이 스레드에 등장하기 며칠 전에 나도 생각했던 Mihail Marchukajtes 의 아이디어에 관해서는 누군가가 결과에 관심을 가질 것입니다. 이 접근법도 정확하고 매우 실행 가능한 것 같습니다 , 때때로 작동하는 특정 기술 패턴을 오랫동안 알아차렸습니다. suto 판매 패턴 (그러나 나는 네트워크를 허용하고 관심을 위해 구매했습니다) , 나는 그것을 등록하고 가격이 패턴의 특정 지점 "X"에 올 때 , 네트워크가 구매/판매/휴식을 선택할 수 있도록 허용합니다. 해당 네트워크는 모든 시세를 지속적으로 분석하지 않고 특정 조건이 발생했을 때만 네트워크가 켜집니다.
목표 하나는 다음과 같은 세 가지 클래스였습니다. 포인트 "X"가 오면 멘탈 스톱 손실과 매수 및 매도에 대한 이익 획득이 설정됩니다.
구매 - 구매 테이크가 이루어지고 정지에 도달하지 않은 경우
매도 - 매도 테이크를 취하고 스톱에 도달하지 않은 경우
rest - 매수와 매도가 모두 스톱에 도달하고 단일 테이크에 도달하지 않은 경우
테이크는 정차보다 2~3배 더 많았는데 정확히 기억은 안나는데 3배였던 것 같다
실제로 네트워크가 검증보다 훨씬 더 나쁘게 거래되었다는 사실에도 불구하고(검증에서 정답의 수는 63%이고 실제 거래에서 약 20%) 그럼에도 불구하고 알고리즘은 수익성이 있는 것으로 판명되었습니다.
모든 예측 변수에 노이즈가 있는 경우 이러한 결과를 얻기가 매우 어렵습니다. 오류는 여전히 3% -5%입니다. 노이즈는 항상 모든 교차 검증 및 기타 트릭을 사용하여 매우 높은 품질의 결과를 제공합니다.
100%의 정확도는 유일한 의미입니다. 예측 변수 중 대상 변수의 복제본이 있습니다(일부 수정). 저것들. 미래를 내다보는 모델.
ALL_cod.RData, TF1 데이터 세트 또는 이와 유사한 것의 데이터에 대한 예를 기억합니다. 첫 번째 대상 변수인 숲은 소수의 나무가 있어도 거의 100% 결과를 제공했습니다. 그리고 숲의 나무 수를 늘리면 정확도가 절대 100%까지 증가했습니다. 숲은 일반적으로 변수와 트리가 충분히 큰 경우 각 특정 훈련 예제를 기억할 수 있습니다.
그러나 mytarmailS에서는 반대입니다. 작은 수의 매개변수가 있는 포리스트는 좋은 결과를 제공하고 트리가 증가하면 정확도가 떨어집니다. 그는 교차 검증을 사용하지 않으므로 훈련 데이터 자체에 대해 이야기합시다. 그런 일은 일어나지 않습니다. 훈련 데이터에 대한 포리스트의 정확도는 변수와 트리 매개변수가 감소할 때만 감소하며 그 반대의 경우도 마찬가지입니다. 그게 가능합니까?
그러나 mytarmailS에서는 반대입니다. 작은 수의 매개변수가 있는 포리스트는 좋은 결과를 제공하고 트리가 증가하면 정확도가 떨어집니다.
아니요, 조금 다릅니다. 정확도가 떨어지지 않고 트랜잭션 수가 감소합니다. 클래스 1과 -1은 모든 관찰이 끝났고 클래스 "0"은 여전히 할 수 있기 때문에 더 이상 훈련 할 수 없으며 모든 것이 아름답게 보이도록 가르치기 시작하면 흡수 될 것입니다. 클래스 -1 및 1을 위한 관찰이 많지 않은 경우에도 기존 방식으로 모델을 훈련하면 큰 관찰이 가능합니다. 세다 트리, 그러면 모델은 출력에서 0만 가질 것입니다. 클래스 "0" - "아무것도 하지 않음"
한편으로는 기계 학습, 인공 지능, 신경망. 내가 이해하는 주요 질문은 선례(패턴)와 예측자(예후 매개변수)를 식별하고 결합하는 기술에 있습니다. 이 모든 것이 훌륭합니다. 컴퓨터가 음성을 인식하고 스팸을 분리하고 더 정확한 진단을 내리도록 가르칠 수 있습니다. 반면 시장은 요소의 수가 무궁무진할 정도로 실체가 있는데, 과연 주 요인과 이차 요인으로 나눌 수 있을까?
