계량 경제학은 멋진 과학입니다. 그러나 그녀는 아무 말도 하지 않고 아무 예측도 하지 않습니다. 그녀는 사실을 말하고 있습니다. 예를 들어 베이지안 분류기를 망칠 수 있습니다. 오랫동안 힘들게 고문한 다음 계량경제학적으로나 과학적으로 가격이 마틴게일이라는 결론을 내릴 수 있습니다. 가장 좋은 전략은 동시에 판매하면서 사는 것입니다.
목표가 마틴게일의 가격을 정하는 것이라면 거기에서 멈출 수 있고 그렇지 않다면 다른 요소를 연구하십시오.
동영상을 녹화해서 YouTube에 업로드하는 것이 더 쉽고, 텍스트를 많이 쓰는 것보다 시각적으로 보여주는 것이 더 쉽습니다. 더 정확하게 말하자면, 내가 이미 가능한 해결책 중 하나를 찾았다고 말하면 많은 사람들이 그것을 좋아할 것입니다. 나머지 기사에 관해서는 누군가에게 유용하기를 바라는 이론이 더 있습니다. 유감스럽게도 이 모든 것을 혼자 추론할 수는 없습니다... 아이디어도 많고 지식도 많지만 제 장점을 깨닫기엔 부족해서 지금까지 내려야 할 결정은 단 하나였고, 그런 다음 역학에서 확인해야하지만 이에 대한 리소스가 없습니다 ... 현재는 컴퓨팅 성능 부족만 경험하고 나머지는 필요한 모든 것입니다. 요컨대 서버가 필요할수록 강력할수록 좋습니다. 여기에서 비디오를 볼 수 있습니다.
예브게니 듀카 더 나쁘거나 더 나은 기술 분석이 있지만 어떤 기초와도 작동하는 경우 신경망은 기술 분석에 참여하므로 기초가 큰 영향을 미치지 않는 시점을 예측할 수 있습니다.
+1
시간 관리는 어떤 종류의 자동화에도 취소되지 않았습니다... 2주에 한 번(FOMC가 만날 때) - TA에 의존해서는 안 되며, FA(및 DB의 일부 전제 조건)만 ... 그건 그렇고, 그는 만나서(자신의 BP 잔액의 현재 문제에 대해 결정을 내림) - 다른 시간에 ... 그래서 - 그들이 어떻게 들었는지, 그가 말할 때 그들이 어떻게 이해했는지는 더 이상 중요하지 않지만 여전히 소매- 상인(가장 정보가 없는 사람)은 "후"만 이해할 것입니다... 그러나 타이밍의 모든 뉘앙스(누가 언제 어떤 목적으로 시장에 진입하는지)는 최소한 일반적인 용어로 상상해야 합니다...
시간 관리는 어떤 종류의 자동화에도 취소되지 않았습니다... 2주에 한 번(FOMC가 만날 때) - TA에 의존해서는 안 되며, FA(및 DB의 일부 전제 조건)만 ... 그건 그렇고, 그는 만나서(자신의 BP 잔액의 현재 문제에 대해 결정을 내림) - 다른 시간에 ... 그래서 - 그들이 어떻게 들었는지, 그가 말할 때 그들이 어떻게 이해했는지는 더 이상 중요하지 않지만 여전히 소매- 상인(가장 정보가 없는 사람)은 "후"만 이해할 것입니다... 그러나 타이밍의 모든 뉘앙스(누가 언제 어떤 목적으로 시장에 진입하는지)는 최소한 일반적인 용어로 상상해야 합니다...
완전 자동 장치가 한 것은 훌륭하지만 문제는 새 데이터에서 이러한 유형의 모델이 즉시 무패 상태가 되고 교차 검증이나 다른 어떤 것도 도움이 되지 않는다는 것입니다.
그리고 어떤 지원 기능을 사용할지는 중요하지 않습니다.
다항식 근사 (당신과 같은) 또는
필터 캐스케이드(DSP) 또는
자동으로 생성된 필터 캐스케이드(다층 신경망) 또는
선형 회귀(MGUA)의 근사 계단식 또는
상고조파 등에 의한 근사
사실 어떤 지원 함수를 근사화(근사화)하든 상관없지만 거의 다 똑같고 문제가 다릅니다
데이터가 동일하지 않거나 모든 방법의 결과가 동일하기 때문에 잘못된 것을 훈련합니다.
