In this post will show how to implement CNTK 106 Tutorial in C#. This tutorial lecture is written in Python and there is no related example in C#. For this reason I decided to translate this very good tutorial into C#. The tutorial can be found at: CNTK 106: Part A – Time series prediction with LSTM (Basics) and uses sin wave function in order...
我想这是我6-7年前读过的东西的翻版，但它是关于波动率交易的，有几次我想知道如何通过常规订单来模拟期权交易--找不到任何东西。
据我所知，这是较新的做法。尽管这些方法在原则上并不新鲜。python上的例子大约是该方法被提出时的日期。人们正在那里举行会议
据我所知，粗糙的波动性是比较新的。Python的例子正好是该方法被提出的时候。人们正在那里举行会议。
不，粗略的波动性是谷歌和2014年的文章，但不要紧--我们正在谈论通过金融衍生品的交易，对吗？
不，粗略的波动性是谷歌和2014年的文章，但不要紧--我们是在谈论通过衍生品交易，对吗？
你不必这样做，期权是波动性交易，但你可以对现货使用策略。
基本上有两种策略--均值回归和波动率突破。我想我们需要考虑如何使用其中的一个。
PS是的，档案中的文章是在2014年发表的
你是不是读了太多的小说？
哈哈
阿列克谢-维亚兹米 金。
第二种策略的结果是0.65--这不是一个幻想，那里的决定是在1之后才做出的，但它有可能在23%的情况下识别出1，并且在这23%的情况下正确识别出65%。请注意，开仓时 风险约为1到1.3，但它们部分被拖网覆盖--余额将足够波澜不惊（由于合理的止损，权益或余额没有区别）。
我不是在争论它的神奇，因为对于ZZ来说，很容易得到95%，但它是无用的。 我的意思是它在预测纯粹的未来价格走势方面有神奇的65%的质量，没有掺杂直接影响ASR的过去。
交易中的老弟兄们，在某处的荒野里建议对SB进行测试，拿价格代替SB，看看会有什么准确度和其他一切，如果明显超过55%，那么显然某处是个烂摊子，因为SB不能预测超过50%，但用ZZ那个价格，SB同样 "酷 "地预测了，这意味着什么呢？那个SB可以被交易？不一定，期权是波动性交易，但你可以将策略应用于现货。
基本上有两种策略--均值回归和波动率突破。我想我们需要考虑如何使用其中的一个。
PS是的，档案中的文章是在2014年发表的
我还有很长的时间来阅读你的链接，我一直被吸引到Q-learning，我有很多东西要读。
我不知道如何将波动率交易应用于现货，我所能提供的最好的是简单的网格。）
我无法阅读你的链接，我一直被卷入Q-learning，我需要大量阅读
我不知道如何将波动率交易应用于现货，我最多只能提供简单的网格）））。
on cunnilingualism Sutton, Barto.我有旧版的俄语书，新版的只有英语，可以在谷歌上找到。新的一个，有python的例子。
on cunnilingualism by Sutton, Barto.这本书的旧版本是俄语，新版本在谷歌上只有英语。新版本有python的例子。
是的下载了，读了很多东西。
SZY: 我在CNTK上挖了网络上的例子，看来用C#做LSTM很容易，有一个问题，微软很懒，甚至在CNTK的官方网页上，他们让我从Python上研究API，比如这个教程，也用在那里
https://bhrnjica.net/2017/12/07/cntk-106-tutorial-time-series-prediction-with-lstm-using-c/
是的，下载了，读了很多，也需要检查这个库尼))))。
ZS：网络上有CNTK的例子，看来用C#做LSTM并不难，有一个问题，微软偷懒了，甚至在CNTK的主页上，他们让我去研究Python的API，他们说这里有一个手册，在那里也可以使用
https://bhrnjica.net/2017/12/07/cntk-106-tutorial-time-series-prediction-with-lstm-using-c/
他们太缺货了，我不知道谁在用它
尝试2层，减少各层的神经元数量，降至每层1个。
白色竖线之前--样本，之后--OOS
神经元越多--拟合的概率越大（自由度越大），只要神经元能得出至少有点意义的结果，就可以尝试减少神经元的数量。
也就是说，输入的信息越清晰，网格越粗糙，就越好。
弗拉基米尔，你好！
你对我发给你的剧本做得怎么样了，你有没有尝试过实验？ 也许你已经发展了这个想法本身和这个回归的方法