交易中的机器学习：理论、模型、实践和算法交易 - 页 1526 1...151915201521152215231524152515261527152815291530153115321533...3399 新评论 Forester 2019.08.24 07:46 #15251 回归和分类是森林和神经网络都能完成的任务。 梯度下降是神经网络为神经元选择权重/乘数/位移的一种方法。 Roman 2019.08.24 13:44 #15252 elibrarius。 回归和分类是森林和神经网络都能完成的任务。 梯度下降是神经网络为神经元选择权重/乘数/位移的方法。 谢谢，但我不是这个意思。 关于最终结果的相似性，回归和梯度下降。 回归找到邻居之间的中间点，梯度下降找到最近的点。 本质上，在我看来，这两种搜索算法的最终结果是相似的。 差异将是偏差误差。所以我想知道，哪种情况下的误差会更小？ 在我看来，梯度下降法会比回归法更准确。 我的观点是，比如说，有一个老师，网络的输出应该是老师的副本，误差最小。 所以我无法决定用哪种算法来使用哪种模型。 Maxim Dmitrievsky 2019.08.24 13:55 #15253 罗马 人。 谢谢你，但我不是这个意思。 关于最终结果的相似性，回归和梯度下降。 回归找到邻居之间的中点，梯度下降找到最接近的可能点。 本质上，在我看来，这两种搜索算法的最终结果是相似的。 差异将是偏差误差。这就是我认为会出现较小误差的原因。 我认为梯度下降法会比回归法更准确。 Roman 2019.08.24 14:02 #15254 马克西姆-德米特里耶夫斯基。 我不会期待任何其他答案。 Forester 2019.08.24 14:36 #15255 罗马 人。 谢谢你，但我不是这个意思。 关于最终结果的相似性，回归和梯度下降。 回归找到邻居之间的中间点，梯度下降找到最近的点。 本质上，在我看来，这两种搜索算法的最终结果是相似的。 差异将是偏差误差。所以我想知道，哪种方法的误差会比较小？ 在我看来，梯度下降法会比回归法更准确。 我的观点是，比如说，有一个老师，网络的输出应该是老师的副本，误差最小。 所以我无法决定用哪种算法来使用哪种模型。 回归和分类是一个黑箱的结果。血统是在它里面发生的事情。这些东西不能相互比较。 这就像电视屏幕上的图片（结果）和该电视内的电阻的原理。 罗马 人。 所以我无法决定用哪种算法来使用哪种模型。 所有的算法都没有意义。市场是SB（如果你纯粹看价格）。 当有一个模式时，MO就会发挥作用。在这个问题上，几年来，没有人发现有什么稳定的收入。 除非你训练你的大脑））。 aleger 2019.08.24 14:53 #15256 elibrarius。所有的算法都没有意义。市场是SB（如果你纯粹看价格）。 当有一个模式时，MO就会发挥作用。在这个话题中，几年来没有人发现有什么东西可以持续地赚钱。 他们只是训练自己的大脑））。 你只有通过谨慎的剥头皮和严格遵循主要趋势--上一个、当前和下一个，才能稳定地赚钱。 Roman 2019.08.24 14:55 #15257 elibrarius。 回归和分类是一个黑箱的结果。血统是在它里面发生的事情。这些东西不能相互比较。这就像电视屏幕上的画面（结果）和该电视内的电阻的原理。 这两种算法都没有意义。市场是SB（如果你纯粹看价格）。 当有一个模式时，MO就会发挥作用。在这个话题中，几年来没有人发现有什么东西可以持续地赚钱。 他们只是训练自己的大脑））。 谢谢你的澄清。 关键是，对于MO，我不打算以纯粹的形式来寻找模式。 我正试图制作一个工具，用它来检测这些模式。 因此，我需要选择正确的算法类型，以最小的误差将老师复制到网络输出。 在这种情况下，网络没有寻找任何模式，它只是在复制老师。 Forester 2019.08.24 14:59 #15258 罗马 人。 谢谢你的澄清。 这就是问题所在，我不打算用MO来寻找纯形式的模式。 我正试图制作一个工具，用它来检测这些模式。 因此，我需要选择正确的算法类型，以最小的误差将教师复制到网络的输出。 在这种情况下，网络不寻找任何规律性的东西，只是复制老师。 过去（即老师）被森林和国家安全局很好地记住了。但在未来，它将是50/50 Alexander_K 2019.08.24 20:30 #15259 埃利布留斯。 所有的算法都没有意义。市场是SB（如果你纯粹看价格）。 当有一个模式时，MO就会发挥作用。在这个问题上，几年来，没有人找到任何持续有效的东西。 让它成为SB。 但SB，或者说随机过程，也有规律可循。我们在 "从理论到实践 "分支中不止一次地讨论过它们--它是一个静止的方差，是爱因斯坦-斯莫鲁奇夫斯基方程的结果，在二维行走中返回到起点=66%，并收敛于大量独立随机变量的高斯分布...是的，很多事情...有一整套随机过程的理论，不管别人怎么说，都有可能在SB上获胜。 那么，为什么MO在这项任务中会失败呢？哲学的、概念性的问题。我不知道这个问题的答案... Maxim Dmitrievsky 2019.08.24 20:53 #15260 Alexander_K: 让它成为SB。 但是，毕竟SB，或者说是一个随机过程，也有规律可循。我们在 "从理论到实践 "分支中不止一次地讨论过它们--它是作为爱因斯坦-斯莫鲁奇夫斯基方程和回归原点=66%的二维徘徊的结果的静止方差，以及向大量独立随机变量之和的高斯分布收敛...