选择在训练集上能很好地解释输出的输入，但在 OOS 上却表现不佳。这说明输入并不是输出的原因。另外，当输入确实是输出的原因时，网络在训练集和 OOS 上的表现也会相同。请考虑这一点。
新文章 运用人工智能实现的 Thomas DeMark 次序 (TD SEQUENTIAL)已发布：
在本文中, 我将告诉您如何把一个非常著名的策略与神经网络合并以便成功交易。这就是运用人工智能系统实现的 Thomas DeMark 次序策略。仅应用了策略的第一部分, 使用设置和交汇信号。
请注意: 人工智能绝对可以嵌入任何交易策略, 甚至传统的均线交叉。在任何一种情况下, 决策时刻在任何策略中都是最重要的。关键点是分析每根柱线是一个乌托邦。所以, 有必要确定分析市场状况的柱线时刻。这恰恰是交易策略的意图所在。再者, 只要能收到信号, 分析方法也许是绝对任意的, 从均线交叉到分形。在次序的情况下, 我们感兴趣的是绿点窗口, 在此期间要甄别市场状况, 并判断信号的有效性。
图例. 1. 由 nikelodeon.mql5 指标生成的 TDSEQUENTA
作者：Mihail Marchukajtes