交易中的机器学习：理论、模型、实践和算法交易 - 页 1381

新评论
 
尤里-阿索连科。

是的，这不是他，是阿列克谢-维亚兹米金。我的错误。

(当然，规模扩大了，是的，但它们并没有停止成为价格）。

我很久以前就得出结论，价格不是f-from，也不明白是什么，所以我就把资料丢了，结果会更糟糕。

我无法解决这个问题，我没有想法。也许你可以给我一个提示？
 
马克西姆-德米特里耶夫斯基。

我很久以前就得出结论，价格不是一个函数，不明白它是什么，所以即使你禁止它，它也只会失去信息，仅此而已，结果会恶化。

我无法解决这个问题，我没有想法。也许你可以给我一个提示？

你曾咀嚼过生图吗？

它可能在大约十年后帮助你）））。

 
马克西姆-德米特里耶夫斯基。

我很久以前就得出结论，价格不是一个函数，不懂任何东西，所以即使你禁止它，它也只是失去信息，仅此而已，结果会更糟。

下面说说缩放问题......我无法解决这个问题，我没有想法。也许你可以给我一个提示？

在前几天公布的代码中，有一行是缩放的，在NS到feed之前。

while i < LenHist:
    x = []
    for j in range(0, 20): #Подготовка данных для НС
        x.append((SD.history[i-j][c.c]/SD.history[i][c.c]-1)*1000)

    out = MLP.Predict([x]) # запрашиваем прогноз НС
    if out >= 3.0:
        i = Long(i)       
        tmp.append('L')
    elif out <= -3.0:
        i = Short(i)        
        tmp.append('S')
    i += 1

对于20个输入的NS。比率（1000）可以是国家统计局喜欢的任何东西。如此下去。

 
尤里-阿索连科。

在我前几天发布的代码中，在送入NS之前，有一行是缩放的。

对于20个输入的NS。比例（1000）可以是NS喜欢的任何东西。情况是这样的。

所以这是20个增量乘以1000。

 
马克西姆-德米特里耶夫斯基。

所以这是20个增量乘以1,000。

什么增量？这是一个按比例排列的价格序列，在本例中是Close。序列中的所有比率都被保留下来，没有改变。

 
分割

SD.history[i-j][c.c]/SD.history[i][c.c] 。

i-j价格条款中的第i个是回返者

你得到20个返回者，滞后时间从1到20，然后出于某种原因乘以1000。
 
马克西姆-德米特里耶夫斯基。
分割

SD.history[i-j][c.c]/SD.history[i][c.c] 。

i-j价格i-j是一个回国者

你得到了20个滞后于1至20的回报，然后出于某种原因乘以1000。

我对回报不熟悉。我不熟悉这个术语））。这是一个简单的坐标系和缩放的零结。

我们乘以1000，使NS输入的数字处于正常规模（不小）。))根据NS或森林输入的动态范围，按需要设置系数。

 
尤里-阿索连科。

我不知道有返乡者。我不熟悉这个术语）。这是一个简单的坐标系归零和缩放的过程。

我们乘以1000，使NS输入的数字处于正常规模（而不是精细）。))无论你想要哪个系数，那都是你设置的，取决于NS或森林输入的动态范围。

当你用一个价格除以附近的一个滞后的价格时，它是一个回归者，即在一个给定的滞后的价格上涨。

 
马克西姆-德米特里耶夫斯基。

当你用一个价格除以附近的价格，并有一定的滞后性，这就是一个回归者，即一个有一定滞后性的价格增量。

整个系列被Close(0)除以，即系列的零点总是1--这使我们对所有样本都有相同的刻度。从系列的每项中减去1--使系列到原点。乘以比例系数（1000），使之与NS输入的范围相匹配。

不喜欢就不要用）。

 
尤里-阿索连科。

在那里，整个行被Close(0)除以，即行的零点总是1。从每个行项中减去1--使该行到原点。乘以比例系数（1000），使之与NS输入的范围相匹配。

不，不喜欢就不要应用）。

不，我只是说它的回报，你可以把log()而不是-1，同样的事情会发生，即logreturns。这种信息的损失是非常大的，因为你只有20个。

1...137413751376137713781379138013811382138313841385138613871388...3399
新评论