交易中的机器学习：理论、模型、实践和算法交易 - 页 3074 1...306730683069307030713072307330743075307630773078307930803081...3399 新评论 mytarmailS 2023.05.12 23:50 #30731 fxsaber #:再提一次你的问题。 如果你在真实的外汇市场上交易过，他们难道不会在晚上凌晨 1 点左右扩大点差？就像普通厨房一样。 fxsaber 2023.05.13 08:02 #30732 mytarmailS #: 如果你在真实的外汇市场上交易过，他们不是会在晚上凌晨 1 点左右扩大点差吗？就像普通厨房一样。 . Rashid Umarov 2023.05.13 16:05 #30733 与本主题无关的评论已移至"非 主题"。 Maxim Dmitrievsky 2023.05.13 18:47 #30734 Valeriy Yastremskiy #:是的，M5）我现在重复一遍）还好我有 enidesk 和工作电脑))))。270 美元。最好的 sl 为 11500，总的来说，5200 sl 和 350 tp 的效果差不多。 也许差价太大了。我有更多的利润，但总体曲线是一样的。过去几年的学习曲线确实有点粗糙。但前几年更好。 Aleksey Vyazmikin 2023.05.13 20:52 #30735 Andrey Dik #:如果世界不平滑，一切会是什么样子..... 是的，所有 "生命 "在做出下一个决定时都是盲目的，但如果知道（看到）更好的决定，那么做出决定的意义就消失了--自由意志消失了？ 有很多搜索策略，无论是否开放，但众所周知，面向社会已知的最优方案并不总能找到更好的解决方案（又是集体思维陷阱的悖论）。 在市场中，这种最佳状态是不断变化的，就像地震后地球的地形....。因此，我们的任务是预测地震何时发生，或在地震后发生，但最重要的是预测何时需要寻找新的最优....。 Maxim Dmitrievsky 2023.05.14 11:17 #30736 比较不同方法的论文。除了视频和书籍外。它有许多其他论文的参考文献。它不在统计学章节或 MOE 书籍中。有点像计量经济学里应该有的内容，但也没有。不知何故，它独树一帜。其中一位研究人员（我想是在 2018 年提出双机器学习的）是我们的移民切尔诺茹科夫。他的工作也是用英语进行的。普拉多显然也从那里采用了他的元模型。但非常肤浅。https://arxiv.org/pdf/2201.12692.pdf СанСаныч Фоменко 2023.05.14 13:41 #30737 Maxim Dmitrievsky #: 比较不同方法的论文。除了视频和书籍外。它有许多其他论文的参考文献。 它不在统计学章节或 MOE 书籍中。有点像计量经济学里应该有的内容，但也没有。它是独立的。 其中一位研究人员（我想是在 2018 年提出双机器学习的）是我们的移民切尔诺茹科夫。他的工作也是用英语进行的。普拉多显然也从那里采用了他的元模型。 https://arxiv.or g/pdf/2201.12692.pdf 从这幅图中可以看出。 对于 MO 来说，顺序抽样是不可接受的，只能是随机抽样，而且不仅仅是随机抽样。 СанСаныч Фоменко 2023.05.14 16:40 #30738 СанСаныч Фоменко #:从这张照片开始。对于 MO 来说，顺序抽样是不允许的，只能是随机抽样，而且不仅仅是随机抽样。 Maxim Dmitrievsky#: 比较不同方法的论文。除了视频和书以外。它有许多其他论文的参考文献。 统计部分或 MOE 书籍中都没有这篇文章。有点像计量经济学里应该有的内容，但也没有。可以说是独树一帜。 其中一位研究人员（我想是在 2018 年提出双机器学习的）是我们的移民切尔诺茹科夫。他的工作也是用英语进行的。普拉多显然也从那里采用了他的元模型。 https://arxiv.or g/pdf/2201.12692.pdf 精彩的文章！ 根据我对应用的理解，分类结果不仅取决于原始数据的质量，还取决于我们如何形成训练集和评估集。还有一些我还不了解的东西。 Maxim Dmitrievsky 2023.05.14 17:19 #30739 СанСаныч Фоменко #:精彩的文章！根据我对应用的理解，分类结果不仅取决于原始数据的质量，还取决于我们如何形成训练集和评估集。还有其他一些我还不了解的因素。 嘿嘿。在看这个视频之前，多看看视频，也许就会明白了。重点是要在数据中找到这样的样本，比方说带有特征值向量 W 的 X，它们对训练（在我们的例子中是对模型的训练）的反应尽可能好，并将它们分配到 "要交易 "类，而其他样本最好不要碰，即 "不要交易"，因为它们对训练的反应很差（在新数据中，模型在将它们纳入训练组时犯了错误）。在市场营销中，这些都是用户实例。其中一个用户样本会受到广告活动的影响，但其他用户样本则不值得使用广告活动预算。 