도서관 : 설명이 너무 짧습니다. 외부 1개의 예측 변수가 여러 개로 분할되어 이미 5개의 예측 변수 역할을 하는지 여부는 명확하지 않습니다. 오히려 미리 계산된 분할 값처럼 여전히 내부적으로 수행됩니다. 그리고 부문별로 나눕니다. 나는 이것이 고전적인 트리 구축 알고리즘에서 반 나누기보다 더 효율적이라는 데 동의합니다.
외부 또는 내부은 무슨 뜻인가요? 내가 이해하는 한, 그들은 충분한 수의 활성화를 저장하고 각 부서에 일종의 예측 능력을 부여하기 위해 예측자를 취하고 지표를 세그먼트로 나누려고 시도합니다. 이를 위해 주어진 단계 또는 작은 단계의 선형 결합(단순화하기 위한 것임), 범위가 있는 셀이 나타납니다. 훈련 중에 모든 트리를 구성할 때 이러한 셀 집합만 사용됩니다. 그러나 그것은 정확하지 않습니다 :)
이 셀을 하나로 병합하려고 합니다. 어제 이 게시물을 보았을 때 범주형 예측 변수에 대해 유사한 작업을 수행한다는 언급이 있습니다.
제 경우에는 과적합의 위험이 있습니다. 잠시 후 샘플에서 확인하고 모델이 준비되면 확인을 위해 샘플을 만듭니다.
이 스레드에서 비정상성 문제를 거의 완전히 무시하는 것은 매우 당혹스러운 일입니다. 어떤 이유에서인지 과거에 발견된 패턴이 미래에도 작동할 것이라고 가정하고 작동하지 않으면 재훈련이 발생한 것입니다. 그러나 일부 패턴은 점진적으로 또는 갑자기(예: 현재와 같은 위기의 결과로) 시간이 지남에 따라 작동을 멈춥니다.
나는 MO 모델이 복잡하고 사람에 의해 잘못 해석된다는 사실에서 문제를 봅니다. 제대로 작동하지 않기 시작하면 (모델의 프레임워크 내에서) 과적합 변형과 비정상 변형을 구별하는 것이 불가능합니다. 기존의 기술 분석에서는 항상 "트렌드 변화", "레벨/채널 이탈" 등을 말할 수 있습니다.
이 스레드에서 비정상성 문제를 거의 완전히 무시하는 것은 매우 당혹스러운 일입니다. 어떤 이유에서인지 과거에 발견된 패턴이 미래에도 작동한다고 가정하고 작동 하지 않으면 재훈련이 발생한 것입니다. 그러나 일부 패턴은 점진적으로 또는 갑자기(예: 현재와 같은 위기의 결과로) 시간이 지남에 따라 작동을 멈춥니다.
나는 MO 모델이 복잡하고 사람에 의해 잘못 해석된다는 사실에서 문제를 봅니다. 제대로 작동하지 않기 시작하면 (모델의 프레임워크 내에서) 과적합 변형과 비정상 변형을 구별하는 것이 불가능합니다. 기존의 기술 분석에서는 항상 "트렌드 변화", "레벨/채널 이탈" 등을 말할 수 있습니다.
추측이 아닌데요... 실습에 따르면 교육 사이트에서 1% 오류가 표시되고 새 사이트에서 50% 오류가 표시됩니다. 저것들. 중요한 예측 변수가 필요하며 하나의 트리나 일종의 회귀로도 훈련할 수 있습니다.
이 스레드에서 비정상성 문제를 거의 완전히 무시하는 것은 매우 당혹스러운 일입니다. 어떤 이유에서인지 과거에 발견된 패턴이 미래에도 작동할 것이라고 가정하고 작동하지 않으면 재훈련이 발생한 것입니다. 그러나 일부 패턴은 점진적으로 또는 갑자기(예: 현재와 같은 위기의 결과로) 시간이 지남에 따라 작동을 멈춥니다.
나는 MO 모델이 복잡하고 사람에 의해 잘못 해석된다는 사실에서 문제를 봅니다. 제대로 작동하지 않기 시작하면 (모델의 프레임워크 내에서) 과적합 변형과 비정상 변형을 구별하는 것이 불가능합니다. 기존의 기술 분석에서는 항상 "트렌드 변화", "레벨/채널 이탈" 등을 말할 수 있습니다.
완전히 동의 해.
나는 이 질문에 반복적으로 의아해했고, 시스템의 결과를 특정 영역에서의 잠재력과 비교할 필요가 있다고 생각합니다.
