1. 그래서 답변을 못 받았는데 패턴이 어떻게 구축/결정/탐지되나요? - 질문이 너무 친밀할 수 있다는 점을 이해합니다. 답변을 드릴 수 없습니다.
패턴은 훈련 세트의 예입니다. 저것들. 샘플의 문자열입니다. 여러 예측 변수 값과 하나 이상의 종속 변수 값입니다.
mytarmailS 가 패턴 패턴을 호출하는 이유는 다음과 같습니다. 기계 학습의 결과에서 얻은 것이 완전히 명확하지 않습니까?
안드레이 딕 :
2. 유턴 - 이것은 너무 "어려운" 대답도 아니지만 일반적으로 "어디에서 무엇을 하는지 모르겠어" 범주에 속합니다. 다음 캔들에 반전이 있습니다. 그렇죠? - 한번 더? - 아니, 틀렸어! - 네 번째 캔들에 반전이 있을 수 있을까요? - 네, 역전, 150점 통과, 역전했지만 아니요, 역전이 아니라 수정, 아니더라도, 다 똑같아, 역전... '역전'의 정의를 내릴 길이 없다 ! - 따라서 사전에뿐만 아니라 현재 순간에도 결정하도록 가르 칠 방법이 없습니다.
잠재적인 반전의 경우 차트에 포인트를 표시할 수 있는 지표가 있습니다(대부분 화살표로 표시). 가장 간단한 예는 다시 그리는 것으로 알려진 B. Williams의 프랙탈입니다. 이 경우 분류기를 사용하여 다시 그릴지(거짓) 아니면 차트에 남을지(참)에 대한 주제에 대한 프랙탈의 거짓 또는 참을 예측하려고 시도할 수 있습니다. 프랙탈의 진실을 정확하게 예측하고 신호에 따라 시장에 진입하고 다음 프랙탈에서 퇴출하면 돈을 벌 수 있다는 것은 매우 분명합니다. 또는 예측이 거짓으로 판명되면 손실을 보고 다음 프랙탈을 기다리지 않고 시장을 빠져나와 잠재적 손실을 최소화할 수 있습니다. 현재 이 주제에 대해 작업하고 있습니다.
1. 패턴은 훈련 세트의 예입니다. 저것들. 샘플의 문자열입니다. 여러 예측 변수 값과 하나 이상의 종속 변수 값입니다.
2. mytarmailS 가 패턴 패턴을 호출하는 이유는 다음과 같습니다. 기계 학습의 결과에서 얻은 것이 완전히 명확하지 않습니까?
3. 잠재적인 반전에 대해 차트에 포인트를 표시할 수 있는 지표가 있습니다(대부분 화살표로 표시). 가장 간단한 예는 다시 그리는 것으로 알려진 B. Williams의 프랙탈입니다. 이 경우 분류기를 사용하여 다시 그릴지(거짓) 아니면 차트에 남을지(참)에 대한 주제에 대한 프랙탈의 거짓 또는 참을 예측하려고 시도할 수 있습니다. 프랙탈의 진실을 정확하게 예측하고 신호에 따라 시장에 진입 하고 다음 프랙탈에서 퇴출하면 돈을 벌 수 있다는 것은 매우 분명합니다. 또는 예측이 거짓으로 판명되면 손실을 보고 다음 프랙탈을 기다리지 않고 시장을 빠져나와 잠재적 손실을 최소화할 수 있습니다. 저는 현재 이 주제에 대해 작업하고 있습니다.
1. 패턴이란 무엇인가 - 이해는 하지만 mytarmailS (어떤 종류의 지표 또는 기타)로 측정되는지 모르겠습니다. 그래서 제가 질문한 이유는 (문제의 원인을 파악하는 데 도움을 주기 위해 모델).
2. 예, 명확하지 않습니다.
3, 4, 5 반전을 결정할 수 있는 모든 도구는 다시 그리거나 지연 및 가변 지연을 사용하여 수행합니다. 나는 지금 반전에 초점을 맞추고 싶지 않지만 반전을 결정하는 것은 (약하게 표현하자면) 바람직하지 않다고 100% 확신할 수 있습니다. 탐지의 신뢰성과 설명의 단순성 측면에서 훨씬 더 정확한 것은 아래에서 설명할 접근 방식이며( 연구 중인 주제에서 시도해 볼 수 있음 ) 프랙탈은 2-3개의 촛불 지연으로 탐지됩니다. 이것은 다시 불확실성을 의미하며 거래에서 사용할 수 있는 모든 수단으로 피해야 합니다.
6. 색상 - 50/50. 선택한 지평에 관계없이 그것은 절대적으로 희망이 없습니다.
