交易中的机器学习：理论、模型、实践和算法交易 - 页 744 1...737738739740741742743744745746747748749750751...3399 新评论 Grigoriy Chaunin 2018.03.15 05:44 #7431 Mihail Marchukajtes:记得我说过，我收到的是一个从2018年1月31日到现在一直在收益的模型，而这是这个模型从2018年5月3日到现在这两周的表现。测试结果。 对于一个靠40分训练的老太太来说，这已经是很好的成绩了，而且现在已经有1.5个月的时间在进行OOS。 这是她从2018年1月31日开始的全部OOS。 而你仍然认为它是一个合适的????让我提醒你，在屏幕截图中是OOS部分 虽然这些是测试器上的照片，但我从未见过监控。但我相信你。必须承认，你的方法是有效的。因此，我表示歉意。 Grigoriy Chaunin 2018.03.15 05:45 #7432 是的，定型观念在市场上没有地位，但它们是如此难以摆脱。 Mihail Marchukajtes 2018.03.15 05:48 #7433 格里戈里-乔宁。 虽然这些是测试器上的照片，但我从未见过监控。但我相信你。我不得不承认，你的方法很有效。因此，我表示歉意。接受道歉! 我只是一个实践者，而这里的大多数人是理论家和研究人员... Anatolii Zainchkovskii 2018.03.15 06:32 #7434 马克西姆-德米特里耶夫斯基。而这些联系是无法用数学方法找到的，所以你必须做傻瓜式的拟合或市场调查 :) 哑巴拟合也是一个很酷的事情，实际上，如果你用概括的方式马克思，我想知道神经网络或随机森林的作用...然后，当这种 "模式 "在未来出现时，机器将很容易识别它。事实上，这是一个50/50的预测，对于市场上的任何事情都是如此。 这里有一个突破三角形的例子，例如，在经典的情况下，拿的东西比损失大。现在将这种情况乘以50/50，我们就有了利润。这是如何利用机器学习制作一个盈利系统的最简单变体。 Maxim Dmitrievsky 2018.03.15 06:39 #7435 Anatolii Zainchkovskii: 马克思，我想知道神经网络或随机森林有什么作用，...然后，当这样的 "模式 "在未来出现时，机器很容易识别它。事实上，这是一个50/50的预测，对于市场上的任何事情都是如此。 这里有一个突破三角形的例子，例如，在经典的情况下，拿的东西比损失大。现在将这种情况乘以50/50，我们就有了利润。这是对如何在机器学习的基础上制作一个盈利系统的最简单解释。主要的问题是，用老师的训练本身并不能发现什么，而且特征与目标特征的比例并不总是由我们来选择，因此出现了很大的错误分类和重新训练，并有很多关于如何优化这一过程的话题。如果我们谈论的是一个成熟的NS机器人，它应该以最佳方式标记标签，而不需要专家（人类）的参与。现在是如何实现的--显示了一些联系，例如，通过强化学习，但有一些困难，如探索和利用问题，即在研究环境和使用获得的知识之间找到平衡，基本上相当于NS应该多久重新训练一次的难题，但在自动模式下。 Anatolii Zainchkovskii 2018.03.15 06:51 #7436 马克西姆-德米特里耶夫斯基。主要的问题是，用老师的训练本身并不能发现什么，而且特征与目标的比例并不总是被我们以最佳方式选择的，因此分类和再训练的误差很大，而且有很多关于如何优化这一过程的话题。如果我们谈论的是一个成熟的NS机器人，它应该以最佳方式标记标签，而不需要专家（人类）的参与。今天是如何实现的 - 我已经给你发了一些链接，例如，通过强化学习，但有一些困难，如探索和利用问题，即在学习环境和应用获得的知识之间找到平衡，事实上，这相当于一个两难的问题，多长时间需要重新训练NS，但在自动模式下。我不会说得太聪明，因为我的理论知识很微薄。我只能给出一个观察者和实践者的意见。事实上，你甚至可以用2个球来做，但那时的结果是一样的，我不会描述如何教这些球，这不是主要的问题。