일반적으로 문제입니다. 나는 정확도와 높은 일반화 능력 외에도 이 알고리즘에서 모델이 더 명확하게 구축되기 때문에 부스팅을 사용하기 시작했습니다. 이 방법은 특정 외부 매개변수의 수가 적기 때문에 사용자 정의 측면에서도 더 간단합니다. 유일한 단점은 계산 중에 RAM이 로드되고 따라서 부스팅 반복 횟수에 따라 모델 크기가 수십 및 수백 메가바이트 증가한다는 것입니다. 랜덤 포레스트와 얕은 신경망의 방법과 비교한 결과 분류 문제에서는 부스팅이 더 바람직하다는 결론에 도달했습니다.
많은 예측 변수를 확인했습니다. 기본적으로 이들은 다양한 지표와 그 조합으로 구축된 순차적 시계열입니다. 테스트는 실제 스프레드(2점)를 고려하여 소프트웨어 방식을 사용하여 다중 통화 모드(27개 통화)에서 수행되었습니다. 기간 - 시간. 출력은 단계 깊이가 100포인트인 지그재그 신호에서 계산된 이진 클래스입니다. 결과는 거의 모두 부정적입니다. 스프레드를 제외하면 플러스가 상당할 수 있습니다. 또는 더 긴 기간을 시도할 수 있습니다.
연구를 더 발전시키는 방법에 대해 생각했습니다.
1. 출구에서 다른 유형이나 다른 매개변수를 사용하여 지그재그로 시도하십시오.
2. 출력에서 푸리에법 또는 웨이블릿 필터에 의해 선택된 순환 성분의 신호를 사용합니다.
3. 출력 지표(회귀)의 실제 값을 사용합니다. 예를 들어, 양초의 종가 와 시가의 차이, 여러 막대의 가격이 미리 변경됩니다.
4. 요점이나 수준과 같은 일관성 없는 데이터를 예측 변수로 사용
5. 다양한 지표(볼륨 또는 ATR 지표)로 초기 샘플을 필터링합니다. 즉, 시장의 특정 영역에서만 작동하도록 훈련합니다.
여러분의 의견과 조언을 듣게 되어 기쁩니다.
여기 사람들은 당신을 위해 선반에있는 모든 것을 씹었고 신호 모니터링으로 판단하면 그의 연구 결과 (+)가 있습니다. 내가 뭐라고, 잘했어!
나는 누군가가 이 주제에 표현된 많은 영리한 단어로 결과를 얻을 수 있기를 기대합니다. 저는 개인적으로 소스 코드나 알고리즘이 필요하지 않지만 모니터링된 신호 또는 몇 가지 스크린샷 형태의 MO 결과 일. 그동안 영업은 안하고 말하는 가게만.
플랫과 MO를 희생시키면서 실제로 학습 과정에서 AI 자체는 현재 순간에 원하는 확률적 행동을 찾을 것이며 플랫하거나 충동적일 것입니다. 그래서 나는 쓸모없는 연습인 MO의 틀 내에서 평면을 결정하기 위해 별도의 알고리즘을 작성하는 요점을 보지 못합니다.
제정신으로 일하는 실제 거래자는 단 한 명도 신호나 재무 보고서를 보여주지 않을 것입니다. 희망하지도 마세요. 말하는 가게만 있고 앞으로도 있을 것입니다.
MO의 경우 이러한 방법은 AI와 관련이 없습니다. 그리고 MO 방법 자체는 무엇을 어디에서 찾아야하는지 보여주지 않으면 아무 것도 찾지 못할 것입니다. 그렇지 않으면 이미 해킹 된 문구와 같습니다. 입구의 쓰레기 - 출구의 쓰레기, 그 이상은 아닙니다. 국내 전문가들이 무엇을 말하든 ML의 주요 문제 중 하나는 대표 데이터를 준비하는 것입니다. 그리고 MO의 입력에 모든 것을 무분별하게 공급하지 않고 그러한 데이터를 준비하기 위해 모든 종류의 추세 평면 분할이 필요할 수 있고 필요할 것입니다.