추신.
따라서 시장 시세에서 불확실한 것과 네트워크, 트리, 지표에 대한 클래식 TS 또는 거래에 사용하려는 것에 대해 명확하고 동시에 "부드러운" 응답으로 표시될 수 있는 것이 무엇인지 알아 내려고 노력해 보겠습니다. 거기. 사실 이러한 질문에 답하면 이동 중에 그리드 및 기타 ML 방법뿐만 아니라 고전적인 지표에서도 수익성 있는 시스템을 만드는 것이 가능해집니다. 이제 누군가가 즉시 "상태를 모니터링하십시오!"라고 말할 것이라는 것을 이해합니다. - 안 줄게, 직접 해보고, 스스로 생각해봐.
따라서 시장 시세에서 불확실한 것과 네트워크, 트리, 지표에 대한 클래식 TS 또는 거래에 사용하려는 것에 대해 명확하고 동시에 "부드러운" 응답으로 표시될 수 있는 것이 무엇인지 알아 내려고 노력해 보겠습니다. 거기. 사실 이러한 질문에 답하면 이동 중에 그리드 및 기타 ML 방법뿐만 아니라 고전적인 지표에서도 수익성 있는 시스템을 만드는 것이 가능해집니다. 이제 누군가가 즉시 "상태를 모니터링하십시오!"라고 말할 것이라는 것을 이해합니다. - 안 줄게, 직접 해보고, 스스로 생각해봐.
이 스레드는 머신 러닝에 관한 것이며 역사적으로 다시 그린 것이 없기 때문에 원칙적으로 귀하가 설명한 다시 그리기 문제가 없습니다.
머신 러닝의 요점은 목표 변수의 클래스 중 하나를 결정하는 예측 변수의 조합을 기록에서 찾는 것입니다. 임의의 숲 에 대해 이야기하면 5000개 이하의 막대 샘플에서 얻을 수 있는 300개 이하의 트리(보통 50~100개)입니다. 표본의 추가 증가는 나무 수의 증가로 이어지지 않습니다. 트리 유형 - 주어진 예측 변수 및 대상 변수 집합에 대해 "패턴"이 종료됨
주요 문제는 과적합에 있습니다. 향후 샘플에서 기존 트리가 클래스를 부정확하게 예측하고 더 정확하게는 클래스를 점점 더 나쁘게 예측합니다. 이 스레드에서 고려되는 것은 이 문제입니다. 즉, 결과 트리가 미래에 발생하고 미래 샘플의 분류 오류가 훈련 샘플과 거의 동일하다는 것을 증명하려고 합니다.
이 스레드는 머신 러닝에 관한 것이며 역사적으로 다시 그린 것이 없기 때문에 원칙적으로 귀하가 설명한 다시 그리기 문제가 없습니다.
머신 러닝의 요점은 목표 변수의 클래스 중 하나를 결정하는 예측 변수의 조합을 기록에서 찾는 것입니다. 랜덤 포레스트에 대해 이야기하면 5000개 이하의 막대 샘플에서 얻을 수 있는 300개 이하의 트리(보통 50~100개)입니다. 표본의 추가 증가는 나무 수의 증가로 이어지지 않습니다. 트리 유형 - 주어진 예측 변수 및 대상 변수 집합에 대해 "패턴"이 종료됨
주요 문제는 과적합에 있습니다. 향후 샘플에서 기존 트리가 클래스를 부정확하게 예측하고 더 정확하게는 클래스를 점점 더 나쁘게 예측합니다. 이 스레드에서 고려되는 것은 이 문제입니다. 즉, 결과 트리가 미래에 발생하고 미래 샘플의 분류 오류가 훈련 샘플과 거의 동일하다는 것을 증명하려고 합니다.
글쎄, 그것은 내가 생각한 것입니다. 나는 그런 반응을 예상했다.
Yury Reshetov , 관심이 있는 경우 개인적으로 저에게 편지를 보내 주시면 알려 드리겠습니다.
1. 그래서 답변을 못 받았는데 패턴이 어떻게 구축/결정/탐지되나요? - 질문이 너무 친밀할 수 있다는 점을 이해합니다. 답변을 드릴 수 없습니다.
예, 친밀하지 않습니다. 저는 많은 것을 시도합니다. 양초 조합 + 수준 조합, 가격 클러스터링, ssa + 클러스터링, 적응 기간이 있는 지표, 푸리에, 엘리엇 파동을 설명하는 것이 얼마나 형식적인지 알고 있습니다. 그리고 몇 가지 군중을 예측하기 위한 더 많은 아이디어가 있지만 지금까지 구현하는 방법을 모릅니다. 모든 것이 너무 꼬여 있습니다.