여기에 약간의 진실이 있지만 내 모델을 확인했습니다. 가장 중요한 것은 우리가 어떤 종류의 발전을 기대하고 있는지 아는 것입니다. 문제는 재훈련에 있습니다. 재훈련을 하지 않으려면 최종 기준 세트에 대한 분석 중인 데이터 양의 최대 비율을 위해 노력해야 합니다. 즉, 여기에서 데이터 압축이 발생합니다. 예를 들어, 포물선 그래프의 데이터를 가져와 수천 점을 취하고 모든 것을 3개의 계수 A * X ^ 2 + B * X + C로 줄입니다. 거기에서 데이터 압축 품질이 더 높고 앞으로가 있습니다. 과적합은 이 데이터 압축을 고려하는 올바른 스칼라 성능 측정을 입력하여 제어할 수 있습니다. 제 경우에는 이것이 더 간단하게 수행됩니다. 고정된 수의 계수를 취하고 샘플 크기를 최대한 크게 하면 효율성은 떨어지지만 작동합니다.
안녕하세요!
한 밝은 마음은 다음과 같이 말했습니다. - 신경망은 신경망이지만 기초는 모든 것을 무너뜨립니다.
저것들. 우리는 시간을 낭비하고 있습니까? 또는 어떻게?
무지한 저에게 설명해주세요.
계량 경제학은 멋진 과학입니다. 그러나 그녀는 아무 말도 하지 않고 아무 예측도 하지 않습니다. 그녀는 사실을 말하고 있습니다. 예를 들어 베이지안 분류기를 망칠 수 있습니다. 오랫동안 힘들게 고문한 다음 계량경제학적으로나 과학적으로 가격이 마틴게일이라는 결론을 내릴 수 있습니다. 가장 좋은 전략은 동시에 판매하면서 사는 것입니다.
목표가 마틴게일의 가격을 정하는 것이라면 거기에서 멈출 수 있고 그렇지 않다면 다른 요소를 연구하십시오.
안녕하세요!
한 밝은 마음은 다음과 같이 말했습니다. - 신경망은 신경망이지만 기초는 모든 것을 무너뜨립니다.
저것들. 우리는 시간을 낭비하고 있습니까? 또는 어떻게?
무지한 저에게 설명해주세요.
기초는 신경망뿐만 아니라 유리 및 계량 경제학 등을 깨뜨리지 않습니다.
모든 것과 모든 것이 시장 균형을 깨뜨립니다.
그리고 더 이상
무엇을 찾고 계신가요? 그것은 당신의 기사에서 전혀 명확하지 않습니다.
동영상을 녹화해서 YouTube에 업로드하는 것이 더 쉽고, 텍스트를 많이 쓰는 것보다 시각적으로 보여주는 것이 더 쉽습니다. 더 정확하게 말하자면, 내가 이미 가능한 해결책 중 하나를 찾았다고 말하면 많은 사람들이 그것을 좋아할 것입니다. 나머지 기사에 관해서는 누군가에게 유용하기를 바라는 이론이 더 있습니다. 유감스럽게도 이 모든 것을 혼자 추론할 수는 없습니다... 아이디어도 많고 지식도 많지만 제 장점을 깨닫기엔 부족해서 지금까지 내려야 할 결정은 단 하나였고, 그런 다음 역학에서 확인해야하지만 이에 대한 리소스가 없습니다 ... 현재는 컴퓨팅 성능 부족만 경험하고 나머지는 필요한 모든 것입니다. 요컨대 서버가 필요할수록 강력할수록 좋습니다. 여기에서 비디오를 볼 수 있습니다.
https://youtu.be/NLA0u172oTw
안녕하세요!
한 밝은 마음은 다음과 같이 말했습니다. - 신경망은 신경망이지만 기초는 모든 것을 무너뜨립니다.
저것들. 우리는 시간을 낭비하고 있습니까? 또는 어떻게?
무지한 저에게 설명해주세요.
팀은 이제 수익을 내고 있습니다. 즉, 거래자는 비즈니스 조직 수준에서 잃습니다.
모든 사람은 자신의 일을 해야 합니다.
장기적으로 거래자는 거래할 수 있지만 소음 수준이 낮을수록 조직화된 팀이 더 필요합니다. 그리고 거기에서 한 상인이 벌고 누구와도 공유하지 않는다는 것은 말도 안되는 소리입니다.
적절한 위험 관리자가 필요합니다.
적절한 거래자
적절한 양
펀드의 고객을 다루는 소녀들
조직화되지 않은 시장의 어딘가에 있을 수 있지만 모든 것이 효율적이지 않은 순간에는 빠르게 사라집니다.
더 나쁘거나 더 나은 기술 분석이 있지만 어떤 기초와도 작동하는 경우 신경망은 기술 분석에 참여하므로 기초가 큰 영향을 미치지 않는 시점을 예측할 수 있습니다.
