交易中的机器学习：理论、模型、实践和算法交易 - 页 302 1...295296297298299300301302303304305306307308309...3399 新评论 mytarmailS 2017.03.29 19:01 #3011 安德烈。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。+ Yuriy Asaulenko 2017.03.29 19:22 #3012 亚历山大-伊万诺夫。)))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.不幸的是，这个话题的进入门槛非常高。医学领域本身已经相当古老，只是不同的分支和方法的数量已经趋于无限。而如果你以前没有处理过，你可能会淹没在这片信息的海洋中）。而且我不想捡零碎的东西，所有这些都需要对工具采取一些系统的方法。但到目前为止，我还没有发现任何连贯的系统化信息。 toxic 2017.03.29 19:32 #3013 桑桑尼茨-弗门科。 对我来说，预测错误不是主要问题。对我来说，主要问题是重新训练模型。要么我有哪怕是微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拟合和处理过拟合的工具。简而言之，就是要清除输入预测器的噪音，而模型本身是次要的。其他的事情我都不感兴趣，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，去势就会耗尽。 如果你在测试时有一个好的转速（出于训练样本），那么一切都没问题。从某种意义上说，过量进食是无法避免的，只能将其减少到一个可接受的水平。 PS： Mihail Marchukajtes先生 被提出来证明Reshetov分类器是很酷的，你也可以试试，我想知道是否有人能从这个数据中获得超过65%的准确率）））） 。 СанСаныч Фоменко 2017.03.29 19:51 #3014 下面是一个例子，说明如何做到这一点。 好吧，过度喂养是指在lern和测试上的量表不同，如果你在测试上有一个好的量表（在训练样本之外），那么一切都会好起来。从某种意义上说，过度喂养根本无法避免，只能将其减少到可接受的水平。 PS： Mihail Marchukajtes先生 被提出来证明Reshetov分类器的陡峭度，你也可以试试，我想知道是否有人能从这个数据中获得超过65%的准确度））） 。 一个测试员是一些收尾工作。而且你需要TC性能的置信区间。尤里-阿索连科。不幸的是，进入这个学科的门槛非常高。医学领域本身是相当古老的，只是不同的分支和方法的数量已经趋于无限大。而如果你以前没有处理过，你可能会淹没在这片信息的海洋中）。而且我不想捡零碎的东西，所有这些都需要对工具采取一些系统的方法。但迄今为止，我还没有发现任何连贯的系统化信息。并非如此。系统性是指使用EVERYTHING：准备初始数据、拟合模型和评估该模型。在第一个近似值中，这一切都给出了响声--你可以看到并玩弄它。如果你拿我的文章 来说，投入的劳动量是最小的（一切都要几个小时），因为它不仅给出了指示，还提供了练习的数据。 toxic 2017.03.29 20:00 #3015 尤里-阿索连科。不幸的是，这个话题的进入门槛非常高。医学领域本身已经相当古老，只是不同的分支和方法的数量已经趋于无限。而如果你以前没有处理过，你可能会淹没在这片信息的海洋中）。而且我不想捡零碎的东西，所有这些都需要对工具采取一些系统的方法。但到目前为止，我还没有发现任何连贯的系统化信息。我们的世界是这样结构的：话题的盈利能力是进入话题的门槛高度的单调函数。进入的门槛越高（不一定是概念上的复杂，可能是由金钱、社会关系、地理位置等决定的），交易的潜在利润就越大。对很多人来说很容易的事情，一般来说，花费很少，甚至不能养活一个成年人，更不用说各种奢侈了。 Yuriy Asaulenko 2017.03.29 20:21 #3016 你做得越多，你就越能摆脱它。我们的世界的运作方式是，一个主题的盈利能力是一个单调的函数，即该主题的进入门槛的高度。进入的门槛越高（不一定是概念上的复杂性，可能是在金钱、社会关系、地理位置等方面），潜在的利润就越大。对许多人来说很容易的东西，通常花费不多，甚至不能养活一个成年人，更不用说所有的过度。 这当然是真的。但高准入门槛也会增加各种风险。不一定是财务问题。 mytarmailS 2017.03.29 20:23 #3017 的。对许多人来说，容易承担的事情，通常花费不大，甚至无法养活一个成年人....。++或者更确切地说，根本没有任何观点。 mytarmailS 2017.03.29 20:26 #3018 我看着这样的树枝，意识到它已经消失了...... toxic 2017.03.29 21:34 #3019 mytarmailS: 我看着这样的线程，意识到它已经消失了......其存在的事实本身就令人惊讶）））)这是一种不健康的话题，要大声谈论，非常详细，所以... Yuriy Asaulenko 2017.03.29 22:10 #3020 桑桑尼茨-弗门科。并非如此。系统性是指使用所有的东西：准备原始数据、拟合模型和评估该模型。在第一个近似值中，这一切都给出了响声--你可以看到并玩弄它。如果你拿我的文章 来说，劳动的投入是最小的（所有的东西都是几个小时），因为它不仅有说明，还有练习的数据。不过，我所说的系统性方法是指了解你在做什么，从而能够计划和预测你的行动结果。谢谢你的文章。我对任何特定的软件都不熟悉，所以它对新手来说是完美的--简单而清晰。但我不明白使用的是哪种方法，回归还是分类方法？ 自然，我立即开始在自己的系统上尝试。如果任何问题是困难的，那么上帝保佑，它将在戏剧的过程中被发现。1.我不使用蜡烛图进场和出场--只使用报价流，而蜡烛图只在前一个蜡烛图的历史上出现。虽然我可以让它按烛台学习，但如何让Rattle吞下当前烛台内的烛台报价流，仍然是个谜。应该以某种方式分析烛台的流动。2.如何处理可重建的预测器？例如，用回归线和sigmas。你甚至不能把它们粘贴到历史记录中（用于学习），我们需要的是能即时计算的函数，并从历史记录中删除它们之前的画。同样，还有一些闪闪发光的预测者，它们并不总是存在，是由系列的某些点建立起来的，总的来说也可以在剧中重建。4 第2项和第3项的预测因子的正常化问题--从根本上说是不可能的。而且在训练和工作过程中都应该计算关于预测因素的历史。到目前为止，我们留下了很多不理解的地方。 1...295296297298299300301302303304305306307308309...3399 新评论 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
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.
