交易中的机器学习：理论、模型、实践和算法交易 - 页 3305 1...329832993300330133023303330433053306330733083309331033113312...3399 新评论 Maxim Dmitrievsky 2023.10.15 12:38 #33041 Aleksey Nikolayev #: 不久前，论坛上有人给出了这种效应的名称（我还没找到），因为接近 SB 的序列似乎具有周期性。这种效应与科学界许多不光彩的时刻有关，当时通过傅立叶 "发现 "了过程中的周期性，无线电业余爱好者因此在论坛上永垂不朽）。 尺度不变性？ 摩尔效应） 似乎可以用这种方法来描述尺度不变性，而且不会成为无线电爱好者的研究课题。只有没有傅立叶，但市场周期如每小时和每天，会描述不同的活动。 Aleksey Nikolayev 2023.10.15 12:56 #33042 Maxim Dmitrievsky #:规模不变性？摩尔效应） Not) Slutsky-Yule，找到帖子 了。我想还发现了其他一些类似的效应，但我记不清楚了。当然，本地无线电爱好者并不关心这些。） СанСаныч Фоменко 2023.10.15 12:56 #33043 Maxim Dmitrievsky #:这是一篇关于如何正确进行神经网络 BP 表示的优秀论文。当然，FFT 可以去掉。并进一步比较了不同的模型。最根本的区别在于，预处理是内置于网络架构中的。但也可以单独进行。LSTM 在后台冒烟，因为它没有考虑跨期变化。 根据他们的测试结果，助推技术在排名中也接近末尾。 人们认为，无论采用哪种工具，MO 的绝大多数应用都是在教师和预测因子之间存在 "自然 "关系的领域。例如，天气预报：温度、湿度...... 另一方面，我们坐在这里，挖空心思想出一些我们凭空想象出来的预测因子，并出于某种原因希望它们能预测交易订单。 因此，我们对任何带有 "自然 "预测因子的出版物都不感兴趣。不幸的是 Aleksey Nikolayev 2023.10.15 12:57 #33044 Aleksey Vyazmikin #:如何证明恰恰相反？我认为，有时间限制的事件--同样的新闻。我认为，如果我们分为三个子样本--预期的、更坏的、更好的，并考虑到背景，我们就会发现市场参与者的行为是相似的。另一种选择是商品的季节性。 到底是什么呢？ Maxim Dmitrievsky 2023.10.15 13:02 #33045 СанСаныч Фоменко #:人们认为，无论采用何种工具，MO 的绝大多数应用都是在教师和预测者之间存在 "自然 "关系的领域。例如，天气预报：温度、湿度 ...我们坐在这里挖空心思，凭空想象出一些预测因子，出于某种原因，我们希望它们能预测交易订单。因此，我们对任何带有 "自然 "预测因子的出版物都不感兴趣。不幸的是嗯，这只是向模型提供特质的一个方面，看起来合乎逻辑。至于之后如何处理，当然是个深奥的问题。 例如，这种方法可以在一个样本中塞进更多的故事 СанСаныч Фоменко 2023.10.15 13:06 #33046 Aleksey Nikolayev #: 没有）Slutsky-Yula，找到帖子 了。我想还发现了其他一些类似的效应，但我记不清楚了。至少现在人们已经接受了要注意视周期性，当然本地无线电爱好者并不关心这些）。 为什么不呢？ 有些经济过程具有明显而非推测的周期性。比如收获。这样的过程还有很多。有一些模型，周期性是其中的一个参数。 另一个问题是，有必要将现实中存在的周期性与借助一些傅立叶推导出的周期性区分开来，后者在外汇市场上非常盛行。大约 10 年前，无线电工程师并不缺乏。很多人都不明白，任何数学模型的一个非常重要的特性应该是它的可解释性，即把模型的这些或那些参数和特性与现实进行比较的可能性。当我们在周期可变的图表上看到明显的波浪时，我们就开始编造一些需求建议，而这些建议却不知从何而来，其结果就是相应的。 СанСаныч Фоменко 2023.10.15 13:08 #33047 Maxim Dmitrievsky #:嗯，这只是向模型提供符号的一个方面，看起来合乎逻辑。至于之后如何处理，当然是个深奥的问题。 例如，这种方法可以在一个样本中塞进更多的故事 在我们这里，垃圾进就是垃圾出，而大多数人并没有垃圾进。 mytarmailS 2023.10.15 13:12 #33048 认为傅立叶只与周期性有关，就像认为音乐只与说唱有关一样...你不是在嘲笑无线电业余爱好者，而是在嘲笑自己不识字。 Maxim Dmitrievsky 2023.10.15 13:12 #33049 СанСаныч Фоменко #:在我们这里，垃圾进就是垃圾出，而大多数人没有垃圾出。 