你知道如何制作运河吗？ - 页 3 12345678910...12 新评论 Maxim Dmitrievsky 2017.12.29 08:53 #21 非线性回归指的是机器学习模型，模型的主要问题是过拟合，即过拟合于当前的图片，上面已经写过。这个模型不断根据新的数据进行调整，所以在某些时候它的效率趋于零。为了防止这种情况发生，我们应该使用交叉验证和样本外测试。任何或多或少熟悉这个问题的人，即使没有在测试器中运行，也会立即明白这个通道不会在真实数据上工作 Aleksey Panfilov 2017.12.29 09:25 #22 Maxim Dmitrievsky:非线性回归 指的是机器学习模型，模型的主要问题是过拟合，即过拟合于当前的图片，上面已经写过。这个模型不断根据新的数据进行调整，所以在某些时候它的效率趋于零。为了防止这种情况发生，我们应该使用交叉验证和样本外测试。任何或多或少熟悉这个问题的人，即使没有在测试器中运行，也会马上明白这个通道不会在真实数据中工作。N阶多项式差分方程没有这个缺点。迟早我也会在这些方程式上测试通道。 Maxim Dmitrievsky 2017.12.29 09:28 #23 Aleksey Panfilov: N阶多项式的差分方程没有这个缺点。迟早我也会检查这些方程式的通道。它们是什么？)的差异方程，他们为什么被剥夺了？ Aleksey Panfilov 2017.12.29 09:55 #24 Maxim Dmitrievsky: 它们是什么？)的差异方程，他们为什么被剥夺了？ 如果不是严格意义上的那样。经典的EMA公式，如果你采取它，是一个第一度的差分方程，（但是二阶的--具体的顺序是由下一个，如尺子或模具的点的数量决定的）线被绘制，阿基米德杠杆的完整模拟。内插法。使用之前计算的点和最后的价格值，下一个点是在计算的点旁边建立的，不会重新绘制。 对于二阶多项式，使用先前计算的两个点和最后的价格（我采取开盘点或倒数第二条的中位数），与前两个点相邻的一个点被画出来，也没有重新画。以此类推。如果我们反转这个公式，我们可以进行外推，即在二度多项式的基础上使用三个计算出的相邻点，构建与前三个点有给定距离的第四点。这一点也没有重画。如果有必要，你可以启用画线可见性 的模式（即计算到循环中任何给定点的所有邻近点），这些画线将从每一个新的价格重新绘制。示例公式。 a1_Buffer[i]=((open[i] - Znach) +5061600*a1_Buffer[i+1 ]-7489800 *a1_Buffer[i+2 ]+4926624*a1_Buffer[i+3 ]-1215450*a1_Buffer[i+4 ])/1282975; a2_Buffer[i]= 3160*a1_Buffer[i] -6240 *a1_Buffer[i+1 ] + 3081*a1_Buffer[i+2 ]; a3_Buffer[i]=((open[i] - Znach) +5061600*a3_Buffer[i+1 ]-7489800 *a3_Buffer[i+2 ]+4926624*a3_Buffer[i+3 ]-1215450*a3_Buffer[i+4 ])/1282975; a4_Buffer[i]= 2701*a3_Buffer[i] -5328 *a3_Buffer[i+1 ] + 2628 *a3_Buffer[i+2 ]; 有除法的公式（第一和第三）是插值（在一个区间内找一个点）。没有除法的公式是外推法（在初始区间之外找一个点）。 Maxim Dmitrievsky 2017.12.29 10:12 #25 Aleksey Panfilov: 如果不是严格意义上的那样。经典的EMA公式，如果采取，是一个一阶的差分方程，（但是二阶的--具体的阶数是由下一个，如尺子或模具）线的数量决定的，是阿基米德杠杆的完全模拟。内插法。使用之前计算的点和最后的价格值，下一个点是在计算的点旁边建立的，不会重新绘制。 对于二阶多项式，使用先前计算的两个点和最后的价格（我采取开盘点或倒数第二条的中位数），与前两个点相邻的一个点被画出来，也不重新画。以此类推。如果我们反转这个公式，我们可以进行外推，即在二度多项式的基础上使用三个计算出的相邻点，构建与前三个点有给定距离的第四点。这一点也没有重画。如果有必要，可以启用画线的可见性 模式，这些线将从每一个新的价格中重新绘制。公式的例子。有除法的公式（第一个和第三个）是插值（在一个区间内寻找一个点）。没有除法的公式是外推法（在初始区间之外找一个点）。好奇，但不太确定为什么这能充分预测一个不稳定的市场，例如......。现在读这个东西http://blog.datadive.net/selecting-good-features-part-iv-stability-selection-rfe-and-everything-side-by-side/ Aleksey Panfilov 2017.12.29 10:22 #26 Maxim Dmitrievsky: 好奇，但不知道为什么它应该充分预测一个不稳定的市场，例如......现在读这个东西http://blog.datadive.net/selecting-good-features-part-iv-stability-selection-rfe-and-everything-side-by-side/这些方程也不承诺能预测交易，它们只是根据整个历史构建给定的多项式或正弦波的曲线。其实就像回归并不保证能预测竞价一样。:) Maxim Dmitrievsky 2017.12.29 10:25 #27 Aleksey Panfilov: 这些方程并不承诺能预测出价，它们只是根据整个历史构建了给定的多项式或正弦波的曲线。事实上，回归也没有承诺预测竞价。:)所以我现在的主要想法是通过随机森林对信息量最大的（目前）性状进行自动采样，并指定时间间隔和自动重新训练......因为如果你采取所有的历史，那么模型就会变得太粗糙，如果你采取少数的，那么它总是被重新训练......如果你通过特征重要性 改变性状的质量和数量，并做交叉验证，那么就有机会定期捕捉需要的规律。但它是如此的麻烦，我早就后悔使用它了，但现在已经没有回头路了 :) Aleksey Panfilov 2017.12.29 10:32 #28 Maxim Dmitrievsky: 现在我的主要想法是通过随机森林自动取样信息量最大的（目前）性状，并有一定的时间间隔和自动再训练......因为如果你采取所有的历史，你会得到太粗糙的模型，如果你采取少数的，它总是被重新训练......如果你通过特征重要性 来改变性状的质量和数量，并做交叉验证，你有机会定期捕捉需要的规律。但它是如此的麻烦，以至于我早就后悔使用它了，但已经无法回头了 :)在这里，我们已经开始进入神经网络，但你不会在那里看到任何通道。:) 尽管它们可能在代码中。但对于基于惯性的线或正弦线，可以附加一个视觉通道。) Maxim Dmitrievsky 2017.12.29 10:36 #29 Aleksey Panfilov: 在这里，我们已经进入了神经网络，你看不到那里的通道。:) 尽管它们可以在代码中出现。但有可能将一个视觉通道附加到用惯性或正弦线构建的线上。)好吧，为什么呢，根据ns的输出值建立曲线，你可以建立通道......但我认为通道没有什么意义，因为TS的大多数不同种类的信号都被遗漏了，你只能得到一个返回平均值的策略。 Alexander_K2 2017.12.29 10:44 #30 Maxim Dmitrievsky: 嗯，为什么，根据ns和通道的输出值建立曲线是可能的......但我认为通道没有什么意义，因为TS的大多数不同类型的信号都被遗漏了，你只能得到一个策略来返回到平均值。问候马克西姆！结果正是如此。 12345678910...12 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
非线性回归指的是机器学习模型，模型的主要问题是过拟合，即过拟合于当前的图片，上面已经写过。这个模型不断根据新的数据进行调整，所以在某些时候它的效率趋于零。为了防止这种情况发生，我们应该使用交叉验证和样本外测试。任何或多或少熟悉这个问题的人，即使没有在测试器中运行，也会立即明白这个通道不会在真实数据上工作
非线性回归 指的是机器学习模型，模型的主要问题是过拟合，即过拟合于当前的图片，上面已经写过。这个模型不断根据新的数据进行调整，所以在某些时候它的效率趋于零。为了防止这种情况发生，我们应该使用交叉验证和样本外测试。任何或多或少熟悉这个问题的人，即使没有在测试器中运行，也会马上明白这个通道不会在真实数据中工作。
N阶多项式差分方程没有这个缺点。迟早我也会在这些方程式上测试通道。
N阶多项式的差分方程没有这个缺点。迟早我也会检查这些方程式的通道。
它们是什么？)的差异方程，他们为什么被剥夺了？
它们是什么？)的差异方程，他们为什么被剥夺了？
经典的EMA公式，如果你采取它，是一个第一度的差分方程，（但是二阶的--具体的顺序是由下一个，如尺子或模具的点的数量决定的）线被绘制，阿基米德杠杆的完整模拟。内插法。使用之前计算的点和最后的价格值，下一个点是在计算的点旁边建立的，不会重新绘制。
对于二阶多项式，使用先前计算的两个点和最后的价格（我采取开盘点或倒数第二条的中位数），与前两个点相邻的一个点被画出来，也没有重新画。以此类推。如果我们反转这个公式，我们可以进行外推，即在二度多项式的基础上使用三个计算出的相邻点，构建与前三个点有给定距离的第四点。这一点也没有重画。
如果有必要，你可以启用画线可见性 的模式（即计算到循环中任何给定点的所有邻近点），这些画线将从每一个新的价格重新绘制。
示例公式。
有除法的公式（第一和第三）是插值（在一个区间内找一个点）。
没有除法的公式是外推法（在初始区间之外找一个点）。
如果不是严格意义上的那样。
经典的EMA公式，如果采取，是一个一阶的差分方程，（但是二阶的--具体的阶数是由下一个，如尺子或模具）线的数量决定的，是阿基米德杠杆的完全模拟。内插法。使用之前计算的点和最后的价格值，下一个点是在计算的点旁边建立的，不会重新绘制。
对于二阶多项式，使用先前计算的两个点和最后的价格（我采取开盘点或倒数第二条的中位数），与前两个点相邻的一个点被画出来，也不重新画。以此类推。如果我们反转这个公式，我们可以进行外推，即在二度多项式的基础上使用三个计算出的相邻点，构建与前三个点有给定距离的第四点。这一点也没有重画。
如果有必要，可以启用画线的可见性 模式，这些线将从每一个新的价格中重新绘制。
公式的例子。
有除法的公式（第一个和第三个）是插值（在一个区间内寻找一个点）。
没有除法的公式是外推法（在初始区间之外找一个点）。
好奇，但不太确定为什么这能充分预测一个不稳定的市场，例如......。
现在读这个东西http://blog.datadive.net/selecting-good-features-part-iv-stability-selection-rfe-and-everything-side-by-side/
好奇，但不知道为什么它应该充分预测一个不稳定的市场，例如......
现在读这个东西http://blog.datadive.net/selecting-good-features-part-iv-stability-selection-rfe-and-everything-side-by-side/
这些方程也不承诺能预测交易，它们只是根据整个历史构建给定的多项式或正弦波的曲线。
其实就像回归并不保证能预测竞价一样。:)
这些方程并不承诺能预测出价，它们只是根据整个历史构建了给定的多项式或正弦波的曲线。
事实上，回归也没有承诺预测竞价。:)
所以我现在的主要想法是通过随机森林对信息量最大的（目前）性状进行自动采样，并指定时间间隔和自动重新训练......因为如果你采取所有的历史，那么模型就会变得太粗糙，如果你采取少数的，那么它总是被重新训练......如果你通过特征重要性 改变性状的质量和数量，并做交叉验证，那么就有机会定期捕捉需要的规律。
但它是如此的麻烦，我早就后悔使用它了，但现在已经没有回头路了 :)
现在我的主要想法是通过随机森林自动取样信息量最大的（目前）性状，并有一定的时间间隔和自动再训练......因为如果你采取所有的历史，你会得到太粗糙的模型，如果你采取少数的，它总是被重新训练......如果你通过特征重要性 来改变性状的质量和数量，并做交叉验证，你有机会定期捕捉需要的规律。
但它是如此的麻烦，以至于我早就后悔使用它了，但已经无法回头了 :)
在这里，我们已经开始进入神经网络，但你不会在那里看到任何通道。:) 尽管它们可能在代码中。
但对于基于惯性的线或正弦线，可以附加一个视觉通道。)
在这里，我们已经进入了神经网络，你看不到那里的通道。:) 尽管它们可以在代码中出现。
但有可能将一个视觉通道附加到用惯性或正弦线构建的线上。)
好吧，为什么呢，根据ns的输出值建立曲线，你可以建立通道......但我认为通道没有什么意义，因为TS的大多数不同种类的信号都被遗漏了，你只能得到一个返回平均值的策略。
嗯，为什么，根据ns和通道的输出值建立曲线是可能的......但我认为通道没有什么意义，因为TS的大多数不同类型的信号都被遗漏了，你只能得到一个策略来返回到平均值。
问候马克西姆！结果正是如此。