유리 레셰토프 :
패턴은 훈련 세트의 예입니다. 저것들. 샘플의 문자열입니다. 여러 예측 변수 값과 하나 이상의 종속 변수 값입니다.
mytarmailS 가 패턴 패턴을 호출하는 이유는 다음과 같습니다. 기계 학습의 결과에서 얻은 것이 완전히 명확하지 않습니까?
나는 지금 반전에 초점을 맞추고 싶지 않지만 반전을 결정하는 것은 (약하게 표현하자면) 바람직하지 않다고 100% 확신할 수 있습니다. 탐지의 신뢰성과 설명의 단순성 측면에서 훨씬 더 정확한 것은 아래에서 설명할 접근 방식입니다( 연구 중인 주제에서 시도해 볼 수 있음 )
자, 저도 기대하고 있습니다. 그리고 지그재그 반전이 얼음이 아닌 이유에 대한 근거를 듣는 것도 흥미로울 것입니다.
괜찮아요. San Sanych는 여기에 게임의 일부 개인 및 "궁극적으로 진실한" 규칙을 부과하려는 시도에 특이한 점이 있습니다. 결론은 머신 러닝에는 모호함이 없지만 "블랙 박스"를 사용하는 주제에 대해 완전히 개발되지 않은 문제가 많다는 것입니다. 그들은 분명히 분명하지 않은 "검은색"이기 때문입니다.
이 스레드의 본질은 그것이 누군가의 세계관에 부합하든 모순되든 상관없이 머신 러닝과 관련된 모든 것을 논의하는 것입니다. 얼마나 많은 사람, 많은 의견, 그리고 맛과 색깔에 대한 동료가 없습니다.
ML에 대한 오해가 있는 경우 여기에서 논의하십시오. 아무도 이에 대해 물지 않을 것입니다.
요점은 불확실성을 제거하는 것입니다. 이는 한편으로는 훈련 및 최적화에서 적합성을 제거하고 다른 한편으로는 시스템에 대한 "소프트" 요구 사항을 명확하게 공식화하는 것을 의미합니다. 입구의 TP 및 SL도 불확실성이므로 비상구에만 사용합니다(상품의 변동성에 따라 다르며 우리는 경험적으로 선택하여 거래의 100%가 가능한 한 드물게 중지를 트리거하도록 하고 이상적으로는 절대 사용하지 않습니다. . 입구에서 출구까지 전체 거래를 예측합니다 스프레드와 수수료를 고려하지 않고 결과적으로 이익이 나는 성공적인 거래를 고려합니다 (시스템의 성능은 월 이후에 결정됩니다. 스프레드를 커버할지 여부 및 커미션.) 우리는 진입 신호를 수신했습니다. 입력한 다음 특정 수의 막대(경험적으로 결정되고 예측 변수 및 거래 수단에 따라 다름)를 기다린 후 다음을 찾습니다. - 다른 막대를 기다립니다. 때로는 두 개의 매개변수를 사용합니다. 최소 막대 수와 최대값(최대 막대 수 이후에 거래가 닫히지 않으면 어쨌든 닫힙니다), 때로는 하나만 - 최소 막대 수입니다.
많은 사람들이 놀랄 것이지만 ML을 사용하는 모든 종류의 시스템은 말할 것도 없고 자동차의 TS를 포함하여 많은 시스템이 작동하기 시작합니다. 트릭은 자신과 자동차에게 CU의 강화된 구체적인 규칙을 요구하지 않고 시장 움직임을 완전히 설명하고 ML에 대해 동일한 "소프트" 규칙을 제공하려고 하지 않는 것입니다. 또한, 우리는 시장 수치가 수직 및 수평으로 확장될 수 있다는 것을 알고 있기 때문에 무거운 꼬리(또는 오히려 꼬리가 중요하지 않음)의 형태로 시장의 나쁜 유산을 제거하고 VR의 고정성 부족이 더 이상 문제가 되지 않습니다. 내부 속성을 변경하지 않고(이는 Emlöningists의 삶을 엄청나게 어렵게 만듭니다).
나는 Svinosaurus 스레드와 같은 4 번째 포럼에서 모든 차량의 두 가지 유형(특정 경계 및 무기한 포함)에 대해 썼지만 거기에서 생각이 어떻게든 끝나지 않았습니다. 이제야 명확해 지는군요...
일반적으로 나는 거래 시스템을 개발할 때 내 자신의 규칙을 사용합니다. 논리의 변경으로 인해 가능한 모든 옵션 중에서 성공적인 매개변수 옵션의 비율이 증가하면 이는 좋은 변경입니다(거래에 나쁜 옵션을 선택할 확률 매개 변수를 변경하는 방법에 관계없이 감소합니다. 이 접근 방식은 내 차량에서 이 비율을 크게 증가시켰습니다.