여러 스케치. 2011년 일본. 후쿠시마. 쓰나미로 인해 원자력 발전소에서 사고가 발생했습니다. 쓰나미를 일으킨 원인 - 혼돈 이론에 따르면 지진이나 나비 날개의 날개짓은 중요하지 않습니다. 예측이 불가능하고 시장에 미치는 영향을 아는 것이 중요합니다. 그러한 사고, 인구 대피, 방사선, 섬을 똑딱 거리면서 보일 것입니다. 하지만. 사고는 3월 11일에 발생했고 이미 3월 16일 니케이 지수는 전례 없는 상승세를 보이고 있다. 일본인은 침몰 한 배에서 쥐처럼 달리지 않았지만 반대로 회복을 돕기 위해 고국으로 자본을 반환하기 시작했습니다.
1년 전. 독일. 볼프스부르크. 'WV'' 공장과 도시는 히틀러의 독일 인민 자동차를 만들라는 명령에 의해 건설되었습니다. 여기에서 프로그래머는 나비 역할을 하여 테스트 벤치 테스트 중에만 디젤 엔진의 유해한 배출이 없도록 프로그래밍했습니다. 스캔들. WV 공유 DAX 자콜바실.
우리의 날들. 또 일본. 닌텐도의 주가가 치솟고 있다. 예를 들어 자본금은 미국 무기 수출을 초과합니다. 글쎄, 누가 "Pocemon Go"와 같은 shnyag가 그렇게 인기가있을 것이라고 생각했을까?
지사는 몇 주, 몇 달, 심지어 몇 년 동안 데이터를 기반으로 구축된 시스템에 대해 논의합니다. 몇 가지 주요 안정적인 외환 신호를 찾고 있습니다. 이것은 나를 어리둥절하게 한다. 낮에는 일종의 나비, 통계, 진술이 시장의 꼬리와 갈기를 "재훈련"시킬 수 있지만 충분하지 않을 것입니다. 적어도 일주일 동안 작동하는 안정적인 시스템을 구축하는 것은 쓰레기에서 발견된 부품으로 Boeing을 구축하는 것과 같습니다.
ALL_cod.RData, TF1 데이터 세트 또는 이와 유사한 것의 데이터에 대한 예를 기억합니다. 첫 번째 대상 변수인 숲은 소수의 나무가 있어도 거의 100% 결과를 제공했습니다. 그리고 숲의 나무 수를 늘리면 정확도가 절대 100%까지 증가했습니다. 숲은 일반적으로 변수와 트리가 충분히 큰 경우 각 특정 훈련 예제를 기억할 수 있습니다.
그러나 mytarmailS에서는 반대입니다. 작은 수의 매개변수가 있는 포리스트는 좋은 결과를 제공하고 트리가 증가하면 정확도가 떨어집니다. 그는 교차 검증을 사용하지 않으므로 훈련 데이터 자체에 대해 이야기합시다. 그런 일은 일어나지 않습니다. 훈련 데이터에 대한 포리스트의 정확도는 변수와 트리 매개변수가 감소할 때만 감소하며 그 반대의 경우도 마찬가지입니다. 그게 가능합니까?
예측 변수 목록에서 잡음 예측 변수가 지워지지 않았기 때문에 모델이 다시 훈련되었습니다. 이것은 튜토리얼이며 의도적입니다. 그래서 확신해요
한편으로는 기계 학습, 인공 지능, 신경망. 내가 이해하는 주요 질문은 선례(패턴)와 예측자(예후 매개변수)를 식별하고 결합하는 기술에 있습니다. 이 모든 것이 훌륭합니다. 컴퓨터가 음성을 인식하고 스팸을 분리하고 더 정확한 진단을 내리도록 가르칠 수 있습니다. 반면 시장은 요소의 수가 무궁무진할 정도로 실체가 있는데, 과연 주 요인과 이차 요인으로 나눌 수 있을까?
