交易中的机器学习：理论、模型、实践和算法交易 - 页 888 1...881882883884885886887888889890891892893894895...3399 新评论 Forester 2018.05.07 21:15 #8871 阿列克谢-维亚兹米 金。因此，我只选择支持度和可靠性高的。我是这样看工作的--我在指标中实时和历史上生成预测器，将它们添加到一个字符串中，然后在数组中搜索这个字符串，如果找到它，那么我们就将该条杠标记为有利于进入，如果没有，我们什么也不做。相应地，加倍的字符串只会增加数组。当然，我们可以通过颜色来做一个分级，并加上可靠性和支持度的信息（通过一个乘以另一个，我们得到系数，它将根据值的不同而改变颜色），但对于这一点，只需做一个单独的带索引的int类型 的数组就比较容易。或者，也许我不明白的东西....。理论上来说--如果NS在不筛选出无效字符串的情况下全部喂食，它本身就应该找到它们并提高其重要性。但你当然可以像你描述的那样，自己做。在同一时间，它是有趣的，比较 - 什么是更好的。 虽然文章中也有噪音串的例子。 Maxim Dmitrievsky 2018.05.08 00:51 #8872 阿利奥沙。我同意，Python是HFT最顶级的GPU，他们是有负误差的，我在上面提到过，他们还在那里研究量子纠缠，把信号传输得比光还快，Python里也有库，在暗网里。你不用再胡说八道了，这显示了你的水平 Maxim Dmitrievsky 2018.05.08 12:30 #8873 阿利奥沙。我只是用一些90%的ahtungs开玩笑，不要当真，python是一种学生语言，用来快速尝试一堆bibbles和画图，比如说巩固Vorontsov的课程，而 "研究 "只是为研究生或与现实有距离的东西。在严肃的公司里，所有的工具都是用C++编写的，一半以上的算法是独家或修改过的知名算法，问题是非常具体和高度专业化的，不需要运行100500个库的参数，所以Python是以微量出现的。Aleshenka，进一步掌握MO，关于C++ api和Cython以及模型和单个模块的迁移，以及研究/培训后在服务器上的部署，你没听说过吗？ 而在试图预测回报的时候，如果没有负面的错误，就不会再回来了。你变得非常沮丧--你的傲慢太多，有用的信息太少。 Aleksey Vyazmikin 2018.05.08 12:56 #8874 elibrarius。理论上，如果NS获取的所有字符串没有初步无效的字符串，它应该找到它们并提高它们的重要性。但当然你也可以像你描述的那样，自己做。同时，比较什么是更好的也很有趣。 虽然在文章中也有筛选出嘈杂字符串的例子。一般来说，我不完全理解如何组织NS，如果它从历史上获取数据，理论上从任何一点...但是对于树/森林来说，一切都比较容易，它们不分析历史，所以需要输入有限的变量，输出结果已经知道了，我已经把它们写进了一个数组；训练之后，树不能创造新的东西，但是神经网络可以以不同的方式对新的数据做出反应。因为它输入了权重（系数），而且它们对每个神经元都是恒定的，但如果我有10个或更多的神经元，而且对每个特征都有自己的系数，那么有些东西就变成了很多选择--网络显然不是由所有的变体训练的，所以它可能有不同的惊喜，或者我不明白的东西。 而且我已经做了一个指标，但数组枚举的速度不是很快，代码本身也很慢--我需要优化。 Forester 2018.05.08 13:10 #8875 阿列克谢-维亚兹米 金。一般来说，我不完全理解如何组织NS，如果它从历史上获取数据，理论上从任何一点...但是用树/森林，一切都更容易，它们不分析历史，所以需要输入有限的变量，输出结果已经知道了，我把它们写进了一个数组；训练后，树不能创造新的东西，但是神经网络可以对新数据做出不同的反应。因为它输入了权重（系数），而且它们对每个神经元都是恒定的，但如果我有10个或更多的神经元，而且对每个特征都有不同的系数，那么有些东西就会变成很多选择--网络显然不能通过所有的变体来训练，所以它可能有不同的惊喜，或者我不明白一些东西。 我已经创建了一个指标，但数组搜索的速度不是很快，代码本身也很慢--我需要优化。NS使用相同的表格与数据，与森林没有区别。只是里面的算法不同。 Aleksey Vyazmikin 2018.05.08 13:15 #8876 elibrarius。同样的数据表被送入NS--对森林没有区别。只是里面的算法不同。那么，如果国家安全局在操作中不使用它，为什么要在训练中看历史？ Maxim Dmitrievsky 2018.05.08 13:56 #8877 阿利奥沙。我当然没听说过，我管你呢，现在我就知道，最酷的不是python api到c bibles，而是相反，c++ api到python，在服务器上部署。继续燃烧）））你讽刺的温度计里的水银已经缩成了一个气泡，刚刚爆炸了，或者说膨胀到因过度愚蠢和流口水而爆炸了，不管怎样。 api到不同语言的框架，包括python和++。 还是你把它打开了，还是它只是悲伤？ Yuriy Asaulenko 2018.05.08 14:07 #8878 阿利奥沙。不可能!我的随机 游荡和外汇一样，是一种陡峭的预测！"。如果不进行再培训，90%的acurasi，而进行再培训则100%。喔!当地人似乎开始明白，过度训练不仅不是致命的，而且，在许多情况下，甚至是最好的）。 Yuriy Asaulenko 2018.05.08 14:36 #8879 马克西姆-德米特里耶夫斯基。这里有一个可怕的过度装备，但在前半部分仍然可以交易:)我可以让它更糟糕，但没有意义。这笔钱是在超额和不足之间的某处。钱是无处不在的，除了在下。这只是一个应用的问题。 Forester 2018.05.08 14:47 #8880 阿列克谢-维亚兹米 金。那么，如果NS在工作中不使用历史，她为什么要在培训中看历史呢？在训练过程中，它得到了神经元的权重和偏移量，并根据它们计算新数据的输出。 1...881882883884885886887888889890891892893894895...3399 新评论 原因: 取消 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