요점은 불확실성을 제거하는 것입니다. 이는 한편으로는 훈련 및 최적화에서 적합성을 제거하고 다른 한편으로는 시스템에 대한 "소프트" 요구 사항을 명확하게 공식화하는 것을 의미합니다. 입구의 TP 및 SL도 불확실성이므로 비상구에만 사용합니다(상품의 변동성에 따라 다르며 우리는 경험적으로 선택하여 거래의 100%가 가능한 한 드물게 중지를 트리거하도록 하고 이상적으로는 절대 사용하지 않습니다. . 입구에서 출구까지 전체 거래를 예측합니다 스프레드와 수수료를 고려하지 않고 결과적으로 이익이 나는 성공적인 거래를 고려합니다 (시스템의 성능은 월 이후에 결정됩니다. 스프레드를 커버할지 여부 및 커미션.) 우리는 진입 신호를 수신했습니다. 입력한 다음 특정 수의 막대(경험적으로 결정되고 예측 변수 및 거래 수단에 따라 다름)를 기다린 후 다음을 찾습니다. - 다른 막대를 기다립니다. 때로는 두 개의 매개변수를 사용합니다. 최소 막대 수와 최대값(최대 막대 수 이후에 거래가 닫히지 않으면 어쨌든 닫힙니다), 때로는 하나만 - 최소 막대 수입니다.
많은 사람들이 놀랄 것이지만 ML을 사용하는 모든 종류의 시스템은 말할 것도 없고 자동차의 TS를 포함하여 많은 시스템이 작동하기 시작합니다. 트릭은 자신과 자동차에게 CU의 강화된 구체적인 규칙을 요구하지 않고 시장 움직임을 완전히 설명하고 ML에 대해 동일한 "소프트" 규칙을 제공하려고 하지 않는 것입니다. 또한, 우리는 시장 수치가 수직 및 수평으로 확장될 수 있다는 것을 알고 있기 때문에 무거운 꼬리(또는 오히려 꼬리가 중요하지 않음)의 형태로 시장의 나쁜 유산을 제거하고 VR의 고정성 부족이 더 이상 문제가 되지 않습니다. 내부 속성을 변경하지 않고(이는 Emlöningists의 삶을 엄청나게 어렵게 만듭니다).
나는 Svinosaurus 스레드와 같은 4 번째 포럼에서 모든 차량의 두 가지 유형(특정 경계 및 무기한 포함)에 대해 썼지만 거기에서 생각이 어떻게든 끝나지 않았습니다. 이제야 명확해 지는군요...
일반적으로 나는 거래 시스템을 개발할 때 내 자신의 규칙을 사용합니다. 논리의 변경으로 인해 가능한 모든 옵션 중에서 성공적인 매개변수 옵션의 비율이 증가하면 이는 좋은 변경입니다(거래에 나쁜 옵션을 선택할 확률 매개 변수를 변경하는 방법에 관계없이 감소합니다. 이 접근 방식은 내 차량에서 이 비율을 크게 증가시켰습니다.
이것은 거래에서 다변수 출구에 대한 설명입니다. 직접 구현했습니다. 맞을 확률이 높아집니다.
1. 그래서 답변을 못 받았는데 패턴이 어떻게 구축/결정/탐지되나요? - 질문이 너무 친밀할 수 있다는 점을 이해합니다. 답변을 드릴 수 없습니다.
패턴은 훈련 세트의 예입니다. 저것들. 샘플의 문자열입니다. 여러 예측 변수 값과 하나 이상의 종속 변수 값입니다.
mytarmailS 가 패턴 패턴을 호출하는 이유는 다음과 같습니다. 기계 학습의 결과에서 얻은 것이 완전히 명확하지 않습니까?
2. 유턴 - 이것은 너무 "어려운" 대답도 아니지만 일반적으로 "어디에서 무엇을 하는지 모르겠어" 범주에 속합니다. 다음 캔들에 반전이 있습니다. 그렇죠? - 한번 더? - 아니, 틀렸어! - 네 번째 캔들에 반전이 있을 수 있을까요? - 네, 역전, 150점 통과, 역전했지만 아니요, 역전이 아니라 수정, 아니더라도, 다 똑같아, 역전... '역전'의 정의를 내릴 길이 없다 ! - 따라서 사전에뿐만 아니라 현재 순간에도 결정하도록 가르 칠 방법이 없습니다.