시간 관리는 어떤 종류의 자동화에도 취소되지 않았습니다... 2주에 한 번(FOMC가 만날 때) - TA에 의존해서는 안 되며, FA(및 DB의 일부 전제 조건)만 ... 그건 그렇고, 그는 만나서(자신의 BP 잔액의 현재 문제에 대해 결정을 내림) - 다른 시간에 ... 그래서 - 그들이 어떻게 들었는지, 그가 말할 때 그들이 어떻게 이해했는지는 더 이상 중요하지 않지만 여전히 소매- 상인(가장 정보가 없는 사람)은 "후"만 이해할 것입니다... 그러나 타이밍의 모든 뉘앙스(누가 언제 어떤 목적으로 시장에 진입하는지)는 최소한 일반적인 용어로 상상해야 합니다...
동영상을 녹화해서 YouTube에 업로드하는 것이 더 쉽고, 텍스트를 많이 쓰는 것보다 시각적으로 보여주는 것이 더 쉽습니다.
완전 자동 장치가 한 것은 훌륭하지만 문제는 새 데이터에서 이러한 유형의 모델이 즉시 무패 상태가 되고 교차 검증이나 다른 어떤 것도 도움이 되지 않는다는 것입니다.
그리고 어떤 지원 기능을 사용할지는 중요하지 않습니다.
다항식 근사 (당신과 같은) 또는
필터 캐스케이드(DSP) 또는
자동으로 생성된 필터 캐스케이드(다층 신경망) 또는
선형 회귀(MGUA)의 근사 캐스케이드 또는
기존 고조파 등에 의한 근사
사실 어떤 지원 함수를 근사화(근사화)하든 상관없지만 거의 다 똑같고 문제가 다릅니다
데이터가 동일하지 않거나 모든 방법의 결과가 동일하기 때문에 잘못된 것을 훈련합니다.
+1
시간 관리는 어떤 종류의 자동화에도 취소되지 않았습니다... 2주에 한 번(FOMC가 만날 때) - TA에 의존해서는 안 되며, FA(및 DB의 일부 전제 조건)만 ... 그건 그렇고, 그는 만나서(자신의 BP 잔액의 현재 문제에 대해 결정을 내림) - 다른 시간에 ... 그래서 - 그들이 어떻게 들었는지, 그가 말할 때 그들이 어떻게 이해했는지는 더 이상 중요하지 않지만 여전히 소매- 상인(가장 정보가 없는 사람)은 "후"만 이해할 것입니다... 그러나 타이밍의 모든 뉘앙스(누가 언제 어떤 목적으로 시장에 진입하는지)는 최소한 일반적인 용어로 상상해야 합니다...
... 당신은 ... 자신 .... 무역 ...?
FOMC.... 만난다.... 아니.... 두.... 배.... 당.... 하지만....8..... 배.... 당. ... 년도....
완전 자동 장치가 한 것은 훌륭하지만 문제는 새 데이터에서 이러한 유형의 모델이 즉시 무패 상태가 되고 교차 검증이나 다른 어떤 것도 도움이 되지 않는다는 것입니다.
그리고 어떤 지원 기능을 사용할지는 중요하지 않습니다.
다항식 근사 (당신과 같은) 또는
필터 캐스케이드(DSP) 또는
자동으로 생성된 필터 캐스케이드(다층 신경망) 또는
선형 회귀(MGUA)의 근사 계단식 또는
상고조파 등에 의한 근사
사실 어떤 지원 함수를 근사화(근사화)하든 상관없지만 거의 다 똑같고 문제가 다릅니다
데이터가 동일하지 않거나 모든 방법의 결과가 동일하기 때문에 잘못된 것을 훈련합니다.
여기에 약간의 진실이 있지만 내 모델을 확인했습니다. 가장 중요한 것은 우리가 어떤 종류의 발전을 기대하고 있는지 아는 것입니다. 문제는 재훈련에 있습니다. 재훈련을 하지 않으려면 최종 기준 세트에 대한 분석 중인 데이터 양의 최대 비율을 위해 노력해야 합니다. 즉, 여기에서 데이터 압축이 발생합니다. 예를 들어, 포물선 그래프의 데이터를 가져와 수천 점을 취하고 모든 것을 3개의 계수 A * X ^ 2 + B * X + C로 줄입니다. 거기에서 데이터 압축 품질이 더 높고 앞으로가 있습니다. 과적합은 이 데이터 압축을 고려하는 올바른 스칼라 성능 측정을 입력하여 제어할 수 있습니다. 제 경우에는 이것이 더 간단하게 수행됩니다. 고정된 수의 계수를 취하고 샘플 크기를 최대한 크게 하면 효율성은 떨어지지만 작동합니다.