交易中的机器学习：理论、模型、实践和算法交易 - 页 232 1...225226227228229230231232233234235236237238239...3399 新评论 Dr. Trader 2016.11.27 00:04 #2311 不是 的。我同意，在我看来，如果一个人至少可以只运行数据并得到低于0.69300（随机）的logloss，那么他就有权利在这里谈论AI和MO，其他的都是无利可图的。我的结果 https://numer.ai/ai/toxichttps://numer.ai/ai/dr_tr0.69184得到了正确的答案 :)有趣的比赛，和有趣的奖品。我也想知道他们的预测器是根据什么原则创造的。我通常会有随时间消逝的依赖关系，也就是说，我在文件的前半部分训练了模型，预计误差会随时间增长，像往常一样，在文件的后半部分。但在那里--不，一切都那么静止，没有随着时间的推移而退化。尽管他们承诺了与贸易有关的数据。不寻常的。也许表格中的行是随机洗牌的。 mytarmailS 2016.11.27 08:56 #2312 弗拉基米尔-佩雷文科。这个主题变得非常大，无法阅读。我建议建立一个新的 "RUserGroup "主题，只讨论机器学习模型在MT4/5终端的具体应用，在语言上允许它没有问题。我知道两个（R，Python）。将与提供的代码进行讨论。也欢迎有其他语言经验的专家。我们可以从以前的帖子中的卷积网络的例子开始。祝好运我赞成！但他们无论如何都会把它扔掉（）。我还有一个问题：与传统网络相比，卷积网络的真正优势是什么？当然是在市场上) pantural 2016.11.27 09:09 #2313 ivanivan_11: 你在几页前被告知--你有一个想法，你需要在5分钟内（一天，一个星期）测试它。而且不知道你的想法是可行的还是最初的死胎。你会选择什么方案--使用一个现成的软件包，一个学生可以在5分钟内搞清楚，还是自己再写一个完整的基础设施？ 如果是第二个方案，那么就是虐恋，正常人不会和你一起去) 我们谈论的是什么基础设施？我们是否像伟大的尼古拉-科西岑 那样谈论你的方法和课程？如果是这样，那就比正常人多了，但不是每个人都能得到它。 pantural 2016.11.27 09:13 #2314 我同意，在我看来，如果一个人至少可以只运行数据并得到低于0.69300（随机）的logloss，那么他就有权利在这里谈论AI和MO，其他的都是无利可图的。我的分数 https://numer.ai/ai/toxic 不太清楚这个网站与真正的机器人交易有什么联系。它是一个网络平台 吗？ Vladimir Perervenko 2016.11.27 10:09 #2315 mytarmailS: 我赞成！但他们还是会搞砸的（）。我还有一个问题：在你看来，与普通网络相比，卷式网络的真正优势是什么？当然，是在市场上）。卷积网络 被锐化为以矩阵为代表的数据分类。我看不出有什么优势，我认为更合适的模型是LSTM，因为我们的数据是一个时间序列。这个例子是提供给大家解析的，因为有代码可以评论，而且有一些基本的错误，大家知道了会很有用。当然，如果它是作者感兴趣的。祝好运 mytarmailS 2016.11.27 10:42 #2316 Vladimir Perervenko: mytarmailS: 我赞成！但他们还是会搞砸的（）。我还有一个问题：在你看来，与普通网络相比，卷式网络的真正优势是什么？当然，是在市场上）。卷积网络被锐化为以矩阵为代表的数据分类。我看不出有什么优势，我认为更合适的模型是LSTM，因为我们的数据是一个时间序列。这个例子是提供给大家解析的，因为有代码可以评论，而且有一些基本的错误，大家知道了会很有用。当然，如果它是作者感兴趣的。祝好运事实上，每个人都有兴趣，不仅是作者...我还听说卷积网络 在识别方面具有可扩展性，即能够识别一个物体（图案），即使它的大小和形状与训练样本有些不同，这是 真的吗？ toxic 2016.11.27 11:55 #2317 Dr.Trader:我也想知道他们用什么原则来创建预测器。我通常会有随时间消逝的依赖关系，也就是说，我在文件的前半部分训练了模型，并期望在文件的后半部分错误会像往常一样随时间增长。但在那里--不，一切都那么静止，没有随着时间的推移而退化。尽管他们承诺了与贸易有关的数据。不寻常的。表中的行有可能是随机洗牌的。 阅读他们在博客上的文章，不超过半小时，阅读起来相当有趣，他们是如何混淆数据的，为什么要这样做等等。字符串肯定是混在一起的，属性和数据源是分类的，另外这些属性被投射到一个特定的基础上，把它们相互混合到一个同质化的状态，这样你就无法理解它们的来源。 Vladimir Perervenko 2016.11.27 12:59 #2318 mytarmailS:事实上，每个人都有兴趣，不仅是作者...我还听说卷积网络在识别方面具有可扩展性，即能够识别物体（图案），即使它的大小和形状与训练样本有些不同，这是 真的吗？如果我们谈论的是一个图像，是的，这是真的。 