잠재적인 반전의 경우 차트에 포인트를 표시할 수 있는 지표가 있습니다(대부분 화살표로 표시). 가장 간단한 예는 다시 그리는 것으로 알려진 B. Williams의 프랙탈입니다. 이 경우 분류기를 사용하여 다시 그릴지(거짓) 아니면 차트에 남을지(참)에 대한 주제에 대한 프랙탈의 거짓 또는 참을 예측하려고 시도할 수 있습니다. 프랙탈의 진실을 정확하게 예측하고 신호에 따라 시장에 진입하고 다음 프랙탈에서 퇴출하면 돈을 벌 수 있다는 것은 매우 분명합니다. 또는 예측이 거짓으로 판명되면 손실을 보고 다음 프랙탈을 기다리지 않고 시장을 빠져나와 잠재적 손실을 최소화할 수 있습니다. 현재 이 주제에 대해 작업하고 있습니다.
tdsequenta 지표에 따른 반전 지점 분류에 대한 이 주제의 주민으로부터 Mihail Marchukajtes 는 실습을 전문으로 합니다.
또 다른 지역 주민은 지그재그 역전을 예측하려고 노력하고 있습니다. San Sanych Fomenko .
나머지 주민들은 분류된 패턴에 따라 초의 색상을 예측하는 경우가 가장 많습니다.
또 다른 지역 주민은 지그재그 역전을 예측하려고 노력하고 있습니다. San Sanych Fomenko .
나머지 주민들은 분류된 패턴에 따라 초의 색상을 예측하는 경우가 가장 많습니다.
나는 33개의 반전을 예측하려고 하지 않았다. 여기에는 여러 가지 이유가 있습니다. 어깨부착 ZZ를 예상합니다. 나는 이 목표 변수가 마음에 들지 않지만 이 예측은 TS의 일부일 뿐이므로 30% 미만의 오류가 적합합니다.
시간이 있을 것입니다. 그러면 이 스레드에서 이루어진 몇 가지 수정 사항으로 ZZ의 차례를 예측하려고 노력할 것입니다.
1. 패턴은 훈련 세트의 예입니다. 저것들. 샘플의 문자열입니다. 여러 예측 변수 값과 하나 이상의 종속 변수 값입니다.
2. mytarmailS 가 패턴 패턴을 호출하는 이유는 다음과 같습니다. 기계 학습의 결과에서 얻은 것이 완전히 명확하지 않습니까?
3. 잠재적인 반전에 대해 차트에 포인트를 표시할 수 있는 지표가 있습니다(대부분 화살표로 표시). 가장 간단한 예는 다시 그리는 것으로 알려진 B. Williams의 프랙탈입니다. 이 경우 분류기를 사용하여 다시 그릴지(거짓) 아니면 차트에 남을지(참)에 대한 주제에 대한 프랙탈의 거짓 또는 참을 예측하려고 시도할 수 있습니다. 프랙탈의 진실을 정확하게 예측하고 신호에 따라 시장에 진입 하고 다음 프랙탈에서 퇴출하면 돈을 벌 수 있다는 것은 매우 분명합니다. 또는 예측이 거짓으로 판명되면 손실을 보고 다음 프랙탈을 기다리지 않고 시장을 빠져나와 잠재적 손실을 최소화할 수 있습니다. 저는 현재 이 주제에 대해 작업하고 있습니다.
4. tdsequenta 지표에 따른 반전 지점의 분류에 따라 이 주제의 주민으로부터 Mihail Marchukajtes 는 실습을 전문으로 합니다.
5. 또 다른 지역 주민은 지그재그 반전을 예측하려고 노력하고 있습니다. San Sanych Fomenko .
6. 나머지 주민들은 분류된 패턴에 따라 초의 색을 예측하려고 가장 자주 시도합니다.
1. 패턴이란 무엇인가 - 이해는 하지만 mytarmailS (어떤 종류의 지표 또는 기타)로 측정되는지 모르겠습니다. 그래서 제가 질문한 이유는 (문제의 원인을 파악하는 데 도움을 주기 위해 모델).
2. 예, 명확하지 않습니다.
3, 4, 5 반전을 결정할 수 있는 모든 도구는 다시 그리거나 지연 및 가변 지연을 사용하여 수행합니다. 나는 지금 반전에 초점을 맞추고 싶지 않지만 반전을 결정하는 것은 (약하게 표현하자면) 바람직하지 않다고 100% 확신할 수 있습니다. 탐지의 신뢰성과 설명의 단순성 측면에서 훨씬 더 정확한 것은 아래에서 설명할 접근 방식이며( 연구 중인 주제에서 시도해 볼 수 있음 ) 프랙탈은 2-3개의 촛불 지연으로 탐지됩니다. 이것은 다시 불확실성을 의미하며 거래에서 사용할 수 있는 모든 수단으로 피해야 합니다.
