글쎄, 당신이 울타리에 있기 때문에 처리를 위해 데이터를 수집하는 것에 대한 한 가지 생각을 말하겠습니다. 실제로 시장은 살아있는 유기체이기 때문에 충분히 넓은 영역에서 일반화 수준이 높은 모델을 훈련시키는 것은 매우 어렵습니다. 훈련 기간이 길수록 모델은 더 나빠지지만 더 오래 걸립니다. 작업: 오래 지속되는 모델을 만드십시오. 그러나 두 개의 네트워크로 구성된 위원회를 사용하는 사람들을 위한 분할 또는 모드 2.
그리드가 다른 방향으로 표시될 때 "예", "아니오" 및 "모름"의 세 가지 상태가 있습니다.
우리는 전체 사이트(우리의 경우 452개의 레코드)에서 네트워크를 훈련합니다. 네트워크는 이 세트를 55-60% 학습했으며 훈련 샘플의 "모른다"는 응답이 각각 50%라고 가정하면 네트워크는 226개의 신호를 학습할 수 없습니다. 글쎄요, 이제 우리는 "모름" 상태에 따라 새로운 모델을 구축하고 있습니다. 즉, 첫 번째 모델을 오도한 그러한 유사 상태에 대한 모델을 구축하려고 합니다. 결과는 226개 중 거의 동일하며 절반만 인식되고 나머지는 "모름" 상태를 받은 다음 모델을 다시 빌드합니다. 결과적으로 113, 56, 28, 14입니다. 이전 모델에 알려지지 않은 14개의 레코드에서 Jprediction 옵티마이저는 일반적으로 일반화 능력의 최대 100%를 계산합니다.
그 결과 3개월 만에 시장 전체를 인정한 '모델 체계'를 갖추게 됐다.
여기에 "오늘의 컨텍스트" 외에 다른 방법이 있습니다. 정확히 "모델 시스템"을 가져와서 시장을 부분 공간으로 나누고 교육할 수 있습니다. 여기에서 예를 보십시오....
흥미로운 접근 방식입니다. 실험이 필요할 것입니다 ... 적어도 데모에서는 아직 출시하지 않았습니까? 신호를 보는 것은 흥미로울 것입니다.
05.29 15분 부터 시작되는 모든 샘플 영역 밖입니다. 세 번째 주가 지났다고 생각해 보십시오. 그러나 그녀가 더 많은 것을 얻지 못한다면 원칙적으로 접근 방식은 가치가 없지만 나는 믿습니다 ...... :-)
내 생각에는 주말에 NS를 일주일에 한 번 재교육하는 것이 좋습니다. 그래서 사용할 수 있다고 생각합니다... 재교육 없이 3주, 3개월, 1년 수익으로 거래하기 위해 작업을 설정할 필요가 없습니다. 그리고 일주일에 한 번 재교육함으로써 NN은 항상 최신 시장 패턴에 맞춰 조정됩니다.
흥미로운 접근 방식입니다. 실험이 필요할 것입니다 ... 적어도 데모에서는 아직 출시하지 않았습니까? 신호를 보는 것은 흥미로울 것입니다.
내 생각에는 주말에 NS를 일주일에 한 번 재교육하는 것이 좋습니다. 그래서 사용할 수 있다고 생각합니다... 재교육 없이 3주, 3개월, 1년 수익으로 거래하기 위해 작업을 설정할 필요가 없습니다. 그리고 일주일에 한 번 재교육함으로써 NN은 항상 최신 시장 패턴에 맞춰 조정됩니다.
우리는 강력한 EA가 필요합니다. 저는 테스터용으로 만들었습니다. 마지막 하나는 거래가 많습니다. 이것은 세 가지 모델의 작업일 뿐입니다.
나는 고문의 알고리즘에 따라 작동하는 스크립트를 직접 만들었습니다. 신호에 따라 수동으로 실행하고 우리는 보게 될 것입니다.
The LASSO has two important uses, the first is forecasting and the second is variable selection. We are going to talk about the second. The variable selection objective is to recover the correct set of variables that generate the data or at least the best approximation given the candidate variables. The LASSO has attracted a lot of attention...
글쎄, 당신이 울타리에 있기 때문에 처리를 위해 데이터를 수집하는 것에 대한 한 가지 생각을 말하겠습니다. 실제로 시장은 살아있는 유기체이기 때문에 충분히 넓은 영역에서 일반화 수준이 높은 모델을 훈련시키는 것은 매우 어렵습니다. 훈련 기간이 길수록 모델은 더 나빠지지만 더 오래 걸립니다. 작업: 오래 지속되는 모델을 만드십시오. 그러나 두 개의 네트워크로 구성된 위원회를 사용하는 사람들을 위한 분할 또는 모드 2.
그리드가 다른 방향으로 표시될 때 "예", "아니오" 및 "모름"의 세 가지 상태가 있습니다.