我是这样理解 TC 的。 СанСаныч Фоменко 2023.05.14 19:44 #30740 Maxim Dmitrievsky #:嘿嘿。在此之前多看看视频，也许会更清楚。重点是在数据中找到这样的样本，比方说带有特征值向量 W 的 X，它们对训练（在我们的例子中是模型的训练）的反应尽可能好，并将它们分配到 "要交易 "类，而其他样本最好不要碰，"不要交易"，因为它们对训练的反应不好（在新数据中，模型在将它们纳入训练组时犯了错）。在市场营销中，这些都是用户实例。当一个用户样本会受到广告活动的影响，但将广告活动预算用在其他用户身上是不合适的。我是这样理解 TC 的。 你的理解始终带有决定论的味道，而这篇文章则是随机性的神化，甚至是在不平衡的数据上。没有样本选择，恰恰相反。我们推荐 X-learner 首先估算两个响应函数 µ(x, 1) 和 µ(x, 0)。然后，它使用这些估计值来估算被治疗者（˜ξ 1 i）和对照组（˜ξ 0 i）未观察到的个体治疗效果。这些估算效应反过来作为伪结果，分别用于估算治疗样本 τ (x, 1) 和对照样本 τ (x, 0) 的治疗效应。最终的 CATE 估计值 τ (x) 是这些治疗效果估计值的加权平均值，并由倾向得分 e(x) 加权。因此，X-learner 以交叉回归的方式额外使用了受治疗者的信息来了解对照组的情况，反之亦然，因此其命名标签中出现了 X 一词。 没有什么比这更 "好 "的选择了。 时间序列分类问题中的因果推理 1...306730683069307030713072307330743075307630773078307930803081...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
再提一次你的问题。
如果你在真实的外汇市场上交易过，他们不是会在晚上凌晨 1 点左右扩大点差吗？就像普通厨房一样。
.
是的，M5）
我现在重复一遍）还好我有 enidesk 和工作电脑))))。
270 美元。最好的 sl 为 11500，总的来说，5200 sl 和 350 tp 的效果差不多。
也许差价太大了。我有更多的利润，但总体曲线是一样的。过去几年的学习曲线确实有点粗糙。但前几年更好。
在市场中，这种最佳状态是不断变化的，就像地震后地球的地形....。因此，我们的任务是预测地震何时发生，或在地震后发生，但最重要的是预测何时需要寻找新的最优....。
比较不同方法的论文。除了视频和书籍外。它有许多其他论文的参考文献。
从这幅图中可以看出。
对于 MO 来说，顺序抽样是不可接受的，只能是随机抽样，而且不仅仅是随机抽样。
从这张照片开始。
对于 MO 来说，顺序抽样是不允许的，只能是随机抽样，而且不仅仅是随机抽样。
比较不同方法的论文。除了视频和书以外。它有许多其他论文的参考文献。
精彩的文章！
根据我对应用的理解，分类结果不仅取决于原始数据的质量，还取决于我们如何形成训练集和评估集。还有一些我还不了解的东西。
精彩的文章！
根据我对应用的理解，分类结果不仅取决于原始数据的质量，还取决于我们如何形成训练集和评估集。还有其他一些我还不了解的因素。
嘿嘿。在看这个视频之前，多看看视频，也许就会明白了。重点是要在数据中找到这样的样本，比方说带有特征值向量 W 的 X，它们对训练（在我们的例子中是对模型的训练）的反应尽可能好，并将它们分配到 "要交易 "类，而其他样本最好不要碰，即 "不要交易"，因为它们对训练的反应很差（在新数据中，模型在将它们纳入训练组时犯了错误）。在市场营销中，这些都是用户实例。其中一个用户样本会受到广告活动的影响，但其他用户样本则不值得使用广告活动预算。
我是这样理解 TC 的。
嘿嘿。在此之前多看看视频，也许会更清楚。重点是在数据中找到这样的样本，比方说带有特征值向量 W 的 X，它们对训练（在我们的例子中是模型的训练）的反应尽可能好，并将它们分配到 "要交易 "类，而其他样本最好不要碰，"不要交易"，因为它们对训练的反应不好（在新数据中，模型在将它们纳入训练组时犯了错）。在市场营销中，这些都是用户实例。当一个用户样本会受到广告活动的影响，但将广告活动预算用在其他用户身上是不合适的。
我是这样理解 TC 的。
你的理解始终带有决定论的味道，而这篇文章则是随机性的神化，甚至是在不平衡的数据上。没有样本选择，恰恰相反。我们推荐 X-learner
首先估算两个响应函数 µ(x, 1) 和 µ(x, 0)。然后，它使用这些估计值来估算被治疗者（˜ξ 1 i）和对照组（˜ξ 0 i）未观察到的个体治疗效果。这些估算效应反过来作为伪结果，分别用于估算治疗样本 τ (x, 1) 和对照样本 τ (x, 0) 的治疗效应。最终的 CATE 估计值 τ (x) 是这些治疗效果估计值的加权平均值，并由倾向得分 e(x) 加权。因此，X-learner 以交叉回归的方式额外使用了受治疗者的信息来了解对照组的情况，反之亦然，因此其命名标签中出现了 X 一词。
没有什么比这更 "好 "的选择了。