交易中的机器学习：理论、模型、实践和算法交易 - 页 817

[Yuriy Asaulenko]

马克西姆-德米特里耶夫斯基。

我很久以前就把它扔了，现在我回来了，因为有一些有趣的观点（甚至不是关于贝叶斯NS本身，而是原则上的）。

也有2部分。按作者搜索。

[Maxim Dmitrievsky]

尤里-阿索连科。

还有一个第二部分。在作者身上查一查。

是的，我知道。

[Andrey Dik]

马克西姆-德米特里耶夫斯基。

是的，如果没有人有任何想法，我们为什么不直接用概率呢？

我只是觉得这是剩下的最后一件事，如果不能改善TS，再培训原则上是不能克服的。

已经有一些有趣的想法，我暂时保留，以免激起 "同情者 "的心思

这里只是一篇有趣的文章

https://habrahabr.ru/post/276355/

这很有趣。它似乎是众所周知的......但它有助于使人们想到一些新的想法。

重要的可能不是材料中的内容，而是材料的呈现方式。

[СанСаныч Фоменко]

阿廖沙。

如果某个保安或店员会根据他的 "直觉 "扭动旋钮，那么用马丁的Marshkas、python上的ML或R都无所谓，结果都是一样的，Fa至少在知情的情况下提供了一个蹩脚的GARCH，过去的价格是对未来的最佳预测，Fa不是在徒劳地安抚人们，在这一点上他更诚实。

第一百次了。

1.数据化是必须的。必须首先只选择那些对目标变量有影响的预测因子。然后是所有的数据挖掘。

2.有两种模式。

• 分类，应自动找到模式
• 应考虑到时间序列的 统计特征 的GARCH

3.如果可能的话，用交叉验证法训练模型

4.对训练文件之外的模型进行评估

5.在测试器中测试运行。

第一百次，所有的步骤都是强制性的!

在做了所有这些之后，你可以做出假设，即库房不会立即售罄!

我们走吧，伙计们!结束在论坛上的闲逛，带着安静的喜悦去实施R的概要计划。

欢呼三声!

[Alexander_K2]

带着不羁的圣杯 的迈克尔在哪里？

[Dr. Trader]

在岛屿上 :)

[Alexander_K2]

阿廖沙。

如果是马汀、python上的ML或R，如果是某个保安或店员根据他的 "直觉 "在转圈，这并不重要，结果是一样的，Fa至少在知情的情况下提供了一个蹩脚的GARCH，其过去的价格是对未来的最佳预测，Fa不是为了让人们感觉良好，他更诚实。

这里唯一聪明的人是阿廖沙...

[Aleksey Vyazmikin]

你能告诉我哪种神经网络 算法可以用来揭示 "计算 "列的逻辑（神经元）？

三角洲<200	三角洲<350	Delta>350	ZZ_D	计算
0	1	0	1	1
0	1	0	1	1
1	0	0	1	0
1	0	0	-1	0
1	0	0	1	0
1	0	0	-1	0
0	0	1	1	1
0	1	0	1	1
0	0	1	1	1
0	0	1	1	1
1	0	0	-1	0
1	0	0	1	0
0	1	0	1	1
0	1	0	1	1
0	1	0	1	1
0	0	1	1	1
0	1	0	1	1
0	1	0	1	1
1	0	0	-1	0
0	0	1	1	1
0	1	0	-1	0
0	1	0	1	1
1	0	0	-1	0
0	1	0	1	1
0	1	0	-1	0
0	0	1	1	1
0	1	0	1	1
1	0	0	-1	0
0	1	0	1	1
1	0	0	-1	0
1	0	0	1	0

[Maxim Dmitrievsky]

安德烈-迪克

有趣的是，似乎一切都已经知道了...但却贡献了新的思想。

重要的可能不是材料中的内容，而是材料的呈现方式。

是的，而且RBM已经知道很久了，但在这个领域有很多新的研究，我还没有读到过

但主要的乐趣在于它可以用于预处理特征，这正是我所需要的。

...我很笨，所以在Dipling中已经使用了......笑......我才知道为什么：）一切都在我们之前已经发明了。

[Dr. Trader]

阿列克谢-维亚兹米 金。

你能告诉我哪种神经网络算法可以用来揭示 "计算 "列的逻辑（神经元）？

最好用树来做这个，这个模型会创造出这样一套规则。

if( [Delta<200] >= 0.5 )
{
  return 0;
}
else if(ZZ_D < 0)
{
  return 0;
}
else
{
  return 1;
}

我很快就写好了代码，该模型给出的结果是文字或图片。

文章中描述了如何在R中进行操作。
https://www.mql5.com/ru/articles/1165

在 "模型 "标签中，选择树。设置 "最小分割 "和 "最小桶 "为1。创建一个模型，然后点击绘图按钮，显示图片。规则 - 以文本形式显示规则