交易中的机器学习：理论、模型、实践和算法交易 - 页 1612

新评论
 
叶夫根尼-迪尤卡。
我已经和这样的策略打交道半年了，回测的最大结果是一年x5，但一年一次，我肯定会失去所有的东西，这是不可能解决的问题。

是的，嗯...这是对人的一种羞辱。

那么，你的系统的广播是怎么回事？

 
mytarmailS:

是的，嗯...这是对人的一种羞辱。

那么，你的系统的广播是怎么回事？

如果你指的是metatrader中的信号--这简直是不真实的。比特币的价差是疯狂的+报价是假的。在正常的加密货币交易所，如果你用限额开仓，佣金是负的，也就是说，他们会额外支付。
 

在过去的一周里，我在测试器中运行了这个系统，并再次确信，把过滤器等的 "帮助 "导致了这样一个事实，即花在训练系统上的努力，这种 "帮助 "只导致了一个负面的结果，而且这个结果是在已知和训练过的数据上，当数据是实时的（原始的），该怎么说呢。

 
法尔哈特-古扎罗夫。

在过去的一周里，我在测试器中运行了这个系统，并再次确信，"帮助 "设置过滤器等导致的事实是，在训练系统上花费的努力这种 "帮助 "只导致一个负面的结果，而且这个结果是在已知和训练过的数据上，当数据是实时的（原始的），该怎么说呢。

你不应该使用拐杖，系统应该自己学习，你一旦开始帮助它，就不能停止）)
 
mytarmailS:

我们有两个变量向量，当前的蜡烛和之前的蜡烛（"-1"）。

a = "开盘"、"高点"、"低点"、"收盘"、"中心"

b = "open-1", "high-1", "low-1", "close-1", "center-1"

变量 "中心 "是蜡烛图的中间部分（高点+低点）/2，没有这个变量就不可能描述像 "eskimo "这样的模式。

因此，让我们创造所有可能的逻辑组合（也可以是非逻辑的）。

只有两根蜡烛，悲惨的两根蜡烛.....

天啊，我甚至不知道该说些什么。关于神经网络的图书馆已经变得如此方便，以至于人们甚至忘记了常识，还是什么？

增加实体显然是无稽之谈，而在所有关于任何一种分析的初始手册中都写道，为了取得结果，有必要摆脱多余的实体。

那么，如果你创建变量，如果它高出一个数字，高出两个，高出三分之一，等等，那么两个蜡烛图可能会导致1000))

如果你认为预测器比率对你的模型非常重要，而且必须一定要反馈到输入中，那么就创建一种卷积层，但要乘以预测器，是的。

 
阿列克谢-马夫林。

伙计，我甚至不知道该说些什么。神经网络库已经变得如此方便，以至于人们忘记了常识，还是什么？

当任何类型的分析的所有主要手册都说有必要去掉不必要的实体 以获得结果时，增加实体显然是无稽之谈。

那么，如果你创建变量，如果它高出一个数字，高出两个，高出三分之一，等等，那么两个蜡烛图可能会导致1000))

如果你认为预测器比率对你的模型非常重要，而且你必须一定要把它送入输入，那么就创建一种卷积层，但要把预测器相乘，yadaa...

oops....儿童....

要摆脱多余 的实体，你首先需要了解什么是多余的！你需要了解什么是多余的。在1000个申请人的特征中，你能用眼睛选出5个最重要的特征吗？

 
mytarmailS:

oops....儿童....

要摆脱多余 的实体，你需要首先了解什么是多余的！要了解它，你需要通过选项来查看！或者你知道另一种方法？你能从1000个装模作样的人中挑选出5个重要的人吗？

你已经做了很多工作，研究了很多材料，花了很多时间。试图改变你的想法有什么意义......

 
阿列克谢-马夫林。

你已经做了很多工作，研究了很多材料，花了很多时间。好吧，我不能改变你对任何事情的看法。

如果有争论，我很想听听。

如果论点是客观的，我很乐意改变你的想法。

如果你意识到你说得太多，决定很好地跳过，那就没有用了))

 
mytarmailS:

如果有争论，我很想听听。

如果论点是客观的，我很乐意改变我的想法，变得更聪明。

如果你意识到你说得太多而决定放弃，那就失败了））。

什么争论，如果你这样做意味着要么你不明白什么，要么我明白。

我惊讶的本质--一个可教的模型，我们在这里谈论它们，必须在原始数据上进行训练。

如果输入数据是相关的，就必须还原为不相关的。但你正在做相反的事情--你正在乘以原始数据，彼此之间强烈相关。

这里有一个例子--我们教模型通过3位数字--RGB来分类颜色的深浅。三位数，那是纯粹的原始数据！！。 在你的方法中，你需要做出预测，比如。

1-R 2-G 3-B - 4 更多的红色 5-更多的绿色 6-比绿色和蓝色加起来更多的红色 ....100500 如果绿色和蓝色一样红，就没有那么红了。))

模型难道不应该自己学习吗，它有原始数据，这就是它的作用！？

 
阿列克谢-马夫林。

什么论点，如果你这样做，就意味着要么你不明白什么，要么我明白。

我惊讶的一点是，我们在这里谈论的训练有素的模型，必须在原始数据上训练。

如果输入数据是相关的，就必须还原为不相关的。但你正在做相反的事情--你正在乘以原始数据，彼此之间强烈相关。

这里有一个例子--我们教模型通过3位数字--RGB来分类颜色的深浅。三位数，那是纯粹的原始数据！！。在你的方法中，你需要做出预测，比如。

1-R 2-G 3-B - 4 更多的红色 5-更多的绿色 6-比绿色和蓝色加起来更多的红色 ....100500 如果绿色和蓝色一样红，就没有那么红了。))

难道模型不需要自己学习吗，它有输入数据，这就是它的作用!

我完全同意，输入数据的正确选择决定了模型是否会学习，剩下的就是技术问题了。如果在这个阶段没有理解，就没有必要继续前进。
1...160516061607160816091610161116121613161416151616161716181619...3399
新评论