是的，很多事情...有一整套随机过程的理论，不管别人怎么说，都有可能在SB上获胜。 那么，为什么MO在这项任务中会失败呢？哲学的、概念性的问题。我不知道这个问题的答案... 我必须在这个秋天完成这个课题，否则就会莫名其妙地变得无聊。我花了很多时间研究神经网络插件，然后研究应用理论，从来没有人为金融市场开发过。不知何故，数据科学家们一般都胆怯地避开它。 我有一个付费订阅的各种学术论文和教授的研究，但他们都是用选项来工作的，大部分是这样。他们认为这已经证明了没有什么可以当场抓住的。 1...151915201521152215231524152515261527152815291530153115321533...3399 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
梯度下降是神经网络为神经元选择权重/乘数/位移的一种方法。
回归和分类是森林和神经网络都能完成的任务。
梯度下降是神经网络为神经元选择权重/乘数/位移的方法。
谢谢，但我不是这个意思。
关于最终结果的相似性，回归和梯度下降。
回归找到邻居之间的中间点，梯度下降找到最近的点。
本质上，在我看来，这两种搜索算法的最终结果是相似的。
差异将是偏差误差。所以我想知道，哪种情况下的误差会更小？
在我看来，梯度下降法会比回归法更准确。
我的观点是，比如说，有一个老师，网络的输出应该是老师的副本，误差最小。
所以我无法决定用哪种算法来使用哪种模型。
谢谢你，但我不是这个意思。
关于最终结果的相似性，回归和梯度下降。
回归找到邻居之间的中点，梯度下降找到最接近的可能点。
本质上，在我看来，这两种搜索算法的最终结果是相似的。
差异将是偏差误差。这就是我认为会出现较小误差的原因。
我认为梯度下降法会比回归法更准确。
我不会期待任何其他答案。
谢谢你，但我不是这个意思。
关于最终结果的相似性，回归和梯度下降。
回归找到邻居之间的中间点，梯度下降找到最近的点。
本质上，在我看来，这两种搜索算法的最终结果是相似的。
差异将是偏差误差。所以我想知道，哪种方法的误差会比较小？
在我看来，梯度下降法会比回归法更准确。
我的观点是，比如说，有一个老师，网络的输出应该是老师的副本，误差最小。
所以我无法决定用哪种算法来使用哪种模型。
回归和分类是一个黑箱的结果。血统是在它里面发生的事情。这些东西不能相互比较。 这就像电视屏幕上的图片（结果）和该电视内的电阻的原理。
所以我无法决定用哪种算法来使用哪种模型。
所有的算法都没有意义。市场是SB（如果你纯粹看价格）。
当有一个模式时，MO就会发挥作用。在这个问题上，几年来，没有人发现有什么稳定的收入。
除非你训练你的大脑））。
所有的算法都没有意义。市场是SB（如果你纯粹看价格）。
当有一个模式时，MO就会发挥作用。在这个话题中，几年来没有人发现有什么东西可以持续地赚钱。
他们只是训练自己的大脑））。
你只有通过谨慎的剥头皮和严格遵循主要趋势--上一个、当前和下一个，才能稳定地赚钱。
回归和分类是一个黑箱的结果。血统是在它里面发生的事情。这些东西不能相互比较。这就像电视屏幕上的画面（结果）和该电视内的电阻的原理。
这两种算法都没有意义。市场是SB（如果你纯粹看价格）。
当有一个模式时，MO就会发挥作用。在这个话题中，几年来没有人发现有什么东西可以持续地赚钱。
他们只是训练自己的大脑））。
谢谢你的澄清。
关键是，对于MO，我不打算以纯粹的形式来寻找模式。
我正试图制作一个工具，用它来检测这些模式。
因此，我需要选择正确的算法类型，以最小的误差将老师复制到网络输出。
在这种情况下，网络没有寻找任何模式，它只是在复制老师。
谢谢你的澄清。
这就是问题所在，我不打算用MO来寻找纯形式的模式。
我正试图制作一个工具，用它来检测这些模式。
因此，我需要选择正确的算法类型，以最小的误差将教师复制到网络的输出。
在这种情况下，网络不寻找任何规律性的东西，只是复制老师。
所有的算法都没有意义。市场是SB（如果你纯粹看价格）。
当有一个模式时，MO就会发挥作用。在这个问题上，几年来，没有人找到任何持续有效的东西。
让它成为SB。
但SB，或者说随机过程，也有规律可循。我们在 "从理论到实践 "分支中不止一次地讨论过它们--它是一个静止的方差，是爱因斯坦-斯莫鲁奇夫斯基方程的结果，在二维行走中返回到起点=66%，并收敛于大量独立随机变量的高斯分布...是的，很多事情...有一整套随机过程的理论，不管别人怎么说，都有可能在SB上获胜。
那么，为什么MO在这项任务中会失败呢？哲学的、概念性的问题。我不知道这个问题的答案...
让它成为SB。
但是，毕竟SB，或者说是一个随机过程，也有规律可循。我们在 "从理论到实践 "分支中不止一次地讨论过它们--它是作为爱因斯坦-斯莫鲁奇夫斯基方程和回归原点=66%的二维徘徊的结果的静止方差，以及向大量独立随机变量之和的高斯分布收敛...是的，很多事情...有一整套随机过程的理论，不管别人怎么说，都有可能在SB上获胜。
那么，为什么MO在这项任务中会失败呢？哲学的、概念性的问题。我不知道这个问题的答案...
我必须在这个秋天完成这个课题，否则就会莫名其妙地变得无聊。我花了很多时间研究神经网络插件，然后研究应用理论，从来没有人为金融市场开发过。不知何故，数据科学家们一般都胆怯地避开它。
我有一个付费订阅的各种学术论文和教授的研究，但他们都是用选项来工作的，大部分是这样。他们认为这已经证明了没有什么可以当场抓住的。