6. 색상 - 50/50. 선택한 지평에 관계없이 그것은 절대적으로 희망이 없습니다.
추신.
따라서 시장 시세에서 불확실한 것과 네트워크, 트리, 지표에 대한 클래식 TS 또는 거래에 사용하려는 것에 대해 명확하고 동시에 "부드러운" 응답으로 표시될 수 있는 것이 무엇인지 알아 내려고 노력해 보겠습니다. 거기. 사실 이러한 질문에 답하면 이동 중에 그리드 및 기타 ML 방법뿐만 아니라 고전적인 지표에서도 수익성 있는 시스템을 만드는 것이 가능해집니다. 이제 누군가가 즉시 "상태를 모니터링하십시오!"라고 말할 것이라는 것을 이해합니다. - 안 줄게, 직접 해보고, 스스로 생각해봐.
따라서 시장 시세에서 불확실한 것과 네트워크, 트리, 지표에 대한 클래식 TS 또는 거래에 사용하려는 것에 대해 명확하고 동시에 "부드러운" 응답으로 표시될 수 있는 것이 무엇인지 알아 내려고 노력해 보겠습니다. 거기. 사실 이러한 질문에 답하면 이동 중에 그리드 및 기타 ML 방법뿐만 아니라 고전적인 지표에서도 수익성 있는 시스템을 만드는 것이 가능해집니다. 이제 누군가가 즉시 "상태를 모니터링하십시오!"라고 말할 것이라는 것을 이해합니다. - 안 줄게, 직접 해보고, 스스로 생각해봐.
이 스레드는 머신 러닝에 관한 것이며 역사적으로 다시 그린 것이 없기 때문에 원칙적으로 귀하가 설명한 다시 그리기 문제가 없습니다.
머신 러닝의 요점은 목표 변수의 클래스 중 하나를 결정하는 예측 변수의 조합을 기록에서 찾는 것입니다. 임의의 숲 에 대해 이야기하면 5000개 이하의 막대 샘플에서 얻을 수 있는 300개 이하의 트리(보통 50~100개)입니다. 표본의 추가 증가는 나무 수의 증가로 이어지지 않습니다. 트리 유형 - 주어진 예측 변수 및 대상 변수 집합에 대해 "패턴"이 종료됨
주요 문제는 과적합에 있습니다. 향후 샘플에서 기존 트리가 클래스를 부정확하게 예측하고 더 정확하게는 클래스를 점점 더 나쁘게 예측합니다. 이 스레드에서 고려되는 것은 이 문제입니다. 즉, 결과 트리가 미래에 발생하고 미래 샘플의 분류 오류가 훈련 샘플과 거의 동일하다는 것을 증명하려고 합니다.
이 스레드는 머신 러닝에 관한 것이며 역사적으로 다시 그린 것이 없기 때문에 원칙적으로 귀하가 설명한 다시 그리기 문제가 없습니다.
머신 러닝의 요점은 목표 변수의 클래스 중 하나를 결정하는 예측 변수의 조합을 기록에서 찾는 것입니다. 랜덤 포레스트에 대해 이야기하면 5000개 이하의 막대 샘플에서 얻을 수 있는 300개 이하의 트리(보통 50~100개)입니다. 표본의 추가 증가는 나무 수의 증가로 이어지지 않습니다. 트리 유형 - 주어진 예측 변수 및 대상 변수 집합에 대해 "패턴"이 종료됨
주요 문제는 과적합에 있습니다. 향후 샘플에서 기존 트리가 클래스를 부정확하게 예측하고 더 정확하게는 클래스를 점점 더 나쁘게 예측합니다. 이 스레드에서 고려되는 것은 이 문제입니다. 즉, 결과 트리가 미래에 발생하고 미래 샘플의 분류 오류가 훈련 샘플과 거의 동일하다는 것을 증명하려고 합니다.
글쎄, 그것은 내가 생각한 것입니다. 나는 그런 반응을 예상했다.
Yury Reshetov , 관심이 있는 경우 개인적으로 저에게 편지를 보내 주시면 알려 드리겠습니다.
1. 그래서 답변을 못 받았는데 패턴이 어떻게 구축/결정/탐지되나요? - 질문이 너무 친밀할 수 있다는 점을 이해합니다. 답변을 드릴 수 없습니다.