不幸的是，这个话题的进入门槛非常高。医学领域本身已经相当古老，只是不同的分支和方法的数量已经趋于无限。
而如果你以前没有处理过，你可能会淹没在这片信息的海洋中）。而且我不想捡零碎的东西，所有这些都需要对工具采取一些系统的方法。
但到目前为止，我还没有发现任何连贯的系统化信息。
对我来说，预测错误不是主要问题。对我来说，主要问题是重新训练模型。要么我有哪怕是微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拟合和处理过拟合的工具。简而言之，就是要清除输入预测器的噪音，而模型本身是次要的。
其他的事情我都不感兴趣，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，去势就会耗尽。
如果你在测试时有一个好的转速（出于训练样本），那么一切都没问题。从某种意义上说，过量进食是无法避免的，只能将其减少到一个可接受的水平。
PS： Mihail Marchukajtes先生 被提出来证明Reshetov分类器是很酷的，你也可以试试，我想知道是否有人能从这个数据中获得超过65%的准确率）））） 。
好吧，过度喂养是指在lern和测试上的量表不同，如果你在测试上有一个好的量表（在训练样本之外），那么一切都会好起来。从某种意义上说，过度喂养根本无法避免，只能将其减少到可接受的水平。
PS： Mihail Marchukajtes先生 被提出来证明Reshetov分类器的陡峭度，你也可以试试，我想知道是否有人能从这个数据中获得超过65%的准确度））） 。
一个测试员是一些收尾工作。而且你需要TC性能的置信区间。
不幸的是，进入这个学科的门槛非常高。医学领域本身是相当古老的，只是不同的分支和方法的数量已经趋于无限大。
而如果你以前没有处理过，你可能会淹没在这片信息的海洋中）。而且我不想捡零碎的东西，所有这些都需要对工具采取一些系统的方法。
但迄今为止，我还没有发现任何连贯的系统化信息。
并非如此。
系统性是指使用EVERYTHING：准备初始数据、拟合模型和评估该模型。
在第一个近似值中，这一切都给出了响声--你可以看到并玩弄它。如果你拿我的文章 来说，投入的劳动量是最小的（一切都要几个小时），因为它不仅给出了指示，还提供了练习的数据。
不幸的是，这个话题的进入门槛非常高。医学领域本身已经相当古老，只是不同的分支和方法的数量已经趋于无限。
而如果你以前没有处理过，你可能会淹没在这片信息的海洋中）。而且我不想捡零碎的东西，所有这些都需要对工具采取一些系统的方法。
但到目前为止，我还没有发现任何连贯的系统化信息。
我们的世界是这样结构的：话题的盈利能力是进入话题的门槛高度的单调函数。进入的门槛越高（不一定是概念上的复杂，可能是由金钱、社会关系、地理位置等决定的），交易的潜在利润就越大。
对很多人来说很容易的事情，一般来说，花费很少，甚至不能养活一个成年人，更不用说各种奢侈了。
我们的世界的运作方式是，一个主题的盈利能力是一个单调的函数，即该主题的进入门槛的高度。进入的门槛越高（不一定是概念上的复杂性，可能是在金钱、社会关系、地理位置等方面），潜在的利润就越大。
对许多人来说很容易的东西，通常花费不多，甚至不能养活一个成年人，更不用说所有的过度。
对许多人来说，容易承担的事情，通常花费不大，甚至无法养活一个成年人....。
++
或者更确切地说，根本没有任何观点。
我看着这样的线程，意识到它已经消失了......
其存在的事实本身就令人惊讶）））)
这是一种不健康的话题，要大声谈论，非常详细，所以...
并非如此。
系统性是指使用所有的东西：准备原始数据、拟合模型和评估该模型。
在第一个近似值中，这一切都给出了响声--你可以看到并玩弄它。如果你拿我的文章 来说，劳动的投入是最小的（所有的东西都是几个小时），因为它不仅有说明，还有练习的数据。
不过，我所说的系统性方法是指了解你在做什么，从而能够计划和预测你的行动结果。
谢谢你的文章。我对任何特定的软件都不熟悉，所以它对新手来说是完美的--简单而清晰。但我不明白使用的是哪种方法，回归还是分类方法？
自然，我立即开始在自己的系统上尝试。如果任何问题是困难的，那么上帝保佑，它将在戏剧的过程中被发现。
1.我不使用蜡烛图进场和出场--只使用报价流，而蜡烛图只在前一个蜡烛图的历史上出现。虽然我可以让它按烛台学习，但如何让Rattle吞下当前烛台内的烛台报价流，仍然是个谜。应该以某种方式分析烛台的流动。
2.如何处理可重建的预测器？例如，用回归线和sigmas。你甚至不能把它们粘贴到历史记录中（用于学习），我们需要的是能即时计算的函数，并从历史记录中删除它们之前的画。
同样，还有一些闪闪发光的预测者，它们并不总是存在，是由系列的某些点建立起来的，总的来说也可以在剧中重建。
4 第2项和第3项的预测因子的正常化问题--从根本上说是不可能的。
而且在训练和工作过程中都应该计算关于预测因素的历史。
到目前为止，我们留下了很多不理解的地方。