트레이딩의 머신러닝: 이론, 모델, 실전 및 알고리즘 트레이딩 - 페이지 1129

새 코멘트
 
마법사_ :
www.radikal.ru/video/1JIag8ds57s

)))

 
마법사_ :

기뻐하지 마십시오. 차분하게 소화하고 비틀기 위해 며칠 ...

그리고 여기에 좋은 조언이 있습니다. 서둘러요... :-)

 
mytarmailS :

일반 수평 볼륨!! . 하나님! 당신은 어디에서 온 사람들입니까? )) 아, 여기가 외환 포럼이라는 것을 잊었습니다)


작은 창에? 왼쪽 모니터에?

 
세르게이 찰리셰프 :

뭐가 문제 야 ?

나 자신도 그런 문제가 있다. 왜 이런 일이 일어날 수 있는지 제안할 수 있는 사람이 있습니까?

 
미하일 클레스토프 :

나 자신도 그런 문제가 있다. 왜 이런 일이 일어날 수 있는지 제안할 수 있는 사람이 있습니까?

이것은 모두에게 해당되며 OOS에서만 기차의 결과를 보는 것은 의미가 없지만 시스템이 실제 패턴을 나타내지 않은 경우(전 세계의 수백 명이 성공) OOS는 확산 또는 더 나쁜 것에 의해 배수됩니다. 그리고 기차 적합성은 100달러와 몇 시간 동안 어떤 성배 작성자 에게 질문이 아닙니다.

 
이고르 마카누 :

1. 무료 번역에서 Khaikin의 말을 인용하려고 합니다. 데이터 세트에는 긍정적인 예와 부정적인 예가 모두 포함되어야 합니다.

긍정적 인 예가 분명해 보이지만 부정적인 예를 가르치는 방법을 알아내는 것이 남아 있습니까?

2. 노이즈도 적용해야 하는데 이것은 완전히 부정적인 예가 아닙니까?

1. 당신은 이것을 올바르게 지적했습니다. 그러나 그들은 잊었습니다. 긍정적 인 것과 부정적인 것의 비율은 연습과 일치해야합니다. 또한 기억의 인용문.

같은 것을 배우십시오. 포지티브와 혼합된 입력에 적용합니다.

2. 1.부터 - 소음이 안나다.

만약 당신이 긍정적인 것만 가지고 있고 부정적인 것은 없다면, 당신 자신은 당신이 가르치는 것을 대표하지 않습니다.

 
이고르 마카누 :

1. 잊은 게 아니라 몰라서 잊은 게 없다. 잊은 게 없고, 더 읽고, 읽는다. 하지만 모든 것은 이 작은 것에서 시작된다!

2. 개별적으로 모든 것, IMHO, 음, 내 목표는 좋습니다. 예측할 수없는 것을 예측하고 싶지 않고 적응하고 싶습니다.)))

그건 그렇고, 어디에서 네거티브를 취해야합니다. 왜냐하면 나는 일반적인 용어로 다음 작업을 모릅니다.

예를 들어 삼각형을 인식하도록 가르친다면 훈련 샘플에서 해야 합니다. 다양한 삼각형뿐만 아니라 다양한 비 삼각형.

 
마법사_ :

라디칼.ru/video/m9Ct2f9xDCn

blah .. 음, 당신은 음악을 듣고 있습니다))

 

Karoch는 아파트를 희생하면서 누군가 기억한다면 아파트를 알고리즘화하는 방법에 대한 주제를 제기했습니다. 명쾌한 답이 안나와서 혼자 생각을 해봐야...

처음부터 분포를 실험했습니다. 같은 수준에서 가격이 더 많이 비틀거릴수록 이러한 "흔들림"이 많을수록 평평할 가능성이 더 높아지지만 이 방법에는 단점이 있어 포기했습니다.

두 번째 방법이 더 잘 나왔고 관심이 있는 사람이 있으면 공유하고 싶습니다.

두 번째 방법은 가격 자기상관을 사용하여 ACF 판독값에서 플랫의 징후를 오랫동안 찾았고 두 가지 간단한 징후를 찾았습니다.

이것이 가격과 cf가 어떻게 생겼는지입니다.

R 코드 

layout( 1 : 2 )
x <- cumsum(rnorm( 100 ))
plot(x,t= "l" )
acf(x,plot = T,lag.max = length(x))

이제 표지판을 위해

첫 번째 기호는 akf (파란색) 의 극값 수입니다.

두 번째 기호는 0선 (빨간색) 의 교차 횟수입니다.

교차로와 극단이 많을수록 평평한 곳이 더 강해집니다.

위에서 설명한 두 가지 속성 또는 매개변수를 반환하는 함수 

get_parameters <- function(x){
  ac <- acf(x,lag.max = length(x),plot = F)
  
  
  library(quantmod)
  
  xx <- ac$acf
  
  pi <- findPeaks(xx)
  va <- findValleys(xx)
  length(c(pi,va))
  
  flet <- rep( 0 ,length(xx))
   for (i in 5 :length(xx)){
    
     if (xx[i- 1 ]> 0 && xx[i]< 0 )  flet[i] <- 1
     if (xx[i- 1 ]< 0 && xx[i]> 0 )  flet[i] <- 1
  }
  
  x1 <- length(c(pi,va))
  x2 <- sum(flet)
  
   return (c(x1,x2))
}

이 방법에는 단점이 있습니다. 고정 크기의 슬라이딩 창이지만 알고리즘이 수백 배 느려지더라도 우회할 수 있습니다.


자, 이제 결과

플랫은 첫 번째와 두 번째 기호가 7보다 큰 상황입니다.

30포인트의 슬라이딩 윈도우에서 알고리즘

200포인트의 슬라이딩 윈도우에서 알고리즘

그리고 코드 자체 

layout( 1 : 1 )
x <- cumsum(rnorm( 1000 ))
plot(x,t= "l" )
n <- 200   # length roll window
for (i in n:length(x)){
  ii <- (i-(n- 1 )):i
  gp <- get_parameters(x[ii])
 flat <- gp[ 1 ]>= 8 && gp[ 2 ]>= 8
if (flat){
   rect(i-length(ii), min(x[ii]), i, max(x[ii]), col = "aquamarine3" ,border = "aquamarine3" )
 }}
lines(x,t= "l" )


알고리즘을 개선하는 방법을 아는 사람이 있다면 부끄러워하지 마십시오.

 
mytarmailS :

카록,.....

30포인트 슬라이딩 윈도우의 알고리즘

200포인트의 슬라이딩 윈도우에서 알고리즘

즉, 전체 이야기를 창으로 간주하면 처음부터 끝까지 아파트가 있습니까?

1...112211231124112511261127112811291130113111321133113411351136...3399
새 코멘트
사유: