Построение по ценам закрытия. График в окне индикатора тот же, что и ценовой, но временнАя ось "наклонена" под углом трендовой линии Построение линий индикатора по экстремумам баров. Ограничение баров по первой точке трендовой линии Добавлено опциональное ограничение баров индикатора, их число задается параметром MaxBars. Чтобы отключить...
假设我们已经有了像你这样的曲线--一个先验的概率分布
通过贝叶斯公式，你可以在每次交易后更新它，所以中心会转移，得到一个新的后验分布，即大致上是一些转移因子，在每次交易后更新。这将稍微调整模型以适应新的现实情况，尽管模型本身将保持不变。
我不知道如何正确地做，事实上这应该很容易，但我从来没有做过 :)
这不是真正的模型训练，因为我们不使用新的法则，我们改变了对旧法则的解释--模型中的预测因子、树中的分割点保持不变。在这里，我们需要获得哪些规律性被输入的信息--在catbust中有一个数组，所有叶子的规律性都在这里，相应地通过移动规律性（一个解释规律性的数字）来编辑这个数组。麻烦的是，每项投入会有很多叶子，所以你需要按比例分配它们，要么给那些支持投入的人，减少它们，要么给那些反对的人，增加它们。问题是有多少片叶子，如果有100片，有1000个交易，那么你可以对每片叶子使用统计。
而如果我们从假设出发，由于非稳态性，不是模式本身发生了变化，而是模式只是发生了转变，没有给出正确的信号
当我们想急转弯时，我们不必一直在引擎盖下，我们只是有时需要转向......在这里，我不认为修改模型和修改输出分布有多大区别......你说吧 :)
你还是要到引擎盖下，因为最终的答案是叶子值的总和，而且它们并不总是全部被使用，只有在有适当的指标时才会被使用。因此，每一个输入可以使用1片叶子，或者100片!因此，我们不能通过转移所有情况的概率来改变模型的解释，或者说我们可以，但这是不符合逻辑的，因为有些叶子可以继续正确分类。因此，要么改变叶子的指标，要么对每片叶子做一个单独的附加解释，并根据与其他叶子的组合进行转移，但我不确定这是否有成效....。这就是为什么我更喜欢小模型--如果你把它们结合起来，就更容易发现哪一个在说谎，并把它赶走。
如果叶子很少，那么也许有可能转移概率障碍，但如果有很多叶子，而每次输入只使用其中的一小部分，这在逻辑上就没有意义。但有时你必须要掌握方向......
仿生变换可以转向;)，这里有一个例子，在KB是https://www.mql5.com/ru/code/9378
做了类似的事情，但当时该往哪个方向走，我怎么弄清楚呢？)
没办法，只能用测试器（（）。
也许可以添加一个卡尔曼过滤器 )
谷歌 "kalman habrahabr"，这篇文章很久以前就在那里读过，最有价值的是在评论中，文章的作者在pooh....。据我所知，它将像所有的一样工作--只是在缓慢变化的数据上。
PS：KB里有卡尔曼的例子--如果是这样呢？;)
也许，现在还不清楚......直到你试过之后 )
你可能在一个正确预测的组合中有一个不稳定的预测器的坏叶子，你需要摆脱它。例如，你可以通过参加组合的80%的叶子来识别组合--一定的法定人数，如果出现一个高权重的新叶子，你可以把它过滤掉。我甚至想知道，每1000笔交易中能有多少组合符合这个标准......。但我不知道如何找出答案。
一个重要的技巧......齐普夫定律（指数）。而且还证明，方差较大的变量（价格滞后较高）在树状模型中总是具有较高的重要性。有很多类似的特征（共500个），所以图表的示范性不强。我以后会重做的。
很好!
作为一个Python专家的问题，请给我一些Python的实验，我几乎用完了Sharp，它连接到MT5没有问题，C#也支持Python，我可能会尝试改成Python;)
很漂亮!
作为Pythons专家的问题，给我一些Python的实验，我几乎用完了Sharp，它与MT5的链接完全没有问题，据说C#和Python都支持，然后我可以转到Python;)
我只是在学习Python......嗯，有什么好学的，我是说我还没有掌握MO模型......你到底想要什么？ 以这个网站为例https://scikit-learn.org/stable/
例如，像随机森林。
我只是在学习Python......或者说，有什么好学的，我的意思是，我还没有真正使用它......你到底想要什么？从这里举个例子 https://scikit-learn.org/stable/
例如，像随机森林。
或梯度提升，现成的例子。
好的，谢谢，我明天会研究一下。
这里的 图和这里 的图，甚至这里的 图都画错了，其中的数值不是从零开始的，所以0.5的概率不是在第5点，而是在第6点！这是不可能的。
这是在分析数据并试图使其合理化时可能出现的错误，可以说是技术性错误......