交易中的机器学习：理论、模型、实践和算法交易 - 页 1555

新评论
 
阿列克谢-维亚兹米 金。

混合的想法很有趣，但在我看来，你需要将价格的变动从一个关键点随机化到另一个。而区块本身应该用ZZ来创建，那么它就真的看起来像一个市场。

然后，该模型将捕捉到导致这些极值的模式。而新的数据可能被证明是无稽之谈。

我的模型学习不是被价格运动的形状所束缚，而是学习小的模式，如波动率的聚类，这使市场与SB区分开来。因此，它是纯粹的计量经济学（在我的版本中）。

我一直在优化，并意识到我的笔记本电脑已经无法处理。我得弄点像样的硬件。但这将把我推向次优的代码，所以我将看看我能做什么。

第二个选择是扔掉catbust，用mql重写森林中的一切。但在python中调查更方便
 
马克西姆-德米特里耶夫斯基。

那么该模型将捕捉到导致这些极端情况的模式。而在新的数据上，它可能被证明是无稽之谈。

我的模型学习不是被价格运动的形状所束缚，而是学习小的模式，如波动率的聚类，这使市场与SB区分开来。因此，它是纯粹的计量经济学（在我的版本中）。

我一直在优化，并意识到我的笔记本电脑已经无法处理。我得弄点像样的硬件。但这将把我推向次优的代码，所以我将看看我能做什么。

我不知道，在我看来，只是按ZZ切开集群是有成效的，特别是如果你把市场上的平均建设规则加到其中。问题是，一个点可以通过不同的路径到达，而样本只关注一小部分这样的路径，这样一来，样本就会得到平衡。也许我们有不同的目标，所以我们以不同的方式思考什么对某项研究最有效。你只有相同大小的集群规则，如果预测器在两个集群的交界处取数据，这只是产生SB...

还有铁--是的，拿着它，如果它能加快幻想的飞行速度的话!

 
阿列克谢-维亚兹米 金。

我不知道，在我看来，按ZZ切分集群是有成效的，特别是如果你加上市场的平均建设规则。 问题是，一个点可以通过不同的路径到达，而样本只集中在一小部分这样的路径上，所以样本会很平衡。也许我们有不同的目标，所以我们以不同的方式思考什么对某项研究最有效。 你只有相同大小的集群规则，如果预测器在两个集群的交界处取数据，这只是产生SB...

还有铁--是的，如果它能加速幻想的飞翔，就拿它来做吧!

啊，好吧，不同大小的群组也可以做，不一定是为了节省

我认为混合的想法是有缺陷的，但它很有趣。

 
马克西姆-德米特里耶夫斯基。

啊，好吧，也可以做不同大小的群组，不一定是为了节省

我认为混合的想法是有缺陷的，但它很有趣。

随机抽样或洗牌（如果我理解正确的话）是减少过冲的方法之一。我不知道它在回归中的作用有多大，但在分类中的效果很好。
在我看来，现在在将函数近似于目标函数的算法和阻止它的算法之间存在着某种对立。在学习过程中会出现某种阻力。让我们让生活变得有趣吧 :-)
如果没有阻力，学习就会过快地接近目标值，因此很可能出现过度学习阈值的情况。
如果有阻力，但阻力很弱，效果是一样的。
如果阻力太大，就会出现学习不足的情况，模型不能达到泛化区所在的置信区间，显示出学习本身的不良结果。也不太妙。
结论一，对学习的抗拒。或者说，旨在减少过度学习的方法应该与基本算法相平衡，以令人羡慕的一致性将fuknts带入置信区间，但绝不能超越它，或者很少这样做。
 
