文章 "机器学习和交易中的元模型：交易订单的原始时序" - 页 5 123456789101112...14 新评论 Maxim Dmitrievsky 2022.06.24 08:34 #41 Inquiring #:我仍然可以给你建议，如果你想要钱，我可以免费给你。 对于这个话题，可以就特征选择部分（例如，信息标准）提供建议。并证明这些特征比增量更好。心理学和希格斯玻色子作为标志是行不通的。 Inquiring 2022.06.24 09:38 #42 Maxim Dmitrievsky #:对于这一主题，可能会有关于如何选择特征（如信息标准）的建议。并证明这些标志比增量更好。心理学和希格斯玻色子作为属性是行不通的。 我没有写任何关于玻色子的内容。瓦列里-亚斯特雷姆斯基（Valeriy Yastremskiy）认为元模型应该更加复杂。我完全同意他的观点。 检查更大范围内的指标读数并将其与较小范围内的读数进行比较的任务很有趣，但指标本身能说明什么呢？ 指标应该提供有关市场状态的信息。根据我的理解，这种状态应该用向上或向下运动的概率来描述，而这种概率是作为系统的哈密顿来计算的。市场动能的计算非常简单--价格运动速度乘以动量。势能比较复杂，但也是可以求解的。问题在于，要将所有公式和数字整合到一个工作方案中，必须做大量的工作。而且，这项工作需要熟练的数学、物理和编程知识。 附图给出了一些关于场可视化的概念。 附加的文件： XAUUSDDaily_42wrbkz.png 116 kb Maxim Dmitrievsky 2022.06.24 09:49 #43 Inquiring #:我没有写任何关于玻色子的内容。瓦列里-亚斯特雷姆斯基认为元模型应该更加复杂。我完全同意他的观点。检查更大范围内的指标读数并将其与较小范围内的读数进行比较的任务很有趣，但指标本身显示了什么？指标应该提供有关市场状态的信息。根据我的理解，这种状态应该用向上或向下运动的概率来描述，而这种概率是作为系统的哈密顿来计算的。市场动能的计算非常简单--价格运动速度乘以动量。势能比较复杂，但也是可以求解的。问题在于，要将所有公式和数字整合到一个工作方案中，必须做大量的工作。而且，这项工作是有资质的，需要精通数学、物理和编程知识。附图给出了一些关于场可视化的概念。 根据标签互信息标准，增量平均为 0.01（满分 1）。也就是说，几乎没有相关性和随机性。 增量的类型有 pFixed[str(count)] = (pFixedC - pFixedC.rolling(i).mean() * pFixedC.rolling(i).std()*1000) + (pFixedC - pFixedC.rolling(i).mean()) + (pFixedC - pFixedC.rolling(i).skew()/10) + \ (pFixedC - pFixedC.rolling(i).kurt()) 类型的增量，其信息量更大。裸图携带的信息量最大，但神经网络和弹跳却无法消化这些信息。我们的任务是以最小的信息损失使序列达到静止。 从 "绝对 "一词到任何汉密尔顿等，都没有其他东西可以抓住。 这是在元模型复杂化之前必须解决的问题，因为任何模型都无法在随机性的基础上进行训练。 Inquiring 2022.06.24 09:56 #44 Maxim Dmitrievsky #:这些增量在标签互信息标准上的平均值为 0.01（满分 1）。有以下类型的增量类型的增量能提供更多信息。裸图携带的信息量最大，但神经网络和脉冲不消化这些信息。我们的任务是以最小的信息损失使序列达到静态。 对于傻瓜来说--什么的标签？处理了哪些初始数据？ Maxim Dmitrievsky 2022.06.24 10:01 #45 Inquiring #:对于傻瓜来说 - 标签是什么？处理什么初始数据？标签是交易，用于买入和卖出。我们需要在属性（例如价格增量）和预测的交易方向之间建立信息联系。拟议算法的任务就是寻找这种关系。 这就是计量经济学的基本原理。 Inquiring 2022.06.24 10:08 #46 Maxim Dmitrievsky #:标志就是交易，用于买卖。我们需要在标记（例如价格上涨）和预测的交易方向之间建立信息联系。拟议算法的任务就是寻找这种关系。 这就是计量经济学的基本原理。 那么，开启交易的原则是什么呢？是随机，还是某个指标，还是时钟，还是其他算法？ Maxim Dmitrievsky 2022.06.24 10:10 #47 Inquiring #:开仓原则是什么？随机开仓，还是根据某个指标开仓，还是根据时钟开仓，还是根据其他算法开仓？ 这并不重要，您可以通过超采样寻找依赖性。在前几篇文章中，我们建议对交易进行随机抽样，并对无利可图的交易进行修正。 有一组交易和一组迹象，我们需要找到预测这些交易方向的迹象 本文中的算法会剔除不好的特征-交易对，留下最可预测的特征-交易对（根据信息标准）。 Inquiring 2022.06.24 10:18 #48 Maxim Dmitrievsky #:没关系，我们可以通过超调来寻找依赖性。