제정신으로 일하는 실제 거래자는 단 한 명도 신호나 재무 보고서를 보여주지 않을 것입니다. 희망하지도 마십시오. 말하는 가게만 있고 앞으로도 있을 것입니다.
MO의 경우 이러한 방법은 AI와 관련이 없습니다. 그리고 MO 방법 자체는 무엇을 어디에서 찾아야하는지 보여주지 않으면 아무 것도 찾지 못할 것입니다. 그렇지 않으면 이미 해킹 된 문구와 같습니다. 입구의 쓰레기 - 출구의 쓰레기, 그 이상은 아닙니다. 국내 전문가들이 무엇을 말하든 ML의 주요 문제 중 하나는 대표 데이터를 준비하는 것입니다. 그리고 MO의 입력에 모든 것을 무분별하게 공급하지 않고 그러한 데이터를 준비하기 위해 모든 종류의 추세 평면 분할이 필요할 수 있고 필요할 것입니다.
작은 것을 우리는 플랫, 큰 트렌드라고 부릅니다.
그러나 여기서 다시 질문은: 작거나 큰 것에 비해 작은 움직임과 큰 움직임은 무엇입니까?
사실, 이것은 왜 매개변수 시스템과 "mo"를 포함하여 처리되지 않은 시장 데이터에서 작동하지 않는지에 대한 답을 제공하는 심각한 질문입니다.
글쎄, 명확한 정의는 없습니다 - 어디가 평평한지, 어디가 추세인지, 작거나 크거나 같습니다. 일부 응용 프로그램에는 작고 다른 응용 프로그램에는 큽니다.
귀하(귀하의 시스템)에 정확히 무엇이 작은지, 특정 측정 단위에서 무엇이 큰지 결정하면 모든 것이 즉시 제자리에 놓입니다.
일반적으로 문제입니다. 나는 정확도와 높은 일반화 능력 외에도 이 알고리즘에서 모델이 더 명확하게 구축되기 때문에 부스팅을 사용하기 시작했습니다. 이 방법은 특정 외부 매개변수의 수가 적기 때문에 사용자 정의 측면에서도 더 간단합니다. 유일한 단점은 계산 중에 RAM이 로드되고 따라서 부스팅 반복 횟수에 따라 모델 크기가 수십 및 수백 메가바이트 증가한다는 것입니다. 랜덤 포레스트와 얕은 신경망의 방법과 비교한 결과 분류 문제에서는 부스팅이 더 바람직하다는 결론에 도달했습니다.
많은 예측 변수를 확인했습니다. 기본적으로 이들은 다양한 지표와 그 조합으로 구축된 순차적 시계열입니다. 테스트는 실제 스프레드(2점)를 고려하여 소프트웨어 방식을 사용하여 다중 통화 모드(27개 통화)에서 수행되었습니다. 기간 - 시간. 출력은 단계 깊이가 100포인트인 지그재그 신호에서 계산된 이진 클래스입니다. 결과는 거의 모두 부정적입니다. 스프레드를 제외하면 플러스가 상당할 수 있습니다. 또는 더 긴 기간을 시도할 수 있습니다.
연구를 더 발전시키는 방법에 대해 생각했습니다.
1. 출구에서 다른 유형이나 다른 매개변수를 사용하여 지그재그로 시도하십시오.
2. 출력에서 푸리에법 또는 웨이블릿 필터에 의해 선택된 순환 성분의 신호를 사용합니다.
3. 출력 지표(회귀)의 실제 값을 사용합니다. 예를 들어, 양초의 종가 와 시가의 차이, 여러 막대의 가격이 미리 변경됩니다.
4. 요점이나 수준과 같은 일관성 없는 데이터를 예측 변수로 사용
5. 다양한 지표(볼륨 또는 ATR 지표)로 초기 샘플을 필터링합니다. 즉, 시장의 특정 영역에서만 작동하도록 훈련합니다.
여러분의 의견과 조언을 듣게 되어 기쁩니다.