오늘 저는 이것에 대해 생각하고 있었습니다. 어떻게 하면 더 잘하고 더 보편적으로 할 수 있을까요? 나는 여러 단계의 학습 과정을 제시하는데, 그 중 첫 번째는 샘플의 레이블링이며 모든 신호 전략에 따라 레이블을 지정할 수 있습니다. 이러한 전략은 원시적이어야 하지만 가능성이 있습니다. 예를 들어 가격이 MA를 교차하면 이러한 교차 방향으로 진입 신호를 생성하거나 그 반대의 경우도 마찬가지입니다. 그런 다음 학습은 잘못된 신호를 필터링하는 방법일 뿐입니다. 이러한 가정을 수용하면 각 시간 간격에서 이러한 필터링이 얼마나 효과적인지 백분율로 계산할 수 있습니다. 여기서 가장 간단한 것은 기본 전략에 대한 분류의 정확성과 완성도를 계산하는 것입니다. 다른 옵션이 있습니다 - 메트릭. 그러면 돈을 잃기 시작하더라도 모델의 성능이 어떻게 변하는지 알 수 있습니다.
이 스레드에서 비정상성 문제를 거의 완전히 무시하는 것은 매우 당혹스러운 일입니다. 어떤 이유에서인지 과거에 발견된 패턴이 미래에도 작동할 것이라고 가정하고 작동하지 않으면 재훈련이 발생한 것입니다. 그러나 일부 패턴은 점진적으로 또는 갑자기(예: 현재와 같은 위기의 결과로) 시간이 지남에 따라 작동을 멈춥니다.
나는 MO 모델이 복잡하고 사람에 의해 잘못 해석된다는 사실에서 문제를 봅니다. 제대로 작동하지 않기 시작하면 (모델의 프레임워크 내에서) 과적합 변형과 비정상 변형을 구별하는 것이 불가능합니다. 기존의 기술 분석에서는 항상 "트렌드 변화", "레벨/채널 이탈" 등을 말할 수 있습니다.
연습이 있습니다. 마지막 훈련으로부터 한 달이 채 안되어 나는 큐볼을 강하게 배출한 후에도 변화를 눈치채지 못했다. 영향을 미치는 것은 자산의 조작적 움직임 직후의 기간이며, 이때 신경망은 완전히 상실되고 온갖 말도 안되는 소리를 냅니다. 그런 폭풍에서 멀어질수록 예측이 더 적절해집니다.
예브게니 듀카 : 연습이 있습니다. 마지막 훈련으로부터 한 달이 채 안되어 나는 큐볼을 강하게 배출한 후에도 변화를 눈치채지 못했다. 영향을 미치는 것은 자산의 조작적 움직임 직후의 기간이며, 이때 신경망은 완전히 상실되고 온갖 말도 안되는 소리를 냅니다. 그런 폭풍에서 멀어질수록 예측이 더 적절해집니다.
#23 - 아니요, 유토피아, 많은 시간과 노력, 결과적으로 백테스트에서 봇은 한 쌍에서 연간 최대 X5를 만들지만 연간 평균 한 번 모든 것을 잃습니다. 실제 시장에서 이러한 "1년에 한 번"은 특히 이와 같은 폭풍우가 치는 동안 빠르게 발생합니다. 나는 더 이상 완전 자동 봇을 믿지 않습니다. 이것은 원칙적으로 작동하지 않으며 시장은 어쨌든 조정하고 속일 것입니다))
#16015 - 그러나 이것으로 더 좋아졌습니다. 이제 작동하는 프로토 타입이 있습니다. Neuro는 네트워크의 "신뢰도"에 따라 BTCUSD 쌍의 다음 10-30분을 예측합니다. 신뢰도가 높을수록 15분 영역에서 운동할 확률이 높을수록 신뢰도가 낮을수록 예측이 더 모호합니다. 양초에 구속력이 없으며 예측이 매분 나옵니다.
예측을 아름답게 시각화하는 MT5용 Expert가 있습니다. 여기에서 다운로드할 수 있습니다 (이전에 다운로드한 사람 - 이 링크를 통해 업데이트, 버그가 수정됨). BTCUSD에서만 작동하고 M1 TF에서만 작동합니다. 첨부된 지침을 읽으십시오.
이 시각화에서 예측이 아직 완벽하지 않다는 것이 분명하지만 훈련은 초기 단계에 불과하며 모든 것이 무릎 위에 있습니다. 다음에 갈 곳이 생각나네요...
설명이 너무 짧습니다.
외부 1개의 예측 변수가 여러 개로 분할되어 이미 5개의 예측 변수 역할을 하는지 여부는 명확하지 않습니다. 오히려 미리 계산된 분할 값처럼 여전히 내부적으로 수행됩니다. 그리고 부문별로 나눕니다.