因此，作为观察者的大量测试，我可以说，重新训练的频率NS远远不是固定的东西，有时它变成了一组，是足够的，例如每周一次，和其他时间发生，足够的时间每月。 对于不同的数据集不同的频率重新训练。但最终我们仍然得到一个适合，只有一个适合不参数相同的机器和调整信号的机器上设置一个周期。能做多久呢？ 这就像在 "沼泽 "中，你永远不知道你什么时候踏入沼泽。 Maxim Dmitrievsky 2018.03.15 07:02 #7437 阿纳托利-扎因奇科夫斯基。我不会说得太聪明，因为我的理论知识非常少。我只能给出一个观察者和实践者的意见。预测器的选择是一个非常繁琐的过程，很多大的预测器是没有必要的。其实即使是2个掩码也可以管理，但这样的结果是合适的，我不会讲这些掩码如何教，这并不重要。因此，作为观察者的大量测试，我可以说，重新训练的频率NS远远不是固定的东西，有时它变成了一组，是足够的，例如每周一次，和其他时间发生，足够的时间每月。 对于不同的数据集不同的频率重新训练。但最终我们仍然得到一个适合，但不是一个拟合参数的同一台机器和调整信号的频率上的机器设置一个周期。这就像在沼泽里，你永远不知道你什么时候会进入沼泽。好吧，你需要足够的环境描述和正确的开关，大致来说，从模式到模式......因为模式的变化，是的 有些人通过切换不同的TS来解决这个问题，有些人则试图使一个但适应性强，有些人则试图将所有东西都适合于一个分布，就像亚历山大那样 米山抓住了正在增长的市场，在市场增长时，他欢欣鼓舞，但一旦开始动荡，他就会哭。 Anatolii Zainchkovskii 2018.03.15 08:10 #7438 马克西姆-德米特里耶夫斯基。好吧，你需要足够数量的环境状态描述和正确的开关，大致上说，从模式到模式......因为模式会改变，是的 有些人通过切换不同的TS来解决这个问题，有些人试图使一个但适应性强，有些人试图将所有东西都适合于一个单一的分布，比如亚历山大 米山在不断增长的市场上获得了利润，在市场增长的时候，他很高兴，但是一旦动荡开始，他就会开始哭泣。我希望他不要哭，但要及时重建）我们在这里不是为了争论...... Maxim Dmitrievsky 2018.03.15 08:46 #7439 阿纳托利-扎因奇科夫斯基。上帝保佑你不要哭，但要及时重建）我们在这里不是为了争论...如果没有适当的回溯测试，一个硬币游戏的结果是显而易见的。 Evgeny Raspaev 2018.03.15 10:02 #7440 大家下午好。 我想总结一下...比如说，我们对未来的蜡烛了解多少？我们知道开放时间，关闭时间。我们知道，它可能有3种状态：上升方向的白色蜡烛，下降方向的黑色蜡烛和十字星。我们知道，出现 "长 "或 "大蜡烛 "的概率是，你知道的）。- 与 "平均 "蜡烛或十字星相比是很小的。我们可以找到一个通道，或者称之为一个区间，价格在其中移动。就这样吗，我们不知道其他事情吗？它太小了，即使是对一个简单的分类，如下跌的蜡烛或上升的蜡烛，也无法做出预测......如果你不试图预测方向...如果不预测方向，就没有办法进入交易...关于未来的蜡烛图，我们还能说些什么，使我们能够对它进行分类？毕竟所有基于过去数据的预测都会给出过去蜡烛图的迹象。而对这一数据的预测被表述为 "今天会像昨天一样"--这不是好....。 1...737738739740741742743744745746747748749750751...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
记得我说过，我收到的是一个从2018年1月31日到现在一直在收益的模型，而这是这个模型从2018年5月3日到现在这两周的表现。测试结果。
对于一个靠40分训练的老太太来说，这已经是很好的成绩了，而且现在已经有1.5个月的时间在进行OOS。
这是她从2018年1月31日开始的全部OOS。
而你仍然认为它是一个合适的????让我提醒你，在屏幕截图中是OOS部分
虽然这些是测试器上的照片，但我从未见过监控。但我相信你。我不得不承认，你的方法很有效。因此，我表示歉意。
接受道歉!
我只是一个实践者，而这里的大多数人是理论家和研究人员...