나는 누군가가 이 주제에 표현된 많은 영리한 단어로 결과를 얻을 수 있기를 기대합니다. 저는 개인적으로 소스 코드나 알고리즘이 필요하지 않지만 모니터링된 신호 또는 몇 가지 스크린샷 형태의 MO 결과 일. 그동안 영업은 안하고 말하는 가게만.
플랫과 MO를 희생시키면서 실제로 학습 과정에서 AI 자체는 현재 순간에 원하는 확률적 행동을 찾을 것이며 플랫하거나 충동적일 것입니다. 그래서 나는 쓸모없는 연습인 MO의 틀 내에서 평면을 결정하기 위해 별도의 알고리즘을 작성하는 요점을 보지 못합니다.
제정신으로 일하는 실제 거래자는 단 한 명도 신호나 재무 보고서를 보여주지 않을 것입니다. 희망하지도 마세요. 말하는 가게만 있고 앞으로도 있을 것입니다.
MO의 경우 이러한 방법은 AI와 관련이 없습니다. 그리고 MO 방법 자체는 무엇을 어디에서 찾아야하는지 보여주지 않으면 아무 것도 찾지 못할 것입니다. 그렇지 않으면 이미 해킹 된 문구와 같습니다. 입구의 쓰레기 - 출구의 쓰레기, 그 이상은 아닙니다. 국내 전문가들이 무엇을 말하든 ML의 주요 문제 중 하나는 대표 데이터를 준비하는 것입니다. 그리고 MO의 입력에 모든 것을 무분별하게 공급하지 않고 그러한 데이터를 준비하기 위해 모든 종류의 추세 평면 분할이 필요할 수 있고 필요할 것입니다.
똑똑한 분을 기다립니다.
기다리고 있어, 기다리고 있어....
벌써 눈을 떠
다음은 수준별 신경망의 예입니다.
빨간색은 과매수, 녹색은 과매수...
전에 봐. 그림, 유로가 과매수 가격에 있었고 반응은 다음과 같습니다.
실시간 예보)
기다리고 있어, 기다리고 있어....
벌써 눈을 떠
다음은 수준별 신경망의 예입니다.
빨간색 과매수, 녹색 과매수...
전에 봐. 그림, 유로가 과매수 가격에 있었고 반응은 다음과 같습니다.
실시간 예보)
이제 이 모든 것을 통해 회귀선을 그리고 채널을 만들어 보겠습니다. 그러면 이 모든 레벨이 채널의 경계와 일치하게 됩니다. 그리고 과매수-과매도는 더 이상 필요하지 않습니다.
제정신으로 일하는 실제 거래자는 단 한 명도 신호나 재무 보고서를 보여주지 않을 것입니다. 희망하지도 마십시오. 말하는 가게만 있고 앞으로도 있을 것입니다.
MO의 경우 이러한 방법은 AI와 관련이 없습니다. 그리고 MO 방법 자체는 무엇을 어디에서 찾아야하는지 보여주지 않으면 아무 것도 찾지 못할 것입니다. 그렇지 않으면 이미 해킹 된 문구와 같습니다. 입구의 쓰레기 - 출구의 쓰레기, 그 이상은 아닙니다. 국내 전문가들이 무엇을 말하든 ML의 주요 문제 중 하나는 대표 데이터를 준비하는 것입니다. 그리고 MO의 입력에 모든 것을 무분별하게 공급하지 않고 그러한 데이터를 준비하기 위해 모든 종류의 추세 평면 분할이 필요할 수 있고 필요할 것입니다.
그리고 있다
이제 이 모든 것을 통해 회귀선을 그리고 채널을 만들어 봅시다. 그러면 이 모든 레벨이 채널의 경계와 일치하게 될 것입니다. 그리고 과매수-과매도는 더 이상 필요하지 않습니다.
설명하다
설명하다
당신의 사진으로 노력하겠습니다.
당신의 사진으로 노력하겠습니다.
제발, 그게 최선의 방법이야
제발, 그게 최선의 방법이야
이것은 어떻게 보일 것입니다. 회귀선은 긴 EMA로 대체될 수 있습니다.
.