因此，我只选择支持度和可靠性高的。我是这样看工作的--我在指标中实时和历史上生成预测器，将它们添加到一个字符串中，然后在数组中搜索这个字符串，如果找到它，那么我们就将该条杠标记为有利于进入，如果没有，我们什么也不做。相应地，加倍的字符串只会增加数组。当然，我们可以通过颜色来做一个分级，并加上可靠性和支持度的信息（通过一个乘以另一个，我们得到系数，它将根据值的不同而改变颜色），但对于这一点，只需做一个单独的带索引的int类型 的数组就比较容易。或者，也许我不明白的东西....。
理论上来说--如果NS在不筛选出无效字符串的情况下全部喂食，它本身就应该找到它们并提高其重要性。但你当然可以像你描述的那样，自己做。在同一时间，它是有趣的，比较 - 什么是更好的。
虽然文章中也有噪音串的例子。我同意，Python是HFT最顶级的GPU，他们是有负误差的，我在上面提到过，他们还在那里研究量子纠缠，把信号传输得比光还快，Python里也有库，在暗网里。
你不用再胡说八道了，这显示了你的水平
我只是用一些90%的ahtungs开玩笑，不要当真，python是一种学生语言，用来快速尝试一堆bibbles和画图，比如说巩固Vorontsov的课程，而 "研究 "只是为研究生或与现实有距离的东西。在严肃的公司里，所有的工具都是用C++编写的，一半以上的算法是独家或修改过的知名算法，问题是非常具体和高度专业化的，不需要运行100500个库的参数，所以Python是以微量出现的。
Aleshenka，进一步掌握MO，关于C++ api和Cython以及模型和单个模块的迁移，以及研究/培训后在服务器上的部署，你没听说过吗？
而在试图预测回报的时候，如果没有负面的错误，就不会再回来了。你变得非常沮丧--你的傲慢太多，有用的信息太少。
理论上，如果NS获取的所有字符串没有初步无效的字符串，它应该找到它们并提高它们的重要性。但当然你也可以像你描述的那样，自己做。同时，比较什么是更好的也很有趣。
虽然在文章中也有筛选出嘈杂字符串的例子。一般来说，我不完全理解如何组织NS，如果它从历史上获取数据，理论上从任何一点...但是对于树/森林来说，一切都比较容易，它们不分析历史，所以需要输入有限的变量，输出结果已经知道了，我已经把它们写进了一个数组；训练之后，树不能创造新的东西，但是神经网络可以以不同的方式对新的数据做出反应。因为它输入了权重（系数），而且它们对每个神经元都是恒定的，但如果我有10个或更多的神经元，而且对每个特征都有自己的系数，那么有些东西就变成了很多选择--网络显然不是由所有的变体训练的，所以它可能有不同的惊喜，或者我不明白的东西。
而且我已经做了一个指标，但数组枚举的速度不是很快，代码本身也很慢--我需要优化。
一般来说，我不完全理解如何组织NS，如果它从历史上获取数据，理论上从任何一点...但是用树/森林，一切都更容易，它们不分析历史，所以需要输入有限的变量，输出结果已经知道了，我把它们写进了一个数组；训练后，树不能创造新的东西，但是神经网络可以对新数据做出不同的反应。因为它输入了权重（系数），而且它们对每个神经元都是恒定的，但如果我有10个或更多的神经元，而且对每个特征都有不同的系数，那么有些东西就会变成很多选择--网络显然不能通过所有的变体来训练，所以它可能有不同的惊喜，或者我不明白一些东西。
我已经创建了一个指标，但数组搜索的速度不是很快，代码本身也很慢--我需要优化。
NS使用相同的表格与数据，与森林没有区别。只是里面的算法不同。
同样的数据表被送入NS--对森林没有区别。只是里面的算法不同。
那么，如果国家安全局在操作中不使用它，为什么要在训练中看历史？
我当然没听说过，我管你呢，现在我就知道，最酷的不是python api到c bibles，而是相反，c++ api到python，在服务器上部署。继续燃烧）））
你讽刺的温度计里的水银已经缩成了一个气泡，刚刚爆炸了，或者说膨胀到因过度愚蠢和流口水而爆炸了，不管怎样。
api到不同语言的框架，包括python和++。
还是你把它打开了，还是它只是悲伤？
不可能!我的随机 游荡和外汇一样，是一种陡峭的预测！"。如果不进行再培训，90%的acurasi，而进行再培训则100%。
喔!当地人似乎开始明白，过度训练不仅不是致命的，而且，在许多情况下，甚至是最好的）。
这里有一个可怕的过度装备，但在前半部分仍然可以交易:)我可以让它更糟糕，但没有意义。这笔钱是在超额和不足之间的某处。
钱是无处不在的，除了在下。这只是一个应用的问题。
那么，如果NS在工作中不使用历史，她为什么要在培训中看历史呢？
在训练过程中，它得到了神经元的权重和偏移量，并根据它们计算新数据的输出。