여러 스케치. 2011년 일본. 후쿠시마. 쓰나미로 인해 원자력 발전소에서 사고가 발생했습니다. 쓰나미를 일으킨 원인 - 혼돈 이론에 따르면 지진이나 나비 날개의 날개짓은 중요하지 않습니다. 예측이 불가능하고 시장에 미치는 영향을 아는 것이 중요합니다. 그러한 사고, 인구 대피, 방사선, 섬을 똑딱 거리면서 보일 것입니다. 하지만. 사고는 3월 11일에 발생했고 이미 3월 16일 니케이 지수는 전례 없는 상승세를 보이고 있다. 일본인은 침몰 한 배에서 쥐처럼 달리지 않았지만 반대로 회복을 돕기 위해 고국으로 자본을 반환하기 시작했습니다.
1년 전. 독일. 볼프스부르크. 'WV'' 공장과 도시는 히틀러의 독일 인민 자동차를 만들라는 명령에 의해 건설되었습니다. 여기에서 프로그래머는 나비 역할을 하여 테스트 벤치 테스트 중에만 디젤 엔진의 유해한 배출이 없도록 프로그래밍했습니다. 스캔들. WV 공유 DAX 자콜바실.
우리의 날들. 또 일본. 닌텐도의 주가가 치솟고 있다. 예를 들어 자본금은 미국 무기 수출을 초과합니다. 글쎄, 누가 "Pocemon Go"와 같은 shnyag가 그렇게 인기가있을 것이라고 생각했을까?
지사는 몇 주, 몇 달, 심지어 몇 년 동안 데이터를 기반으로 구축된 시스템에 대해 논의합니다. 몇 가지 주요 안정적인 외환 신호를 찾고 있습니다. 이것은 나를 어리둥절하게 한다. 낮에는 일종의 나비, 통계, 진술이 시장의 꼬리와 갈기를 "재훈련"시킬 수 있지만 충분하지 않을 것입니다. 적어도 일주일 동안 작동하는 안정적인 시스템을 구축하는 것은 쓰레기에서 발견된 부품으로 Boeing을 구축하는 것과 같습니다.
당신의 NOT 이해는 주제에 대한 근본적인 성격입니다.
1. 당신이 쓴 모든 것은 외삽형 예측에 대해 절대적으로 사실이며, 차례로 고정 시계열 에 대해 작동합니다. 당신은 금융 시리즈의 비정상성에 대해 말하는 실제 예를 제공하고 여기 당신이 절대적으로 옳습니다. 게다가 뉴스가 비정상성의 유일한 원인은 아니다.
2. 여기에서는 다음 막대를 예측할 때 이전 상태를 고려하지 않은 분류를 기반으로 한 예측에 대해 설명합니다. 분류 기반 예측(예측)은 패턴 기반 예측입니다. 그리고 과거에 이전 값에서 따르지 않는 변경으로 이어진 뉴스가 있었다면(외삽되지 않음), 분류는 그러한 변경을 포착하고 미래에 유사한 변경이 있는 경우(정확하지 않은 동일하지만 유사), 그러면 인식되어 정확한 예측이 이루어집니다.
차트 를 시각적으로 보고 갭에서 패턴을 검색하고 신경망 교육으로 끝나는 모든 작업은 시장에서 작동하지 않는 통계에 따르면 거래에 불과합니다. 내가 무엇인지 이해합니까? 에 대해 말하다?
시장은 군중의 거래에 반대합니다 ------ 군중은 통계에 따라 행동합니다 ------ 미래에 군중의 행동을 예측하고 그 반대를 수행하기만 하면 됩니다. 예측할 수 있습니다. 유일한 방법, 이것은 통계입니다
통계가 고정된 무작위 프로세스에서만 작동하는 도구로 이해되면 금융 시장은 "평균", "상관" 등의 사랑받는 개념이 빈 단어인 비정상 프로세스이기 때문에 이러한 통계는 작동하지 않습니다.
