임의의 지연이 있는 일반 증분. 로그 또는 제로 막대 없음. 문제는 부호에 관한 것이었습니다. 가장 큰 문제는 신호/노이즈 비율이 낮다는 것입니다. 하지만 모든 정보를 담고 있습니다.
분명히 모든 정보를 담고 있습니다. 그러나 인접한 막대 사이에 증분을 사용하면 지난 100개의 막대에 추세가 있다는 것을 이해하려면 모델은 100개의 막대를 모두 더하고 0 막대에서 증분을 가져와야 합니다. 그리고 0 바에서 한 번에 공급함으로써 - 우리는 작업을 더 쉽게 만듭니다. 아마도 신경망은 100 개의 증분을 모두 고려하여 추세를 찾을 수 있지만 나무 모델은 가능하지 않을 것입니다. 모델이 여러 기능 (최대 10 개)에서 가장 잘 작동하고 10 개에서 100 개의 전체 추세가 형성되지 않는다고 직접 말씀 하셨고 저도 같은 결과를 얻었습니다. 그리고 증분 외에도 더 유용한 징후가있을 수 있습니다.
그래서 모델이 추세를 볼 수 있도록 증분에 대한 임의의 지연이 항상 0 바에서 시작되는 이유입니다. 인접한 막대 사이의 증분은 노이즈라고 생각하기 때문에 전혀 사용하지 않습니다. 예를 들어 120과 121 바 사이의 0.00010pt 증분, 즉 2시간 전의 증분이 현재 상황에 어떤 영향을 미칠 수 있을까요? - 없습니다.
모든 것이 분명합니다. 그러나 인접한 막대 사이에 증분을 사용하는 경우 지난 100 개의 막대에 추세가 있음을 이해하려면 모델은 100 개의 막대를 모두 더하고 0 막대에서 증분을 가져와야합니다. 그리고 0 바에서 한 번에 공급함으로써 - 우리는 작업을 더 쉽게 만듭니다. 아마도 신경망은 100 개의 증분을 모두 고려하여 추세를 찾을 수 있지만 나무 모델은 가능하지 않을 것입니다. 모델이 여러 기능 (최대 10 개)에서 가장 잘 작동하고 10 개에서 100 개의 전체 추세가 형성되지 않는다고 직접 말씀 하셨고 저도 같은 결과를 얻었습니다. 그리고 증분 외에도 더 유용한 징후가있을 수 있습니다.
그래서 모델이 추세를 볼 수 있도록 증분에 대한 임의의 지연이 항상 0 바에서 시작되는 이유입니다. 인접한 막대 사이의 증분은 노이즈라고 생각하기 때문에 전혀 사용하지 않습니다. 예를 들어 120과 121 바 사이의 0.00010pt 증분, 즉 2시간 전의 증분이 현재 상황에 어떤 영향을 미칠 수 있을까요? - 없습니다.
추세는 평균 증분 단위의 변화입니다. 따라서 증분 차트에도 표시됩니다. 여러 속성의 문제는 교란 요인, 즉 각 속성의 영향을 다른 모든 속성과 분리하기가 더 어려워진다는 관점에서 설명할 수 있습니다. 결국, 각각의 속성은 최종 추정치에 추가적인 오차를 발생시킵니다. 인과 관계 추론이 더 복잡해지고 불확실성이 추가됩니다. 분명히 포그라운드 모델의 복잡성에는 신호 대 잡음비에 따라 어느 정도 제한이 있습니다.
증분 지연은 예측된 바의 거래 기간과 직접적인 관련이 있습니다. 예를 들어 지속 시간이 1 막대인 경우 작은 지연과 작은 창 깊이로 증분을 사용하는 것이 좋습니다. 거래 기간이 길어지면 증분 지연도 자연스럽게 증가합니다. 물론 스프레드에도 영향을 미칩니다.