在前几篇文章中，我们提出了对交易进行随机抽样并对无利可图的交易进行修正的方法。有一组交易和一组符号，我们需要找到预测这些交易方向的符号本文中的算法抛出了不好的特质交易对，留下了最可预测的交易对（根据信息标准）。 这种方法比占星术或用羊肝算命好在哪里呢？ Maxim Dmitrievsky 2022.06.24 10:23 #49 Inquiring #:这种方法比占星术或在公羊肝脏上占卜更好吗？ 与侏儒交流是很困难的，这篇文章是写给那些或多或少受过 MO 培训的人看的。 Inquiring 2022.06.24 10:32 #50 Maxim Dmitrievsky #:与书呆子交流是很困难的，这篇文章或多或少是为受过 MO 培训的人写的。 我还天真地以为，神经网络应该有助于决策时的思维过程，而不是让决策变得愚蠢。 123456789101112...14 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
我仍然可以给你建议，如果你想要钱，我可以免费给你。
对于这个话题，可以就特征选择部分（例如，信息标准）提供建议。并证明这些特征比增量更好。心理学和希格斯玻色子作为标志是行不通的。
对于这一主题，可能会有关于如何选择特征（如信息标准）的建议。并证明这些标志比增量更好。心理学和希格斯玻色子作为属性是行不通的。
我没有写任何关于玻色子的内容。瓦列里-亚斯特雷姆斯基（Valeriy Yastremskiy）认为元模型应该更加复杂。我完全同意他的观点。
检查更大范围内的指标读数并将其与较小范围内的读数进行比较的任务很有趣，但指标本身能说明什么呢？
指标应该提供有关市场状态的信息。根据我的理解，这种状态应该用向上或向下运动的概率来描述，而这种概率是作为系统的哈密顿来计算的。市场动能的计算非常简单--价格运动速度乘以动量。势能比较复杂，但也是可以求解的。问题在于，要将所有公式和数字整合到一个工作方案中，必须做大量的工作。而且，这项工作需要熟练的数学、物理和编程知识。
附图给出了一些关于场可视化的概念。
我没有写任何关于玻色子的内容。瓦列里-亚斯特雷姆斯基认为元模型应该更加复杂。我完全同意他的观点。
检查更大范围内的指标读数并将其与较小范围内的读数进行比较的任务很有趣，但指标本身显示了什么？
指标应该提供有关市场状态的信息。根据我的理解，这种状态应该用向上或向下运动的概率来描述，而这种概率是作为系统的哈密顿来计算的。市场动能的计算非常简单--价格运动速度乘以动量。势能比较复杂，但也是可以求解的。问题在于，要将所有公式和数字整合到一个工作方案中，必须做大量的工作。而且，这项工作是有资质的，需要精通数学、物理和编程知识。
附图给出了一些关于场可视化的概念。
根据标签互信息标准，增量平均为 0.01（满分 1）。也就是说，几乎没有相关性和随机性。
增量的类型有
类型的增量，其信息量更大。裸图携带的信息量最大，但神经网络和弹跳却无法消化这些信息。我们的任务是以最小的信息损失使序列达到静止。
从 "绝对 "一词到任何汉密尔顿等，都没有其他东西可以抓住。
这是在元模型复杂化之前必须解决的问题，因为任何模型都无法在随机性的基础上进行训练。
这些增量在标签互信息标准上的平均值为 0.01（满分 1）。有以下类型的增量
类型的增量能提供更多信息。裸图携带的信息量最大，但神经网络和脉冲不消化这些信息。我们的任务是以最小的信息损失使序列达到静态。
对于傻瓜来说--什么的标签？处理了哪些初始数据？
对于傻瓜来说 - 标签是什么？处理什么初始数据？
标签是交易，用于买入和卖出。我们需要在属性（例如价格增量）和预测的交易方向之间建立信息联系。拟议算法的任务就是寻找这种关系。
这就是计量经济学的基本原理。标志就是交易，用于买卖。我们需要在标记（例如价格上涨）和预测的交易方向之间建立信息联系。拟议算法的任务就是寻找这种关系。
这就是计量经济学的基本原理。那么，开启交易的原则是什么呢？是随机，还是某个指标，还是时钟，还是其他算法？
开仓原则是什么？随机开仓，还是根据某个指标开仓，还是根据时钟开仓，还是根据其他算法开仓？
这并不重要，您可以通过超采样寻找依赖性。在前几篇文章中，我们建议对交易进行随机抽样，并对无利可图的交易进行修正。
有一组交易和一组迹象，我们需要找到预测这些交易方向的迹象
本文中的算法会剔除不好的特征-交易对，留下最可预测的特征-交易对（根据信息标准）。
没关系，我们可以通过超调来寻找依赖性。在前几篇文章中，我们提出了对交易进行随机抽样并对无利可图的交易进行修正的方法。
有一组交易和一组符号，我们需要找到预测这些交易方向的符号
本文中的算法抛出了不好的特质交易对，留下了最可预测的交易对（根据信息标准）。
这种方法比占星术或用羊肝算命好在哪里呢？
这种方法比占星术或在公羊肝脏上占卜更好吗？
与侏儒交流是很困难的，这篇文章是写给那些或多或少受过 MO 培训的人看的。
与书呆子交流是很困难的，这篇文章或多或少是为受过 MO 培训的人写的。
我还天真地以为，神经网络应该有助于决策时的思维过程，而不是让决策变得愚蠢。