而这些联系是无法用数学方法找到的，所以你必须做傻瓜式的拟合或市场调查 :)
哑巴拟合也是一个很酷的事情，实际上，如果你用概括的方式
马克思，我想知道神经网络或随机森林的作用...然后，当这种 "模式 "在未来出现时，机器将很容易识别它。事实上，这是一个50/50的预测，对于市场上的任何事情都是如此。 这里有一个突破三角形的例子，例如，在经典的情况下，拿的东西比损失大。现在将这种情况乘以50/50，我们就有了利润。这是如何利用机器学习制作一个盈利系统的最简单变体。
马克思，我想知道神经网络或随机森林有什么作用，...然后，当这样的 "模式 "在未来出现时，机器很容易识别它。事实上，这是一个50/50的预测，对于市场上的任何事情都是如此。 这里有一个突破三角形的例子，例如，在经典的情况下，拿的东西比损失大。现在将这种情况乘以50/50，我们就有了利润。这是对如何在机器学习的基础上制作一个盈利系统的最简单解释。
主要的问题是，用老师的训练本身并不能发现什么，而且特征与目标特征的比例并不总是由我们来选择，因此出现了很大的错误分类和重新训练，并有很多关于如何优化这一过程的话题。如果我们谈论的是一个成熟的NS机器人，它应该以最佳方式标记标签，而不需要专家（人类）的参与。现在是如何实现的--显示了一些联系，例如，通过强化学习，但有一些困难，如探索和利用问题，即在研究环境和使用获得的知识之间找到平衡，基本上相当于NS应该多久重新训练一次的难题，但在自动模式下。
主要的问题是，用老师的训练本身并不能发现什么，而且特征与目标的比例并不总是被我们以最佳方式选择的，因此分类和再训练的误差很大，而且有很多关于如何优化这一过程的话题。如果我们谈论的是一个成熟的NS机器人，它应该以最佳方式标记标签，而不需要专家（人类）的参与。今天是如何实现的 - 我已经给你发了一些链接，例如，通过强化学习，但有一些困难，如探索和利用问题，即在学习环境和应用获得的知识之间找到平衡，事实上，这相当于一个两难的问题，多长时间需要重新训练NS，但在自动模式下。
我不会说得太聪明，因为我的理论知识很微薄。我只能给出一个观察者和实践者的意见。事实上，你甚至可以用2个球来做，但那时的结果是一样的，我不会描述如何教这些球，这不是主要的问题。因此，作为观察者的大量测试，我可以说，重新训练的频率NS远远不是固定的东西，有时它变成了一组，是足够的，例如每周一次，和其他时间发生，足够的时间每月。 对于不同的数据集不同的频率重新训练。但最终我们仍然得到一个适合，只有一个适合不参数相同的机器和调整信号的机器上设置一个周期。能做多久呢？ 这就像在 "沼泽 "中，你永远不知道你什么时候踏入沼泽。
我不会说得太聪明，因为我的理论知识非常少。我只能给出一个观察者和实践者的意见。预测器的选择是一个非常繁琐的过程，很多大的预测器是没有必要的。其实即使是2个掩码也可以管理，但这样的结果是合适的，我不会讲这些掩码如何教，这并不重要。因此，作为观察者的大量测试，我可以说，重新训练的频率NS远远不是固定的东西，有时它变成了一组，是足够的，例如每周一次，和其他时间发生，足够的时间每月。 对于不同的数据集不同的频率重新训练。但最终我们仍然得到一个适合，但不是一个拟合参数的同一台机器和调整信号的频率上的机器设置一个周期。这就像在沼泽里，你永远不知道你什么时候会进入沼泽。
好吧，你需要足够的环境描述和正确的开关，大致来说，从模式到模式......因为模式的变化，是的
有些人通过切换不同的TS来解决这个问题，有些人则试图使一个但适应性强，有些人则试图将所有东西都适合于一个分布，就像亚历山大那样
米山抓住了正在增长的市场，在市场增长时，他欢欣鼓舞，但一旦开始动荡，他就会哭。
好吧，你需要足够数量的环境状态描述和正确的开关，大致上说，从模式到模式......因为模式会改变，是的
有些人通过切换不同的TS来解决这个问题，有些人试图使一个但适应性强，有些人试图将所有东西都适合于一个单一的分布，比如亚历山大
米山在不断增长的市场上获得了利润，在市场增长的时候，他很高兴，但是一旦动荡开始，他就会开始哭泣。
我希望他不要哭，但要及时重建）我们在这里不是为了争论......
上帝保佑你不要哭，但要及时重建）我们在这里不是为了争论...
如果没有适当的回溯测试，一个硬币游戏的结果是显而易见的。
大家下午好。
我想总结一下...比如说，我们对未来的蜡烛了解多少？我们知道开放时间，关闭时间。我们知道，它可能有3种状态：上升方向的白色蜡烛，下降方向的黑色蜡烛和十字星。我们知道，出现 "长 "或 "大蜡烛 "的概率是，你知道的）。- 与 "平均 "蜡烛或十字星相比是很小的。我们可以找到一个通道，或者称之为一个区间，价格在其中移动。就这样吗，我们不知道其他事情吗？它太小了，即使是对一个简单的分类，如下跌的蜡烛或上升的蜡烛，也无法做出预测......如果你不试图预测方向...如果不预测方向，就没有办法进入交易...关于未来的蜡烛图，我们还能说些什么，使我们能够对它进行分类？毕竟所有基于过去数据的预测都会给出过去蜡烛图的迹象。而对这一数据的预测被表述为 "今天会像昨天一样"--这不是好....。