交易中的机器学习：理论、模型、实践和算法交易 - 页 1384

新评论
 
维塔利-穆齐琴科。

太糟糕了，你不能给一个 "赞"。

你可以直接付钱（开玩笑）。

 
elibrarius。

尤里在简单的增量方面也做得很好

我不使用梯度）。
 
马克西姆-德米特里耶夫斯基。

市场上的价格反映了供应和需求的平衡，主要是在不同的历史时刻。

还有一个问题：在MO中应该分析多少历史？

如果我们使用一些常数Bars=1000

这不会是不可靠的学习数据吗？

 
Maxim Dmitrievsky:

x.append((SD.history[i-j][c.c]/SD.history[i][c.c]-1) *1000)

这没有意义--每个后续的热链都包含前一个热链的一半有用信息，也就是说，它们，1：强烈相关，2：滞后最大的热链包含前一个热链的所有方差，也就是说，它们没有提供任何信息增量

结果将是：滞后时间最长的 回归者的重要性将是最大的 （更多的方差，更多的信息增益），这个回归者包含了其他特征的所有方差。

在长期趋势 中=是。而重要性，越远的地方，相关性就越强，因为大家都是朝着同一个方向发展。

而在这种情况下。


第20条与第0条处于同一水平，但第5条和第10条比第20条包含更多信息。而除了2-3个相邻的，其他的都有相关性。

有很多情况，你需要分析所有的酒吧。

作为一种选择，你可以像这个分支的创建者那样（在他的博客中）把这个系列的内容分薄。

 
马克西姆-德米特里耶夫斯基。

x.append((SD.history[i-j][c.c]/SD.history[i][c.c]-1) *1000)

这没有意义--每个后续的热链都包含前一个热链的一半有用信息，也就是说，它们，1：强烈相关，2：滞后最大的热链包含前一个热链的所有方差，也就是说，它们没有提供任何信息增量

结果将是：滞后最大的回报将有最大的进口（更多的方差，更多的信息增益），而这个回报包含了其他特征的所有方差。

令人毛骨悚然。))
我正在做的事情的一个模拟是一张照片。
 
伊戈尔-马卡努。

还有一个问题：在MO中应该分析多少历史？

如果我们使用一些常数Bars=1000

这不会是不可靠的学习数据吗？

我假设，如果我们把价格分成几个级别，那么我们可以按级别计算历史的平均深度，从价格来到它的时候开始，到它离开的时候结束。

 
尤里-阿索连科。
我不使用增量）。

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

它们是相对增量。你只是用其他名字称呼他们。

 
elibrarius。

在长期趋势中=是。而重要的是，趋势越长，就越强，相关性就越强，因为大家都在朝着同一个方向发展。

而在这种情况下。


第20条与第0条处于同一水平，但第5条和第10条比第20条携带更多信息。而除了2-3个相邻的，其他的都有相关性。

有很多情况，你必须分析所有的酒吧。

作为一种选择--你可以像这个分支的创造者那样（在他的博客中），把这个系列的内容变薄。

这意味着，随着样本的增加，将有一个最大的相关性，如果你平均

当地没有人感兴趣。

 
尤里-阿索连科。
令人毛骨悚然。))

那么，在整个样本中，计算你的预测因素之间的相关关系

然后把它们全部扔掉 )

 
马克西姆-德米特里耶夫斯基。

那么，在整个样本中，计算你的预测因素之间的相关关系

然后把它们全部扔掉 )

你错了。这是唯一的办法。
1...137713781379138013811382138313841385138613871388138913901391...3399
新评论