우리는 전체 사이트(우리의 경우 452개의 레코드)에서 네트워크를 훈련합니다. 네트워크는 이 세트를 55-60% 학습했으며 훈련 샘플의 "모른다"는 응답이 각각 50%라고 가정하면 네트워크는 226개의 신호를 학습할 수 없습니다. 글쎄요, 이제 우리는 "모름" 상태에 따라 새로운 모델을 구축하고 있습니다. 즉, 첫 번째 모델을 오도한 그러한 유사 상태에 대한 모델을 구축하려고 합니다. 결과는 226개 중 거의 동일하며 절반만 인식되고 나머지는 "모름" 상태를 받은 다음 모델을 다시 빌드합니다. 결과적으로 113, 56, 28, 14입니다. 이전 모델에 알려지지 않은 14개의 레코드에서 Jprediction 옵티마이저는 일반적으로 일반화 능력의 최대 100%를 계산합니다.
그 결과 3개월 만에 시장 전체를 인정한 '모델 시스템'을 갖추게 됐다.
여기에 "오늘의 컨텍스트" 외에 다른 방법이 있습니다. 정확히 "모델 시스템"을 가져와서 시장을 부분 공간으로 나누고 교육할 수 있습니다. 여기에서 예를 보십시오....
예, 많지 않습니다. 그러한 결과로 "중요한 것은 이기는 것이 아니라 참여하는 것"이라는 패러다임을 받아들이는 것이 더 유리합니다. 나는 일반적으로 부끄러움 때문에 계정을 잃어버렸습니다. 아마 의식적으로는 아닐 것입니다. 마법사약속을 보여 주었지만 또한 경주에서 떨어졌고 경쟁의 압력을 견딜 수 없었습니다. 아마도 우리는 우리보다 훨씬 나은 전문가가 있음을 인정해야합니다 (수백, 수천 배 ..), 그들은 하버드에서 공부하고 슈퍼 컴퓨터를 사용합니다.
글쎄, 당신이 울타리에 있기 때문에 처리를 위해 데이터를 수집하는 것에 대한 한 가지 생각을 말하겠습니다. 실제로 시장은 살아있는 유기체이기 때문에 충분히 넓은 영역에서 일반화 수준이 높은 모델을 훈련시키는 것은 매우 어렵습니다. 훈련 기간이 길수록 모델은 더 나빠지지만 더 오래 걸립니다. 작업: 오래 지속되는 모델을 만드십시오. 그러나 두 개의 네트워크로 구성된 위원회를 사용하는 사람들을 위한 분할 또는 모드 2.
그리드가 다른 방향으로 표시될 때 "예", "아니오" 및 "모름"의 세 가지 상태가 있습니다.
우리는 전체 사이트(우리의 경우 452개의 레코드)에서 네트워크를 훈련합니다. 네트워크는 이 세트를 55-60% 학습했으며 훈련 샘플의 "모른다"는 응답이 각각 50%라고 가정하면 네트워크는 226개의 신호를 학습할 수 없습니다. 글쎄요, 이제 우리는 "모름" 상태에 따라 새로운 모델을 구축하고 있습니다. 즉, 첫 번째 모델을 오도한 그러한 유사 상태에 대한 모델을 구축하려고 합니다. 결과는 226개 중 거의 동일하며 절반만 인식되고 나머지는 "모름" 상태를 받은 다음 모델을 다시 빌드합니다. 결과적으로 113, 56, 28, 14입니다. 이전 모델에 알려지지 않은 14개의 레코드에서 Jprediction 옵티마이저는 일반적으로 일반화 능력의 최대 100%를 계산합니다.
그 결과 3개월 만에 시장 전체를 인정한 '모델 체계'를 갖추게 됐다.
여기에 "오늘의 컨텍스트" 외에 다른 방법이 있습니다. 정확히 "모델 시스템"을 가져와서 시장을 부분 공간으로 나누고 교육할 수 있습니다. 여기에서 예를 보십시오....
흥미로운 접근 방식입니다. 실험이 필요할 것입니다 ... 적어도 데모에서는 아직 출시하지 않았습니까? 신호를 보는 것은 흥미로울 것입니다.
05.29 15분 부터 시작되는 모든 샘플 영역 밖입니다. 세 번째 주가 지났다고 생각해 보십시오. 그러나 그녀가 더 많은 것을 얻지 못한다면 원칙적으로 접근 방식은 가치가 없지만 나는 믿습니다 ...... :-)
내 생각에는 주말에 NS를 일주일에 한 번 재교육하는 것이 좋습니다. 그래서 사용할 수 있다고 생각합니다... 재교육 없이 3주, 3개월, 1년 수익으로 거래하기 위해 작업을 설정할 필요가 없습니다. 그리고 일주일에 한 번 재교육함으로써 NN은 항상 최신 시장 패턴에 맞춰 조정됩니다.
흥미로운 접근 방식입니다. 실험이 필요할 것입니다 ... 적어도 데모에서는 아직 출시하지 않았습니까? 신호를 보는 것은 흥미로울 것입니다.
내 생각에는 주말에 NS를 일주일에 한 번 재교육하는 것이 좋습니다. 그래서 사용할 수 있다고 생각합니다... 재교육 없이 3주, 3개월, 1년 수익으로 거래하기 위해 작업을 설정할 필요가 없습니다. 그리고 일주일에 한 번 재교육함으로써 NN은 항상 최신 시장 패턴에 맞춰 조정됩니다.
