交易中的机器学习：理论、模型、实践和算法交易 - 页 3016

新评论
 
Aleksey Vyazmikin #:

而树木则是独立建造的，然后在树叶中权衡答案。我的工作对象不是森林，而是一棵树。我从没听说过遗传学上的森林。

哦，对了，那就没必要用 "森林 "了。

基因树和普通树有什么区别，有什么优点？

 
Aleksey Vyazmikin #:

您有一片森林，您是在构建模型后重新加权呢？还是只取激活树叶的平均值？

这就是问题所在，在选择树叶时，我会考虑历史上响应分布的稳定性和均匀性。我制定了二维指标，并对其进行综合评估。因此，对我来说，没有反应的叶子是极其罕见的。

在我看来，你可以很容易地保存树叶，创建成千上万棵树，并只使用它们。

是的， 有时为了提高速度，我只用一棵树。现在我通常使用多棵树。
，如果所有树的平均值大于所需值，我就用它来进行平衡计算。
。


如何测量均匀度？第一个平衡点和最后一个平衡点之间的直线偏差？总和应该乘以平衡点吗？

 
Maxim Dmitrievsky #:

是啊，那就没必要用福雷斯特了。

基因树和普通树有什么区别，有什么优点？

它的不同之处在于，它不是试图使用最好的预测分裂，而是使用最好的预测分裂的不同变体。如果我对算法的理解正确的话，这种方法是按顺序进行分割的，而评估 的成功与否是在叶子上 完成的。从成功生成的预测因子开始，靠近叶子的预测因子会被切掉，然后重新构建。我无法详细分析算法本身，因为我不是作者。但是，根据这个想法，这种方法在理论上比随机化更好。

 
Forester #:
是的， 有时我用 1 棵树来计算速度。 如果所有树的平均值 > 所需值，我就用它来计算平衡。


如何测量均匀性？第一个平衡点和最后一个平衡点之间的直线偏差？总和可能要乘以平衡度吗？

在我的印象中，样本是按年份划分的，资产负债表是按财务指标编制的，每份资产负债表都要通过不同的指标进行评估，包括你说的主题，还有容差标准，如果所有部分（在我的例子中是年份）都很好，那么叶子就会被接受到叶子库中。

 
Aleksey Vyazmikin #:

在我的印象中，样本是按年份划分的，资产负债表是按财务指标编制的，每份资产负债表都要通过不同的指标进行评估，包括你说的那个主题，还有录取标准，如果所有地块（在我的例子中是年份）的一切都很好，那么这片叶子就会被录取到叶子基地。

这和一片叶子有什么关系？叶片中的例子并不能平均描述全年的情况，例如，1 月份有 2 个例子，2 月份有 27 个，12 月份有 555 个。
如果以所有叶片的平衡线为基础，那么 12 月份显然是该叶片的主要生长期，与直线的偏差会非常大。

如果仅以这 1 片叶子的平衡线为基础，则可以实现均匀性，但参与整体均匀性的情况很难确定。

 
Forester #:

1 张单独的纸有什么关系？一片叶子上的例子并不能平均描述全年的情况，例如，1 月份有 2 个例子，2 月份有 27 个，12 月份有 555 个。
如果我们以所有叶片的平衡线为基础，那么 12 月份显然是该叶片的主要增长期，与直线的偏差将非常大。

如果仅以这 1 片叶子的平衡线为基础，则可以实现均匀性，但整体均匀性的参与度很难确定。

当然，我们面对的是区间，取值越小，例子极少的可能性就越大。在这个问题上需要有一定的合理性平衡，我当时决定用一年的时间来显示该表的有效性是最合适的。一般来说，在某些月份完全没有信号是正常的，特别是如果有描述上层 TF 的预测因子。

将叶片组合成集合是一项单独的任务。
 
这有点惊心动魄）。
 

民间智慧说，只见树木，不见森林。但我想知道，透过树叶，你能看到树吗？ 我不是在问森林。

这是你知道的唯一算法吗？还是最有效的？你为什么执着于它呢？

只是一闪而过的念头

祝你好运

 
Vladimir Perervenko #:

民间智慧说，只见树木，不见森林。我想知道摘树叶能不能看到树，我不是在问森林。

这是你知道的唯一算法吗？还是最有效的？你为什么执着于它呢？

这只是一闪而过的念头。

祝你好运

1) 可以从木头人中提取规则，并计算出每种规则的统计数据，而从 HCs 中则不能

2) 木头人学得快，NS 则不然。

 

谁能想到，当你了解了背景，你甚至可以在移动平均线上进行交易)))))。


入场和出场价格是由 mashka 和 ohlc 计算出来的，没有别的，谁会想到呢？ 我当然没想到......但一切都要靠经验。


大脑是最强大的交易工具（迄今为止），请记住这一点。

1...300930103011301230133014301530163017301830193020302130223023...3399
新评论