저는 각 진드기의 데이터를 기록하고 데이터와 함께 csv 파일을 형성하는전문가 조언자를 작성하고 그 옆에이 파일을 분석하고 훈련을 수행 한 다음 첫 번째 파일의 마지막 줄을 기반으로 가격이 어디로 몇 포인트까지 갈지에 대한 예측을 출력하는 신경망을 실행했습니다. 파이썬으로 작성되었습니다. 이미 비슷한 작업을 수행 한 사람과 전체 그림을 다루기 위해 어떤 데이터를 학습 할 수 있는지. 이제 경험은 '개장', '최대', '최소', '마감', '거래량'을 기반으로합니다.
Андрей 전문가 조언자를 작성하고 그 옆에이 파일을 분석하고 훈련을 수행 한 다음 첫 번째 파일의 마지막 줄을 기반으로 가격이 어디로 가고 몇 포인트까지 갈지에 대한 예측을 출력하는 신경망을 시작했습니다. 파이썬으로 작성되었습니다. 이미 비슷한 작업을 한 사람이 있고 전체 그림을 다루기 위해 어떤 데이터를 학습 할 수 있는지 궁금합니다. 이제 경험은 '개장', '최대', '최소', '마감', '거래량'을 기반으로합니다.
임의의 지연이 있는 일반 증분. 로그 또는 제로 막대 없음. 문제는 부호에 관한 것이었습니다. 가장 큰 문제는 신호/노이즈 비율이 낮다는 것입니다. 하지만 모든 정보를 담고 있습니다.
청각 장애인 전화기가 진화하고 있습니다 :)
나는 최근 기사, 특히 다작의 물 작가, 전체 물주기와 함께 전혀 읽지 않습니다 :)임의의 지연이 있는 일반 증분. 로그 또는 제로 막대 없음. 문제는 부호에 관한 것이었습니다. 가장 큰 문제는 신호/노이즈 비율이 낮다는 것입니다. 하지만 모든 정보를 담고 있습니다.
분명히 모든 정보를 담고 있습니다. 그러나 인접한 막대 사이에 증분을 사용하면 지난 100개의 막대에 추세가 있다는 것을 이해하려면 모델은 100개의 막대를 모두 더하고 0 막대에서 증분을 가져와야 합니다. 그리고 0 바에서 한 번에 공급함으로써 - 우리는 작업을 더 쉽게 만듭니다.
아마도 신경망은 100 개의 증분을 모두 고려하여 추세를 찾을 수 있지만 나무 모델은 가능하지 않을 것입니다. 모델이 여러 기능 (최대 10 개)에서 가장 잘 작동하고 10 개에서 100 개의 전체 추세가 형성되지 않는다고 직접 말씀 하셨고 저도 같은 결과를 얻었습니다. 그리고 증분 외에도 더 유용한 징후가있을 수 있습니다.
그래서 모델이 추세를 볼 수 있도록 증분에 대한 임의의 지연이 항상 0 바에서 시작되는 이유입니다. 인접한 막대 사이의 증분은 노이즈라고 생각하기 때문에 전혀 사용하지 않습니다. 예를 들어 120과 121 바 사이의 0.00010pt 증분, 즉 2시간 전의 증분이 현재 상황에 어떤 영향을 미칠 수 있을까요? - 없습니다.
모든 것이 분명합니다. 그러나 인접한 막대 사이에 증분을 사용하는 경우 지난 100 개의 막대에 추세가 있음을 이해하려면 모델은 100 개의 막대를 모두 더하고 0 막대에서 증분을 가져와야합니다. 그리고 0 바에서 한 번에 공급함으로써 - 우리는 작업을 더 쉽게 만듭니다.
아마도 신경망은 100 개의 증분을 모두 고려하여 추세를 찾을 수 있지만 나무 모델은 가능하지 않을 것입니다. 모델이 여러 기능 (최대 10 개)에서 가장 잘 작동하고 10 개에서 100 개의 전체 추세가 형성되지 않는다고 직접 말씀 하셨고 저도 같은 결과를 얻었습니다. 그리고 증분 외에도 더 유용한 징후가있을 수 있습니다.