나는 이것이 고전적인 트리 구축 알고리즘에서 반 나누기보다 더 효율적이라는 데 동의합니다.
외부 또는 내부은 무슨 뜻인가요? 내가 이해하는 한, 그들은 충분한 수의 활성화를 저장하고 각 부서에 일종의 예측 능력을 부여하기 위해 예측자를 취하고 지표를 세그먼트로 나누려고 시도합니다. 이를 위해 주어진 단계 또는 작은 단계의 선형 결합(단순화하기 위한 것임), 범위가 있는 셀이 나타납니다. 훈련 중에 모든 트리를 구성할 때 이러한 셀 집합만 사용됩니다. 그러나 그것은 정확하지 않습니다 :)
이 셀을 하나로 병합하려고 합니다. 어제 이 게시물을 보았을 때 범주형 예측 변수에 대해 유사한 작업을 수행한다는 언급이 있습니다.
제 경우에는 과적합의 위험이 있습니다. 잠시 후 샘플에서 확인하고 모델이 준비되면 확인을 위해 샘플을 만듭니다.
이 스레드에서 비정상성 문제를 거의 완전히 무시하는 것은 매우 당혹스러운 일입니다. 어떤 이유에서인지 과거에 발견된 패턴이 미래에도 작동할 것이라고 가정하고 작동하지 않으면 재훈련이 발생한 것입니다. 그러나 일부 패턴은 점진적으로 또는 갑자기(예: 현재와 같은 위기의 결과로) 시간이 지남에 따라 작동을 멈춥니다.
나는 MO 모델이 복잡하고 사람에 의해 잘못 해석된다는 사실에서 문제를 봅니다. 제대로 작동하지 않기 시작하면 (모델의 프레임워크 내에서) 과적합 변형과 비정상 변형을 구별하는 것이 불가능합니다. 기존의 기술 분석에서는 항상 "트렌드 변화", "레벨/채널 이탈" 등을 말할 수 있습니다.
그런 아줌마와 함께라면 빨래도, 요리도 해야 할 일이 생길 수 있어요 :)
글쎄, 그것은 튀기는 방법에 달려 있습니다. 찌질한 여자가 요리를 더 잘한다 :-)
시를 가진 그런 여성과 헤어지지 않을 것입니다. 모스크바 주립 대학 수준에서 마탄을 가르쳐야합니다)
이 스레드에서 비정상성 문제를 거의 완전히 무시하는 것은 매우 당혹스러운 일입니다. 어떤 이유에서인지 과거에 발견된 패턴이 미래에도 작동한다고 가정하고 작동 하지 않으면 재훈련이 발생한 것입니다. 그러나 일부 패턴은 점진적으로 또는 갑자기(예: 현재와 같은 위기의 결과로) 시간이 지남에 따라 작동을 멈춥니다.
나는 MO 모델이 복잡하고 사람에 의해 잘못 해석된다는 사실에서 문제를 봅니다. 제대로 작동하지 않기 시작하면 (모델의 프레임워크 내에서) 과적합 변형과 비정상 변형을 구별하는 것이 불가능합니다. 기존의 기술 분석에서는 항상 "트렌드 변화", "레벨/채널 이탈" 등을 말할 수 있습니다.
그런데 한 나무는 해석하기가 매우 쉽습니다.
이 스레드에서 비정상성 문제를 거의 완전히 무시하는 것은 매우 당혹스러운 일입니다. 어떤 이유에서인지 과거에 발견된 패턴이 미래에도 작동할 것이라고 가정하고 작동하지 않으면 재훈련이 발생한 것입니다. 그러나 일부 패턴은 점진적으로 또는 갑자기(예: 현재와 같은 위기의 결과로) 시간이 지남에 따라 작동을 멈춥니다.
나는 MO 모델이 복잡하고 사람에 의해 잘못 해석된다는 사실에서 문제를 봅니다. 제대로 작동하지 않기 시작하면 (모델의 프레임워크 내에서) 과적합 변형과 비정상 변형을 구별하는 것이 불가능합니다. 기존의 기술 분석에서는 항상 "트렌드 변화", "레벨/채널 이탈" 등을 말할 수 있습니다.
완전히 동의 해.
나는 이 질문에 반복적으로 의아해했고, 시스템의 결과를 특정 영역에서의 잠재력과 비교할 필요가 있다고 생각합니다.