우리는 강력한 EA가 필요합니다. 저는 테스터용으로 만들었습니다. 마지막 하나는 거래가 많습니다. 이것은 세 가지 모델의 작업일 뿐입니다.
나는 고문의 알고리즘에 따라 작동하는 스크립트를 직접 만들었습니다. 신호에 따라 수동으로 실행하고 우리는 보게 될 것입니다.
글쎄, 당신이 울타리에 있기 때문에 처리를 위해 데이터를 수집하는 것에 대한 한 가지 생각을 말하겠습니다. 실제로 시장은 살아있는 유기체이기 때문에 충분히 넓은 영역에서 일반화 수준이 높은 모델을 훈련시키는 것은 매우 어렵습니다. 훈련 기간이 길수록 모델은 더 나빠지지만 더 오래 걸립니다. 작업: 오래 지속되는 모델을 만드십시오. 그러나 두 개의 네트워크로 구성된 위원회를 사용하는 사람들을 위한 분할 또는 모드 2.
그리드가 다른 방향으로 표시될 때 "예", "아니오" 및 "모름"의 세 가지 상태가 있습니다.
우리는 전체 사이트(우리의 경우 452개의 레코드)에서 네트워크를 훈련합니다. 네트워크는 이 세트를 55-60% 학습했으며 훈련 샘플의 "모른다"는 응답이 각각 50%라고 가정하면 네트워크는 226개의 신호를 학습할 수 없습니다. 글쎄요, 이제 우리는 "모름" 상태에 따라 새로운 모델을 구축하고 있습니다. 즉, 첫 번째 모델을 오도한 그러한 유사 상태에 대한 모델을 구축하려고 합니다. 결과는 226개 중 거의 동일하며 절반만 인식되고 나머지는 "모름" 상태를 받은 다음 모델을 다시 빌드합니다. 결과적으로 113, 56, 28, 14입니다. 이전 모델에 알려지지 않은 14개의 레코드에서 Jprediction 옵티마이저는 일반적으로 일반화 능력의 최대 100%를 계산합니다.
그 결과 3개월 만에 시장 전체를 인정한 '모델 시스템'을 갖추게 됐다.
여기에 "오늘의 컨텍스트" 외에 다른 방법이 있습니다. 정확히 "모델 시스템"을 가져와서 시장을 부분 공간으로 나누고 교육할 수 있습니다. 여기에서 예를 보십시오....
-------------------------------------------------- ----------
이 방법을 "부스팅 "이라고 합니다. 부스팅 은 알고리즘 구성을 구성하기 위한 욕심 많은 알고리즘입니다.
가장 잘 알려진 최근 응용 프로그램은 XGBoost입니다.
행운을 빕니다
LASSO로 예측 변수 선택
예, 이 알고리즘은 상관관계가 높은 변수를 제거할 필요가 없습니다. 그는 혼자서 잘합니다.
하지만 회귀가 흥미로울 때 오랫동안 사용했습니다.
행운을 빕니다
박사 상인 :
예, 많지 않습니다. 그러한 결과로 "중요한 것은 이기는 것이 아니라 참여하는 것"이라는 패러다임을 받아들이는 것이 더 유리합니다. 나는 일반적으로 부끄러움 때문에 계정을 잃어버렸습니다. 아마 의식적으로는 아닐 것입니다. 마법사 약속을 보여 주었지만 또한 경주에서 떨어졌고 경쟁의 압력을 견딜 수 없었습니다. 아마도 우리는 우리보다 훨씬 나은 전문가가 있음을 인정해야합니다 (수백, 수천 배 ..), 그들은 하버드에서 공부하고 슈퍼 컴퓨터를 사용합니다.
전문가들은 우리보다 훨씬 낫습니다 (백, 수천 배 ..), 그들은 하버드에서 공부하고 슈퍼 컴퓨터를 사용합니다.
글쎄, 수천이 아니라 ... 1 위 상을 보면 챔피언은 1000 / 2.09 = 478.47 배에 불과합니다.
글쎄, 수천이 아니라 ... 1 위 상을 보면 챔피언은 1000 / 2.09 = 478.47 배에 불과합니다.
1회 배당은 478.47배지만 누적 수익성에 따르면 1만 달러, 즉 당신보다 3000배 이상 좋은 놈들이 있고, 위저드에 대한 희망은 하나지만 이런 뜬금없는 주제에 대해 이야기하기 부끄럽다고 생각한다.
지겹다....... :-( 훈련, 훈련, 모델 선택, 작업, 말하자면. 하지만 모델이 만들어지고 남은 작업은 작업하는 것뿐....... ?
지겹다....... :-( 훈련, 훈련, 모델 선택, 작업, 말하자면. 하지만 모델이 만들어지고 남은 작업은 작업하는 것뿐....... ?
이것은 드물게 발생합니다. 예를 들어 태국, 인도네시아, 몰디브와 같이 두뇌가 항의하고 코드 작성을 요구하기 시작할 때까지 휴식을 취하기 위해 어딘가로 날아가는 것이 좋습니다.