交易中的机器学习：理论、模型、实践和算法交易 - 页 1733

新评论
 
Maxim Dmitrievsky:

一切正常。我们需要想出浮动的时间窗口。固定数字被认为是有限的。

好吧，如果分钟模式是不连续/不均匀地"洒落 "的，那么我认为不值得聚类，只要保持原样并进行测试即可

 
我只是认为这个系统的致命弱点是，并不总是能够找到完美或不完美的圆。
[删除]  
mytarmailS:

好吧，如果图案是不均匀/不均匀地 "撒 "在几分钟内，我认为不值得聚类，就暂时保持原样，并进行测试。

通常按连续数分钟分组。

 
无论如何，在组织上，我在思考股上的起点很低.....，这是童年的梦想。:-)))))
 
马克西姆-德米特里耶夫斯基。

通常每次都是分组，每次都有几分钟的时间

按自己的方式做，但要做OOS

想看

 
这是给医学专家的一个问题：众所周知，人们可以教NS从图像中识别物品，但该物品必须是正常的、组装好的状态，但是否有可能教NS识别破碎的物品，如事故后的汽车、拆除过程中的房屋、龙卷风后的家具？ 一个人可以一气呵成。
 
Reg Konow:
这是给国防部行家的一个问题：众所周知，你可以教国家安全局从图像中识别一个物品，但该物品必须是正常的、组装好的状态，但你能教国家安全局识别破碎的物品吗，例如事故后的汽车、正在拆除的房屋、龙卷风后的家具？一个人可以一气呵成。

谁在乎房子是否破损，网络学习的是什么？

 
mytarmailS:

房子破不破有什么区别，网络学的是什么就教什么

详尽的。))

一所房子总是以不同的方式被打破。一个完整的房子和一个破碎的房子之间有很大的区别。如果整栋房子有几个计时图像，那么破房子可以看起来像任何东西。然而，一个人很容易认出它来。

人可以很容易地处理图像中的熵，但NS？

 

我在某处表明（因为我忘记了在哪里，因为我已经有一个多月没有做交易了），市场增量的概率分布 是CB高斯分布和指数分布（或一般情况下--厄兰吉）的乘积。

埃尔朗分布负责打勾报价的时间间隔，这种数字的生成器看起来是这样的

这里Lambda是事件流的强度（引号）。

如果Lambda=const，过程是静止的，但市场流动强度在不同的时间点是不同的，即Lambda=f(t)，决定了一般的非静止过程。

因此，为了区分一个静止的过程，有必要将具有相同通量密度的BP的单独部分视为一个整体。

因此，试图将BP分解成一天中的几个小时，然后将这些小时 "粘 "在一起，显然是有生命力的。

 
标签 Konow:

详尽的。))

一所房子总是以不同的方式被打破。整个房子之间...

嗯，是的，图片中的猫是不同的，但网络可以识别它们，并以某种方式将它们与狗区分开来......

读一些关于模式识别、卷积网络 的原理，它们是如何工作的，等等。你的问题非常不成熟，当你读了这些问题后，你会明白它们的愚蠢。

1...172617271728172917301731173217331734173517361737173817391740...3399
新评论