我们需要一种能够挖掘垃圾的无业游民算法。 "从泥土到公爵"，你可以称之为系列文章。 Aleksey Nikolayev 2023.10.15 13:14 #33050 更仔细的学习会产生从对特定样本的概括到记忆的转变，这似乎是一种普遍现象，直观上也是显而易见的。就我个人而言，我的解释是，如果使用的模型（例如决策树）的参数数不断增加，那么迭代次数越多，参数数就越多。对于参数数量固定的模型，情况就比较复杂了，但我们或许可以说，随着迭代次数的增加，参数空间被 "使用得更多"。更简单地说，可供选择的方案数量增加了，选择所需的方案也就更容易了。例如，从 1000 个 SB 变体中选择最可跟踪的变体，会比从 100 个变体中选择更符合潮流。 PS.关于这一点 1...329832993300330133023303330433053306330733083309331033113312...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
不久前，论坛上有人给出了这种效应的名称（我还没找到），因为接近 SB 的序列似乎具有周期性。这种效应与科学界许多不光彩的时刻有关，当时通过傅立叶 "发现 "了过程中的周期性，无线电业余爱好者因此在论坛上永垂不朽）。
尺度不变性？
摩尔效应）
似乎可以用这种方法来描述尺度不变性，而且不会成为无线电爱好者的研究课题。只有没有傅立叶，但市场周期如每小时和每天，会描述不同的活动。
规模不变性？
摩尔效应）
这是一篇关于如何正确进行神经网络 BP 表示的优秀论文。当然，FFT 可以去掉。并进一步比较了不同的模型。
最根本的区别在于，预处理是内置于网络架构中的。但也可以单独进行。
LSTM 在后台冒烟，因为它没有考虑跨期变化。
根据他们的测试结果，助推技术在排名中也接近末尾。人们认为，无论采用哪种工具，MO 的绝大多数应用都是在教师和预测因子之间存在 "自然 "关系的领域。例如，天气预报：温度、湿度......
另一方面，我们坐在这里，挖空心思想出一些我们凭空想象出来的预测因子，并出于某种原因希望它们能预测交易订单。
因此，我们对任何带有 "自然 "预测因子的出版物都不感兴趣。不幸的是
如何证明恰恰相反？
我认为，有时间限制的事件--同样的新闻。我认为，如果我们分为三个子样本--预期的、更坏的、更好的，并考虑到背景，我们就会发现市场参与者的行为是相似的。
另一种选择是商品的季节性。
到底是什么呢？
人们认为，无论采用何种工具，MO 的绝大多数应用都是在教师和预测者之间存在 "自然 "关系的领域。例如，天气预报：温度、湿度 ...
我们坐在这里挖空心思，凭空想象出一些预测因子，出于某种原因，我们希望它们能预测交易订单。
因此，我们对任何带有 "自然 "预测因子的出版物都不感兴趣。不幸的是
嗯，这只是向模型提供特质的一个方面，看起来合乎逻辑。至于之后如何处理，当然是个深奥的问题。
例如，这种方法可以在一个样本中塞进更多的故事没有）Slutsky-Yula，找到帖子 了。我想还发现了其他一些类似的效应，但我记不清楚了。至少现在人们已经接受了要注意视周期性，当然本地无线电爱好者并不关心这些）。
为什么不呢？
有些经济过程具有明显而非推测的周期性。比如收获。这样的过程还有很多。有一些模型，周期性是其中的一个参数。
另一个问题是，有必要将现实中存在的周期性与借助一些傅立叶推导出的周期性区分开来，后者在外汇市场上非常盛行。大约 10 年前，无线电工程师并不缺乏。很多人都不明白，任何数学模型的一个非常重要的特性应该是它的可解释性，即把模型的这些或那些参数和特性与现实进行比较的可能性。当我们在周期可变的图表上看到明显的波浪时，我们就开始编造一些需求建议，而这些建议却不知从何而来，其结果就是相应的。
嗯，这只是向模型提供符号的一个方面，看起来合乎逻辑。至于之后如何处理，当然是个深奥的问题。
例如，这种方法可以在一个样本中塞进更多的故事在我们这里，垃圾进就是垃圾出，而大多数人并没有垃圾进。
在我们这里，垃圾进就是垃圾出，而大多数人没有垃圾出。
我们需要一种能够挖掘垃圾的无业游民算法。
"从泥土到公爵"，你可以称之为系列文章。
更仔细的学习会产生从对特定样本的概括到记忆的转变，这似乎是一种普遍现象，直观上也是显而易见的。
就我个人而言，我的解释是，如果使用的模型（例如决策树）的参数数不断增加，那么迭代次数越多，参数数就越多。对于参数数量固定的模型，情况就比较复杂了，但我们或许可以说，随着迭代次数的增加，参数空间被 "使用得更多"。
更简单地说，可供选择的方案数量增加了，选择所需的方案也就更容易了。例如，从 1000 个 SB 变体中选择最可跟踪的变体，会比从 100 个变体中选择更符合潮流。
PS.关于这一点