В этой статье я расскажу, как с помощью "скрещивания" одной очень известной стратегии и нейронной сети можно успешно заниматься трейдингом. Речь пойдет о стратегии Томаса Демарка "Секвента" с применением системы искусственного интеллекта. Работать будем ТОЛЬКО по первой части стратегии, используя сигналы "Установка" и "Пересечение".
大家好!!!!最后，奇迹发生了，我的文章被发表了。
https://www.mql5.com/ru/articles/2773
大家好!!!!最后，奇迹发生了，我的文章被发表了。
https://www.mql5.com/ru/articles/2773
很好！）我们会在闲暇时阅读它。
大家好!!!!最后，奇迹发生了，我的文章被发表了。
https://www.mql5.com/ru/articles/2773
去看了文章，谢谢 )
你知道，历史不会重演。这就是为什么他们建议在随机的情况下尝试同样的方法--结果不会有太大差别（甚至可能比历史数据更好）。
我想指出，你和fxsaber 在一个分支上，你的声明被以高度专业的方式反驳。请看伯纳科夫在这个主题和他的博客中的材料
除此以外，还有一个根本问题，即从根本上将ME与TA在我们头脑中形成的模式区分开来。
机器学习必然由三个部分组成，它们构成一个连贯的整体。这些是。
其对最终结果影响最大的步骤是第一步--准备原始数据。
如果你坚持使用这三个步骤，并了解你在做什么，我个人已经设法将一些目标变量的预测误差降低到30%以下。我几乎马上就能把预测误差降低到40%以下。如果你得到随机的50%，这意味着你不了解MO中非常重要的东西。
我想指出，你和fxsaber 是在一个你的论断已经被专业地反驳的主题上。请看伯纳科夫在这个主题和他的博客中的材料
除此以外，还有一个根本问题，即从根本上将ME与TA在我们头脑中形成的模式区分开来。
机器学习必然由三个部分组成，它们构成一个连贯的整体。这些是。
其对最终结果影响最大的步骤是第一步--准备初始数据。
如果你坚持使用这三个步骤，并了解你在做什么，我个人已经设法将一些目标变量的预测误差降低到30%以下。我几乎马上就能把预测误差降低到40%以下。如果你得到一个随机的50%，这意味着你不了解MO中非常重要的东西。
我去潜心研究这篇文章了，谢谢你)
发自肺腑的兄弟们!你的意见对我来说非常重要。在这篇文章之后，会有一篇关于输入和输出变量的论文，当然也会有哲学，嗯，还有原始的时候很难选择....。
如果你坚持使用这三个步骤，并了解你在做什么，我个人已经能够将一些目标变量的 预测误差降低到30%以下。我几乎马上就能把预测误差降低到40%以下。如果你得到一个随机的50%，那么有一些非常重要的东西你不了解MO。
如果你说的是样本外 误差，在适当准备的数据上至少有10万个样本进行测试，那么结果是非常陡峭的，"只比鸡蛋凉"，即使是HFT数据，在几分钟和更多的数据上也是梦幻般的，或微不足道的过拟合。在低频数据上，上帝禁止2-3%的人获得优势，numerai 也一样。
当它提前一秒钟预测价格方向时，这很酷，准确率 65-70%（对于RI）我知道这样的人，但他们的数据并不幼稚，而且他们的费用也相应地高。我有60-65%，但对我的数据来说，它也非常酷，我现在几乎不单独购买任何东西，我以前用plaza，但现在我用普通的快速和mt来获取外汇的数据。
一个有趣的话题。很多人都在胡说八道，但也有一些聪明的想法。谢谢你。
一个有趣的话题。很多人都在胡说八道，但也有一些聪明的想法。谢谢你。
)))最主要的是沟通和过程。似乎有些人已经在创建神经机器人。我想试试。
如果你说的是样本外 的误差，在适当准备的数据上至少有10万个样本进行测试，那么结果是非常陡峭的，"比鸡蛋还陡峭"，即使是HFT数据，在几分钟或更长时间内，它是梦幻般的，或微不足道的过拟合。在低频数据上，上帝禁止2-3%的人获得优势，numerai 也一样。
当它提前一秒钟预测价格方向时，这很酷，准确率 65-70%（对于RI）我知道这样的人，但他们的数据并不幼稚，而且他们的费用也相应地高。我有60-65%，但对于我的数据来说，它非常酷，我现在几乎不单独购买任何东西，我曾经使用plaza，但现在我使用普通的quick和mt来获取我的外汇数据。
对我来说，预测误差不是主要问题。对我来说，主要问题是过度训练模型。要么我有多么薄弱的证据表明模型没有被重新训练，要么就是根本不需要这个模型。
我已经在这个主题（以及其他主题）上多次写过关于诊断过度训练和处理过度训练的工具。简而言之，它是在清除输入预测器的噪音，模型本身是次要的。
我对其他一切都不感兴趣，因为在不考虑过度训练的情况下，任何结果都只是一般般，现在，也许明天，明天之后就是对去势的消耗。