mytarmailS 2016.11.27 13:53 #2319 Vladimir Perervenko: 如果是关于形象，那么是的，这是真的。但时间线呢？ Vladimir Perervenko 2016.11.28 06:30 #2320 mytarmailS:时间线的情况是怎样的？我没有得到好的结果。你需要高度相关的预测因子（与其他模型不同）。我还没有发现任何能带来可接受的结果。但我没有实验很久。我没有太多的时间。你可以试试。该样本有一个完全工作的代码。 祝好运PS。如果你试一下，在输入矩阵中，预测因子应该是行而不是列。 1...225226227228229230231232233234235236237238239...3399 新评论 原因: 取消 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
我同意，在我看来，如果一个人至少可以只运行数据并得到低于0.69300（随机）的logloss，那么他就有权利在这里谈论AI和MO，其他的都是无利可图的。
我的结果 https://numer.ai/ai/toxic
https://numer.ai/ai/dr_tr
0.69184得到了正确的答案 :)
有趣的比赛，和有趣的奖品。
我也想知道他们的预测器是根据什么原则创造的。我通常会有随时间消逝的依赖关系，也就是说，我在文件的前半部分训练了模型，预计误差会随时间增长，像往常一样，在文件的后半部分。但在那里--不，一切都那么静止，没有随着时间的推移而退化。尽管他们承诺了与贸易有关的数据。不寻常的。也许表格中的行是随机洗牌的。
这个主题变得非常大，无法阅读。我建议建立一个新的 "RUserGroup "主题，只讨论机器学习模型在MT4/5终端的具体应用，在语言上允许它没有问题。我知道两个（R，Python）。将与提供的代码进行讨论。也欢迎有其他语言经验的专家。
我们可以从以前的帖子中的卷积网络的例子开始。
祝好运
我赞成！但他们无论如何都会把它扔掉（）。
我还有一个问题：与传统网络相比，卷积网络的真正优势是什么？当然是在市场上)
你在几页前被告知--你有一个想法，你需要在5分钟内（一天，一个星期）测试它。而且不知道你的想法是可行的还是最初的死胎。你会选择什么方案--使用一个现成的软件包，一个学生可以在5分钟内搞清楚，还是自己再写一个完整的基础设施？ 如果是第二个方案，那么就是虐恋，正常人不会和你一起去)
我同意，在我看来，如果一个人至少可以只运行数据并得到低于0.69300（随机）的logloss，那么他就有权利在这里谈论AI和MO，其他的都是无利可图的。
我的分数 https://numer.ai/ai/toxic
我赞成！但他们还是会搞砸的（）。
我还有一个问题：在你看来，与普通网络相比，卷式网络的真正优势是什么？当然，是在市场上）。
卷积网络 被锐化为以矩阵为代表的数据分类。我看不出有什么优势，我认为更合适的模型是LSTM，因为我们的数据是一个时间序列。
这个例子是提供给大家解析的，因为有代码可以评论，而且有一些基本的错误，大家知道了会很有用。当然，如果它是作者感兴趣的。
祝好运
mytarmailS:
我赞成！但他们还是会搞砸的（）。
我还有一个问题：在你看来，与普通网络相比，卷式网络的真正优势是什么？当然，是在市场上）。
卷积网络被锐化为以矩阵为代表的数据分类。我看不出有什么优势，我认为更合适的模型是LSTM，因为我们的数据是一个时间序列。
这个例子是提供给大家解析的，因为有代码可以评论，而且有一些基本的错误，大家知道了会很有用。当然，如果它是作者感兴趣的。
祝好运
事实上，每个人都有兴趣，不仅是作者...
我还听说卷积网络 在识别方面具有可扩展性，即能够识别一个物体（图案），即使它的大小和形状与训练样本有些不同，这是 真的吗？
我也想知道他们用什么原则来创建预测器。我通常会有随时间消逝的依赖关系，也就是说，我在文件的前半部分训练了模型，并期望在文件的后半部分错误会像往常一样随时间增长。但在那里--不，一切都那么静止，没有随着时间的推移而退化。尽管他们承诺了与贸易有关的数据。不寻常的。表中的行有可能是随机洗牌的。
阅读他们在博客上的文章，不超过半小时，阅读起来相当有趣，他们是如何混淆数据的，为什么要这样做等等。字符串肯定是混在一起的，属性和数据源是分类的，另外这些属性被投射到一个特定的基础上，把它们相互混合到一个同质化的状态，这样你就无法理解它们的来源。
事实上，每个人都有兴趣，不仅是作者...
我还听说卷积网络在识别方面具有可扩展性，即能够识别物体（图案），即使它的大小和形状与训练样本有些不同，这是 真的吗？
如果我们谈论的是一个图像，是的，这是真的。
如果是关于形象，那么是的，这是真的。
但时间线呢？
时间线的情况是怎样的？
我没有得到好的结果。你需要高度相关的预测因子（与其他模型不同）。
我还没有发现任何能带来可接受的结果。但我没有实验很久。我没有太多的时间。你可以试试。该样本有一个完全工作的代码。
祝好运
PS。如果你试一下，在输入矩阵中，预测因子应该是行而不是列。