Mihail Marchukajtes:
随机抽样或混合（如果我理解正确的话）是减少过度训练的一种方法。我不知道它在回归中是否有用，但它在分类中运行良好。
在我看来，现在在使功能更接近目标的算法和阻止功能的算法之间存在着某种对抗。在学习过程中出现了某种阻力。这样，生活就不会看起来像一场梦。）
如果没有阻力，学习就会过快地接近目标值，因此很可能出现过度学习阈值的情况。
如果有阻力，但它很弱，效果是一样的。
如果阻力太大，就会出现学习不足的情况，模型不能达到泛化区所在的置信区间，显示出学习本身的不良结果。也不太妙。
结论一，对学习的抗拒。或者说，旨在减少过度学习的方法必须与基本算法相平衡，这样，fukncion就能以令人羡慕的一致性到达置信区间，但绝不是跳过它，或者很少跳过它。

这倒是真的，但当回报没有规律可循时，这就是一个死人的工作)

 
阿列克谢-维亚兹米 金。

混合的想法很有趣，但在我看来，你需要将价格的变动从一个关键点随机化到另一个。而区块本身应该用ZZ来创建，然后它看起来就像一个市场。

不要使用ZZ或任何其他指标。只有几个时间框架的OHLC（时间框架应相差4-6倍）。例如，1-5-30-H3...最多一个月的时间框架。自己选择），也许，还有更多的虱子，用于早期预警。

由最大和最小的价格分别卷积结构。通过OHLC--复发结构。以此类推，所有的二手价格。 所有这些的信号都被进一步送入，比如说，送入整个网状网络。

同时，将通过递归网络传递的蜱虫输入到全网状网络的一个输入端。

通过增加存款的速度进行优化。因此，网眼应该自己决定手数，选择开仓和平仓点。像这样。

 
尤金尼-诺伊莫因。

完全不要使用ZZ或任何附加指标。只有来自几个tf的OHLC（tf的差异应该是4-6倍。 例如，1-5-30-H3...最多一个月的时间框架。自己选择），也许，还有更多的虱子，用于早期预警。

由最大和最小的价格分别卷积结构。通过OHLC--复发结构。以此类推，所有的二手价格。所有这些的信号都被进一步送入，比如说，送入整个网状网络。

同时，输入通过递归网络传递给全网状网络的一个输入的ticks。

优化存款增加的速度。因此，网眼应该自己决定手数，选择开仓和平仓点。像这样。

你建议将什么作为中间网络的目标功能？也就是说，应该训练他们做什么？
 
尤金尼-诺伊莫因。

完全不要使用ZZ或任何附加指标。只有来自几个tf的OHLC（tf的差异应该是4-6倍。 例如，1-5-30-H3...最多一个月的时间框架。自己选择），也许，还有更多的虱子，用于早期预警。

由最大和最小的价格分别卷积结构。通过OHLC--复发结构。以此类推，所有的二手价格。所有这些的信号都被进一步送入，比如说，送入整个网状网络。

同时，将通过递归网络传递的蜱虫输入到全网状网络的一个输入端。

优化存款增加的速度。因此，网眼应该自己决定手数，并选择开仓和平仓点。像这样。

而且上面还有一个蝴蝶结 )

 
埃利布留斯。
你建议将什么作为中间网的目标功能？也就是说，我们应该教他们什么？

关于存款的增加率。这就是目标函数。高点的卷积和低点的卷积是ZZ的一些类似物。它揭示了波浪分形。根据OHLC的复发结构--烛台组合--烛台形态（分形）在这里被抓住。

基于不同TFs数据的网格可以识别不同TFs上的分形。存款增加速度的目标函数定义了在多大程度上应该考虑到不同褶皱上出现的分形。

马克西姆-德米特里耶夫斯基。

并在上面打一个蝴蝶结 )

那是为业余爱好者准备的。


 
尤金尼-诺伊莫因。

从存款增加的速度来看。这就是目标函数。

存款是由什么组成的？从买入/卖出/等待命令。

这些命令将由最终的NS进行训练。然后预测它们。
中间网络应该用什么来训练？ZigZags? 为了训练一个网络，它需要显示一个答案。你建议用什么人字形算法和什么参数来作为训练信号？

1...154815491550155115521553155415551556155715581559156015611562...3399
新评论