그래서 모델이 추세를 볼 수 있도록 증분에 대한 임의의 지연이 항상 0 바에서 시작되는 이유입니다. 인접한 막대 사이의 증분은 노이즈라고 생각하기 때문에 전혀 사용하지 않습니다. 예를 들어 120과 121 바 사이의 0.00010pt 증분, 즉 2시간 전의 증분이 현재 상황에 어떤 영향을 미칠 수 있을까요? - 없습니다.
추세는 평균 증분 단위의 변화입니다. 따라서 증분 차트에도 표시됩니다. 여러 속성의 문제는 교란 요인, 즉 각 속성의 영향을 다른 모든 속성과 분리하기가 더 어려워진다는 관점에서 설명할 수 있습니다. 결국, 각각의 속성은 최종 추정치에 추가적인 오차를 발생시킵니다. 인과 관계 추론이 더 복잡해지고 불확실성이 추가됩니다. 분명히 포그라운드 모델의 복잡성에는 신호 대 잡음비에 따라 어느 정도 제한이 있습니다.
증분 지연은 예측된 바의 거래 기간과 직접적인 관련이 있습니다. 예를 들어 지속 시간이 1 막대인 경우 작은 지연과 작은 창 깊이로 증분을 사용하는 것이 좋습니다. 거래 기간이 길어지면 증분 지연도 자연스럽게 증가합니다. 물론 스프레드에도 영향을 미칩니다.저는 각 진드기의 데이터를 기록하고 데이터와 함께 csv 파일을 형성하는전문가 조언자를 작성하고 그 옆에이 파일을 분석하고 훈련을 수행 한 다음 첫 번째 파일의 마지막 줄을 기반으로 가격이 어디로 몇 포인트까지 갈지에 대한 예측을 출력하는 신경망을 실행했습니다. 파이썬으로 작성되었습니다. 이미 비슷한 작업을 수행 한 사람과 전체 그림을 다루기 위해 어떤 데이터를 학습 할 수 있는지. 이제 경험은 '개장', '최대', '최소', '마감', '거래량'을 기반으로합니다.
화면을 삽입하는 방법을 모르겠어요.
화면을 삽입하는 방법을 모르겠습니다.
모든 통화쌍과 금속의 틱을 기록하고 분석합니다.
시간, 요일 추가
예상 뉴스의 분류
뉴스 몇 초 전
과거 뉴스의 분류
뉴스 후 몇 초
===
일반적으로 자신과 파이썬을 바쁘게 하는 것 :-)
아직 모든 IO를 마스터하지 않았기 때문에 바로 말씀드릴 수는 없습니다.)
왜 모든 MO를 마스터해야 하나요? 모델만 해도 수백 개가 넘으니까요... 그리고 모델은 분명히 문제의 절반도 되지 않습니다.
몇 가지 모델을 마스터하더라도 OOV와 OOS에서 거의 동일한 분류 오류를 20% 미만으로 일관되게 달성하는 방법을 배우면 어떨까요? 과잉 학습이 없다는 것을 기본적으로 증명하면서, 앞을 내다보고, 가장 중요한 것은 미래에 발생할 분류 오류를 증명할 수 있을까요?
왜 모든 모드를 마스터해야 하나요? 모델만 수백 개가 넘는데... 그리고 모델은 분명히 문제의 절반도 되지 않습니다.
몇 가지 모델을 마스터하되, OOV와 OOS에서 거의 동일한 분류 오류를 20% 미만으로 일관되게 달성하도록 학습하는 것은 어떨까요? 과잉 학습이 없다는 것을 기본적으로 증명하면서, 앞을 내다보고, 가장 중요한 것은 미래의 분류 오류를 증명하는 것이 아닐까요?
모든 MOE에는 일반적인 접근 방식과 관행이 있습니다. 예를 들어 이진 분류에 대한 클래스 확률을 구할 수 있나요? 그렇다면 어떤 방식으로 얻을 수 있을까요?
클래스 확률을 생성하지 않는 패키지를 즉시 떠올릴 수 없습니다. 그래서 저는 이것이 표준이라는 인상을 받았습니다.
클래스 확률을 발행하지 않는 패키지가 바로 떠오르지 않습니다. 그래서 이것이 표준인 것 같았습니다.