This article highlights using prophet for forecasting the markets. You can find a jupyter notebook with the full code used in this post here. For this article, we’ll be using S&P 500 data from FRED. You can download this data into CSV format yourself or just grab a copy from the my github ‘examples’ directory here. let’s load our data and plot...
Keras is a high-level neural networks API, written in Python and capable of running on top of TensorFlow, CNTK, or Theano. It was developed with a focus on enabling fast experimentation. Being able to go from idea to result with the least possible delay is key to doing good research. Use Keras if you need a deep learning library that: Allows...
Neeraj Bokde, Gualberto Asencio-Cortes and Francisco Martinez-Alvarez
cran.r-project.org
This section discusses about the examples to introduce the use of the PSF package and to compare it with auto.arima() and ets() functions, which are well accepted functions in the R community working over time series forecasting techniques. The data used in this example are ’nottem’ and ’sunspots’ which are the standard time series dataset...
特别是如果我们使用多维聚类，我们可以尝试用特征和向量来喂养，比如说，增量的滞后......把它们分成几组--哪些特征对应于未来的哪些增量
然后应用于这个集合进行NS的训练，例如......即像数据挖掘一样
是的，正是在训练前......或作为TS的一个单独的东西。
顺便说一下，在许多Python包中（R中应该也有），除了batch_size之外还有这样一个东西--作为time_steps，它只是在时间序列分析中使用。也就是说，一个时间_步长的矩阵立即被送入输入，在模型内的张量中被考虑到了。
我可能有点惊讶，我不习惯这种事情。
市场是相互联系的，所以资本在一个整体系统内流动。因此，如果你有一个好的深度模型和计算资源，当然可以捕捉到这些货币群众的运动。
特别是如果我们使用多维聚类，我们可以尝试用特征和向量来喂养，比如说，增量的滞后......把它们分成几组--哪些特征对应于未来的哪些增量
然后应用于这个集合的训练NS，例如......即像数据挖掘一样
是的，正是在训练前......或作为TS的一个单独的东西。
而关于数据挖掘，我喜欢@Mihail Marchukajtes 关于期权和波动性微笑的想法。只是在解析器上有个小插曲。
到目前为止，我有某种未知的自回归模型过度优化+自适应元素的混合物......未知的东西，但很有趣，我把我学到的一切都放进去了:)
它有点作用，但不一定。
当我没有想法的时候，我会尝试一些市场间分析，或者像期权这样的外部信息。如果我学到了新东西，就会有效果，但当我没有想法的时候就不一定了。
如果你想把价差考虑在内，你已经找到了问题所在。如果你在做点球的话，你需要点球。
因此，在训练时，通过CopySpread将数据从历史上卸下来，在条形图上有最小的传播。由于MOE引导波段分析，那么为了正确计算价差，需要在计算的时刻，即开盘、收盘、高点或低点（取决于你想加入这个价差）。例如，我与公开价格合作。当然，一个条形图中的最小点差几乎从不等于条形图开盘时的点差。因此，TP或SL可能与现实中的设定相差10-20个点。也就是说，系统的盈利能力将与MO模型所假设的完全不同。
因此，在现实中无法重现单杠上最小间距的训练。
也就是说，我们在两个地方有问题。
1 - 在历史上，我们在此基础上学习（传播是不同的）。
2 - 在做交易的时候（如果在酒吧开业的时候做出决定）。不同的点差会给出不同的TP和SL。我在比较训练有素的模型在开盘价 和实盘价上的结果时注意到了这个特殊性。差异是非常大的。也就是说，在实际交易中，差异也会很大。
要么不使用点差（从而从可教系统的能力上拒绝使用剥头皮的可能性），要么收集矩阵在真实点位上进行训练，然后在真实点位上进行测试--这比开盘价测试要花很多时间。作为一个替代方案，为了加快进程，我们之前可以创建一个自定义的符号，通过真实的ticks并收集必要的点差。
我看迄今为止的MO模型：模型给出了进入与否的决定，剩下的就是资金管理和交易策略的问题。
简而言之：进场点、利润率、点数并不都是为了一个简单的模型。特别是在烛台历史上，神经网络的学习效果很好。
如果我们把选择进入/退出点或任何其他细节转移到MetaTrader 2，我会用第二个模型来做。或者使模型复杂化，在这种情况下，只有使用平行张量的深度学习才能有效地工作。
我看到目前为止的MO模型：模型给出了进入或不进入的决定，剩下的都是资金管理和交易策略的问题。
简而言之：进场点、利润率、点数 - 一切都不是为了一个简单的模型。此外，神经网络能很好地从烛台历史中学习。
如果我们把选择进入/退出点或任何其他细节转移到MetaTrader 2，我会用第二个模型来做。在这种情况下，只有使用平行张量的深度学习才会有效。
你试过Facebook的先知吗？
由于某些原因，我的liba顽固地拒绝安装，把anaconda、python......它挂在安装阶段，就是这样。我朋友的liba可以工作。
这只是另一个有趣的例子
http://pythondata.com/stock-market-forecasting-with-prophet/
你试过Facebook的先知吗？
由于某些原因，我的liba顽固地拒绝安装，把anaconda、python......它挂在安装阶段，就是这样。我朋友的liba可以工作。
这只是另一个有趣的例子
http://pythondata.com/stock-market-forecasting-with-prophet/
我读过这些文章，说实话，我对布朗博士的做法印象不深。
另一方面，图书馆也很有趣。我相信通过趋势性的模型来看，这将是很有趣的。
目前，我将坚持使用Keras。特别是用强化训练，与Keras-RL 一起实施很容易。
关于安装的注意事项，当使用Anaconda时，应通过 "conda "而不是 "pip "来安装软件包。
由于某些原因，我的liba顽固地拒绝安装...
https://cran.r-project.org/web/packages/PSF/vignettes/PSF_vignette.html
不要为vr的 "高级 "游戏而哭泣))))。
https://cran.r-project.org/web/packages/PSF/vignettes/PSF_vignette.html
有意思的是......对于Python我找不到
我已经堆积了很多东西，是时候建立一个新的机器人了 :)
关于安装的注意事项，当使用Anaconda时，软件包应该通过 "conda "而不是 "pip "来安装。
是的，我是通过导管做的，并通过pip在赤裸裸的python中做的......我的系统本身有一个错误，它不能构建和编译我下载的东西......也许我需要重新手工下载它
这没什么可担心的。