交易中的机器学习：理论、模型、实践和算法交易 - 页 1624

新评论
 
凯沙根。

嗯，"0.5-0.7秒的计算 "对MLP来说有点多，也许你是先教后算，在小数据集上用滑动窗口计算？

让我们按顺序来看看。

1 什么是原始数据（股票代码，时间范围）？

2 训练数据集的大小是多少（1k,10k,100k...）？

3 什么样的功能

4 什么是目标

5 什么样的网格


是足够的，开始...

1.烛台+指标
2.200-300к
3.这是知识--不是分享
4.二元分类 - 上/下
5. Keras上的sequental
 
叶夫根尼-迪尤卡。
1.烛台+指标
2. 200-300к
3.这些知识--我不分享
4.二元分类--向上/向下
5.

有多少特征？

顺序不是网格的类型，而是它在Keras中的构建方式，网格的结构很好，例如MLP（在Keras中只有Dence层）或某种混合，最好是这里的网格代码

 
凯沙-鲁托夫。

有多少特征？

顺序不是网格的类型，而是它在Keras中的组装方式，网格的结构是温柔的，例如MLP（在Keras中只有Dence层）或某种混合，最好是这里的网格代码

Keras拥有tensorflow/中的所有层。

 
凯沙-鲁托夫。

有多少特征？

在keras中组装网格的最佳方式不是网格的类型，而是网格的结构，例如MLP（在keras中只有Dence层）或它们的混合，最好在这里对网格进行编码

def make_model(arr_size):
  sgd = SGD(lr=0.01, decay=1 e-6, momentum=0.9, nesterov=True)

  res = 2 # количество ответов
  act = "softmax"
  #act = "sigmoid"
  #opt = sgd
  opt = 'adam'

  model = Sequential()

  model.add(Dense(int((arr_size-res)*k), input_dim=(arr_size-res), activation='relu'))
  model.add(Dropout(dropout))

  #model.add(Dense(int((arr_size-res)*0.5*k), activation='relu'))
  #model.add(Dropout(dropout))

  #model.add(Dense(int((arr_size-res)*0.3*k), activation='relu'))
  #model.add(Dropout(dropout))

  #model.add(Dense(int((arr_size-res)*0.1*k), activation='relu'))
  #model.add(Dropout(dropout))

  model.add(Dense(res, activation=act))

  if res==1:
    ls="binary_crossentropy"
  else:
    ls="categorical_crossentropy"
  model.compile(loss=ls, optimizer=opt, metrics=['accuracy'])
  return model
 
弗拉基米尔-佩雷文科。

keras拥有tensorflow所拥有的所有层次/。

我知道。

我说MLP在Keras中只有密集层

 

叶夫根尼-迪尤卡。

编码

好的。因此，MLP。

arr_size-res必须是大的？

 
凯沙-鲁托夫。

好的。因此，MLP。

arr_size-res必须是大的？

arr_size是输入的芯片数，代码写得歪歪扭扭的，按原样复制了，是为自己写的。
 
叶夫根尼-迪尤卡。
arr_size是输入的芯片数，代码写得歪歪扭扭的，按原样复制，是为自己写的。

我问你有多少功能，你没有理会我。

我提议做一个实验，把欧罗巴克斯的系列，分成70/30%，训练第一块，在第二块上生成MO指标，并把它和测试系列一起贴在这里。

 
凯沙-鲁托夫。

我问你有多少功能，你没有理会我。

我提议做一个实验，把欧罗巴克的系列，分成70/30%，训练第一块，在第二块上生成MO指标，并把它和测试系列一起贴在这里。

我回答：250-300个筹码
 


Y.I. Zhuravlev.预测的数学方法

1...161716181619162016211622162316241625162616271628162916301631...3399
新评论