예, 친밀하지 않습니다. 저는 많은 것을 시도합니다. 양초 조합 + 수준 조합, 가격 클러스터링, ssa + 클러스터링, 적응 기간이 있는 지표, 푸리에, 엘리엇 파동을 설명하는 것이 얼마나 형식적인지 알고 있습니다. 그리고 몇 가지 군중을 예측하기 위한 더 많은 아이디어가 있지만 지금까지 구현하는 방법을 모릅니다. 모든 것이 너무 꼬여 있습니다.
패턴은 훈련 세트의 예입니다. 저것들. 샘플의 문자열입니다. 여러 예측 변수 값과 하나 이상의 종속 변수 값입니다.
mytarmailS 가 패턴 패턴을 호출하는 이유는 다음과 같습니다. 기계 학습의 결과에서 얻은 것이 완전히 명확하지 않습니까?
이 패턴의 이름이 무엇인지 몰랐습니다. 알겠습니다. 감사합니다.
또 다른 지역 주민은 지그재그 역전을 예측하려고 노력하고 있습니다. San Sanych Fomenko .
실은 ZZ 반전을 하고 있어
나는 지금 반전에 초점을 맞추고 싶지 않지만 반전을 결정하는 것은 (약하게 표현하자면) 바람직하지 않다고 100% 확신할 수 있습니다. 탐지의 신뢰성과 설명의 단순성 측면에서 훨씬 더 정확한 것은 아래에서 설명할 접근 방식입니다( 연구 중인 주제에서 시도해 볼 수 있음 )
자, 저도 기대하고 있습니다. 그리고 지그재그 반전이 얼음이 아닌 이유에 대한 근거를 듣는 것도 흥미로울 것입니다.
글쎄, 그것은 내가 생각한 것입니다. 나는 그런 반응을 예상했다.
Yury Reshetov , 관심이 있는 경우 개인적으로 저에게 편지를 보내 주시면 알려 드리겠습니다.
글쎄, 그것은 내가 생각한 것입니다. 나는 그런 반응을 예상했다.
괜찮아요. San Sanych는 여기에 게임의 일부 개인 및 "궁극적으로 진실한" 규칙을 부과하려는 시도에 특이한 점이 있습니다. 결론은 머신 러닝에는 모호함이 없지만 "블랙 박스"를 사용하는 주제에 대해 완전히 개발되지 않은 문제가 많다는 것입니다. 그들은 분명히 분명하지 않은 "검은색"이기 때문입니다.
이 스레드의 본질은 그것이 누군가의 세계관에 부합하든 모순되든 상관없이 머신 러닝과 관련된 모든 것을 논의하는 것입니다. 얼마나 많은 사람, 많은 의견, 그리고 맛과 색깔에 대한 동료가 없습니다.
ML에 대한 오해가 있는 경우 여기에서 논의하십시오. 아무도 이에 대해 물지 않을 것입니다.
질문이 없고 어디를 파야 하는지 이미 명확하고 핍을 측정하려는 욕구만 있는 선원은 지점에 갈 수 있습니다. 기계 학습: 이론 및 실습(거래 전용, 상태 전용 항목)
안드레이 딕 :
Yury Reshetov , 관심이 있는 경우 개인적으로 저에게 편지를 보내 주시면 알려 드리겠습니다.
방법은 다음과 같습니다(다음 모두는 ML 및 클래식 TS 모두에 동일하게 적용됨).
요점은 불확실성을 제거하는 것입니다. 이는 한편으로는 훈련 및 최적화에서 적합성을 제거하고 다른 한편으로는 시스템에 대한 "소프트" 요구 사항을 명확하게 공식화하는 것을 의미합니다. 입구의 TP 및 SL도 불확실성이므로 비상구에만 사용합니다(상품의 변동성에 따라 다르며 우리는 경험적으로 선택하여 거래의 100%가 가능한 한 드물게 중지를 트리거하도록 하고 이상적으로는 절대 사용하지 않습니다. . 입구에서 출구까지 전체 거래를 예측합니다 스프레드와 수수료를 고려하지 않고 결과적으로 이익이 나는 성공적인 거래를 고려합니다 (시스템의 성능은 월 이후에 결정됩니다. 스프레드를 커버할지 여부 및 커미션.) 우리는 진입 신호를 수신했습니다. 입력한 다음 특정 수의 막대(경험적으로 결정되고 예측 변수 및 거래 수단에 따라 다름)를 기다린 후 다음을 찾습니다. - 다른 막대를 기다립니다. 때로는 두 개의 매개변수를 사용합니다. 최소 막대 수와 최대값(최대 막대 수 이후에 거래가 닫히지 않으면 어쨌든 닫힙니다), 때로는 하나만 - 최소 막대 수입니다.