오늘 저는 이것에 대해 생각하고 있었습니다. 어떻게 하면 더 잘하고 더 보편적으로 할 수 있을까요? 나는 여러 단계의 학습 과정을 제시하는데, 그 중 첫 번째는 샘플의 레이블링이며 모든 신호 전략에 따라 레이블을 지정할 수 있습니다. 이러한 전략은 원시적이어야 하지만 가능성이 있습니다. 예를 들어 가격이 MA를 교차하면 이러한 교차 방향으로 진입 신호를 생성하거나 그 반대의 경우도 마찬가지입니다. 그런 다음 학습은 잘못된 신호를 필터링하는 방법일 뿐입니다. 이러한 가정을 수용하면 각 시간 간격에서 이러한 필터링이 얼마나 효과적인지 백분율로 계산할 수 있습니다. 여기서 가장 간단한 것은 기본 전략에 대한 분류의 정확성과 완성도를 계산하는 것입니다. 다른 옵션이 있습니다 - 메트릭. 그러면 돈을 잃기 시작하더라도 모델의 성능이 어떻게 변하는지 알 수 있습니다.
이 스레드에서 비정상성 문제를 거의 완전히 무시하는 것은 매우 당혹스러운 일입니다. 어떤 이유에서인지 과거에 발견된 패턴이 미래에도 작동할 것이라고 가정하고 작동하지 않으면 재훈련이 발생한 것입니다. 그러나 일부 패턴은 점진적으로 또는 갑자기(예: 현재와 같은 위기의 결과로) 시간이 지남에 따라 작동을 멈춥니다.
나는 MO 모델이 복잡하고 사람에 의해 잘못 해석된다는 사실에서 문제를 봅니다. 제대로 작동하지 않기 시작하면 (모델의 프레임워크 내에서) 과적합 변형과 비정상 변형을 구별하는 것이 불가능합니다. 기존의 기술 분석에서는 항상 "트렌드 변화", "레벨/채널 이탈" 등을 말할 수 있습니다.
연습이 있습니다. 마지막 훈련으로부터 한 달이 채 안되어 나는 큐볼을 강하게 배출한 후에도 변화를 눈치채지 못했다. 영향을 미치는 것은 자산의 조작적 움직임 직후의 기간이며, 이때 신경망은 완전히 상실되고 온갖 말도 안되는 소리를 냅니다. 그런 폭풍에서 멀어질수록 예측이 더 적절해집니다.
#16015 - 흥미롭네요... 오후에 링크(채널)를 얻을 수 있나요?
#23 - 결국 만들었을까?
#16015 - 흥미롭네요... 오후에 링크(채널)를 얻을 수 있나요?
#23 - 결국 만들었을까?
#23 - 아니요, 유토피아, 많은 시간과 노력, 결과적으로 백테스트에서 봇은 한 쌍에서 연간 최대 X5를 만들지만 연간 평균 한 번 모든 것을 잃습니다. 실제 시장에서 이러한 "1년에 한 번"은 특히 이와 같은 폭풍우가 치는 동안 빠르게 발생합니다. 나는 더 이상 완전 자동 봇을 믿지 않습니다. 이것은 원칙적으로 작동하지 않으며 시장은 어쨌든 조정하고 속일 것입니다))
#16015 - 그러나 이것으로 더 좋아졌습니다. 이제 작동하는 프로토 타입이 있습니다.
Neuro는 네트워크의 "신뢰도"에 따라 BTCUSD 쌍의 다음 10-30분을 예측합니다. 신뢰도가 높을수록 15분 영역에서 운동할 확률이 높을수록 신뢰도가 낮을수록 예측이 더 모호합니다. 양초에 구속력이 없으며 예측이 매분 나옵니다.
예측을 아름답게 시각화하는 MT5용 Expert가 있습니다. 여기에서 다운로드할 수 있습니다 (이전에 다운로드한 사람 - 이 링크를 통해 업데이트, 버그가 수정됨).
BTCUSD에서만 작동하고 M1 TF에서만 작동합니다. 첨부된 지침을 읽으십시오.
이 시각화에서 예측이 아직 완벽하지 않다는 것이 분명하지만 훈련은 초기 단계에 불과하며 모든 것이 무릎 위에 있습니다. 다음에 갈 곳이 생각나네요...
추측이 아닌데요... 실습에 따르면 교육 사이트에서 1% 오류가 표시되고 새 사이트에서 50% 오류가 표시됩니다. 저것들. 중요한 예측 변수가 필요하며 하나의 트리나 일종의 회귀로도 훈련할 수 있습니다.
그런데 한 나무는 해석하기가 매우 쉽습니다.
모든 예측 변수는 시간이 지남에 따라 의미가 변경되는 경향이 있습니다. 무용지물이 아니라 끊임없이 새로운 것을 찾고 이전에 발견된 것의 의미 상실에 대비해야 한다는 사실에 관한 것입니다.