많은 사람들이 놀랄 것이지만 ML을 사용하는 모든 종류의 시스템은 말할 것도 없고 자동차의 TS를 포함하여 많은 시스템이 작동하기 시작합니다. 트릭은 자신과 자동차에게 CU의 강화된 구체적인 규칙을 요구하지 않고 시장 움직임을 완전히 설명하고 ML에 대해 동일한 "소프트" 규칙을 제공하려고 하지 않는 것입니다. 또한, 우리는 시장 수치가 수직 및 수평으로 확장될 수 있다는 것을 알고 있기 때문에 무거운 꼬리(또는 오히려 꼬리가 중요하지 않음)의 형태로 시장의 나쁜 유산을 제거하고 VR의 고정성 부족이 더 이상 문제가 되지 않습니다. 내부 속성을 변경하지 않고(이는 Emlöningists의 삶을 엄청나게 어렵게 만듭니다).
나는 Svinosaurus 스레드와 같은 4 번째 포럼에서 모든 차량의 두 가지 유형(특정 경계 및 무기한 포함)에 대해 썼지만 거기에서 생각이 어떻게든 끝나지 않았습니다. 이제야 명확해 지는군요...
일반적으로 나는 거래 시스템을 개발할 때 내 자신의 규칙을 사용합니다. 논리의 변경으로 인해 가능한 모든 옵션 중에서 성공적인 매개변수 옵션의 비율이 증가하면 이는 좋은 변경입니다(거래에 나쁜 옵션을 선택할 확률 매개 변수를 변경하는 방법에 관계없이 감소합니다. 이 접근 방식은 내 차량에서 이 비율을 크게 증가시켰습니다.
방법은 다음과 같습니다(다음 모두는 ML 및 클래식 TS 모두에 동일하게 적용됨).
요점은 불확실성을 제거하는 것입니다. 이는 한편으로는 훈련 및 최적화에서 적합성을 제거하고 다른 한편으로는 시스템에 대한 "소프트" 요구 사항을 명확하게 공식화하는 것을 의미합니다. 입구의 TP 및 SL도 불확실성이므로 비상구에만 사용합니다(상품의 변동성에 따라 다르며 우리는 경험적으로 선택하여 거래의 100%가 가능한 한 드물게 중지를 트리거하도록 하고 이상적으로는 절대 사용하지 않습니다. . 입구에서 출구까지 전체 거래를 예측합니다 스프레드와 수수료를 고려하지 않고 결과적으로 이익이 나는 성공적인 거래를 고려합니다 (시스템의 성능은 월 이후에 결정됩니다. 스프레드를 커버할지 여부 및 커미션.) 우리는 진입 신호를 수신했습니다. 입력한 다음 특정 수의 막대(경험적으로 결정되고 예측 변수 및 거래 수단에 따라 다름)를 기다린 후 다음을 찾습니다. - 다른 막대를 기다립니다. 때로는 두 개의 매개변수를 사용합니다. 최소 막대 수와 최대값(최대 막대 수 이후에 거래가 닫히지 않으면 어쨌든 닫힙니다), 때로는 하나만 - 최소 막대 수입니다.
많은 사람들이 놀랄 것이지만 ML을 사용하는 모든 종류의 시스템은 말할 것도 없고 자동차의 TS를 포함하여 많은 시스템이 작동하기 시작합니다. 트릭은 자신과 자동차에게 CU의 강화된 구체적인 규칙을 요구하지 않고 시장 움직임을 완전히 설명하고 ML에 대해 동일한 "소프트" 규칙을 제공하려고 하지 않는 것입니다. 또한, 우리는 시장 수치가 수직 및 수평으로 확장될 수 있다는 것을 알고 있기 때문에 무거운 꼬리(또는 오히려 꼬리가 중요하지 않음)의 형태로 시장의 나쁜 유산을 제거하고 VR의 고정성 부족이 더 이상 문제가 되지 않습니다. 내부 속성을 변경하지 않고(이는 Emlöningists의 삶을 엄청나게 어렵게 만듭니다).
나는 Svinosaurus 스레드와 같은 4 번째 포럼에서 모든 차량의 두 가지 유형(특정 경계 및 무기한 포함)에 대해 썼지만 거기에서 생각이 어떻게든 끝나지 않았습니다. 이제야 명확해 지는군요...
일반적으로 나는 거래 시스템을 개발할 때 내 자신의 규칙을 사용합니다. 논리의 변경으로 인해 가능한 모든 옵션 중에서 성공적인 매개변수 옵션의 비율이 증가하면 이는 좋은 변경입니다(거래에 나쁜 옵션을 선택할 확률 매개 변수를 변경하는 방법에 관계없이 감소합니다. 이 접근 방식은 내 차량에서 이 비율을 크게 증가시켰습니다.