그러나 기계 학습은 일반적으로 통계로 분류되지 않고 인공 지능으로 분류됩니다.
이 스레드에 등장하기 며칠 전에 나도 생각했던 Mihail Marchukajtes 의 아이디어에 관해서는 누군가가 결과에 관심을 가질 것입니다. 이 접근법도 정확하고 매우 실행 가능한 것 같습니다 , 때때로 작동하는 특정 기술 패턴을 오랫동안 알아차렸습니다. suto 판매 패턴 (그러나 나는 네트워크를 허용하고 관심을 위해 구매했습니다) , 나는 그것을 등록하고 가격이 패턴의 특정 지점 "X"에 올 때 , 네트워크가 구매/판매/휴식을 선택할 수 있도록 허용합니다. 해당 네트워크는 모든 시세를 지속적으로 분석하지 않고 특정 조건이 발생했을 때만 네트워크가 켜집니다.
목표 하나는 다음과 같은 세 가지 클래스였습니다. 포인트 "X"가 오면 멘탈 스톱 손실과 매수 및 매도에 대한 이익 획득이 설정됩니다.
구매 - 구매 테이크가 이루어지고 정지에 도달하지 않은 경우
매도 - 매도 테이크를 취하고 스톱에 도달하지 않은 경우
rest - 매수와 매도가 모두 스톱에 도달하고 단일 테이크에 도달하지 않은 경우
테이크는 정차보다 2~3배 더 많았는데 정확히 기억은 안나는데 3배였던 것 같다
실제로 네트워크가 검증보다 훨씬 더 나쁘게 거래되었다는 사실에도 불구하고(검증에서 정답의 수는 63%이고 실제 거래에서 약 20%) 그럼에도 불구하고 알고리즘은 수익성이 있는 것으로 판명되었습니다.
하지만 대부분 이렇게
패턴 자체가 짧기 때문에 구매 시 정확성과 수익성이 명확하게 표시되지 않습니다.
그리고 그러한 패턴을 하나가 아니라 10개 프로그래밍한다면? 흥미로운 ? ;)
통계가 고정된 무작위 프로세스에서만 작동하는 도구로 이해되면 금융 시장은 "평균", "상관" 등의 사랑받는 개념이 빈 단어인 비정상 프로세스이기 때문에 이러한 통계는 작동하지 않습니다.
그러나 기계 학습은 일반적으로 통계로 분류되지 않고 인공 지능으로 분류됩니다.
내가 주석을 올바르게 이해한다면 대다수가 사용하는 모든 것이 통계에 적합합니다.
레이스 전에 다음을 추가합니다.
당신은 비정상성과 시장에 대해 쓰고 있습니다. 비정상 프로세스를 예측하는 데 일반적으로 허용되는 도구가 있으며 그 중 많지는 않습니다. 이러한 도구는 "MGUA", 숨겨진 마르코프 모델 및 순환 신경망입니다(네트워크에 대해 내가 틀릴 수도 있습니다. VR용)
신경망, 모든 줄무늬의 숲 등은 비정상 데이터용으로 설계 되지 않았습니다. 왜 저를 포함하여 우리 모두는 다른 목적으로 도구를 사용합니까? 문제)
나무의 경우 100%는 절대 말도 안되는 소리입니다!
모든 예측 변수에 노이즈가 있는 경우 이러한 결과를 얻기가 매우 어렵습니다. 오류는 여전히 3% -5%입니다. 노이즈는 항상 모든 교차 검증 및 기타 트릭을 사용하여 매우 높은 품질의 결과를 제공합니다.
100%의 정확도는 유일한 의미입니다. 예측 변수 중 대상 변수의 복제본이 있습니다(일부 수정). 저것들. 미래를 내다보는 모델.
ALL_cod.RData, TF1 데이터 세트 또는 이와 유사한 것의 데이터에 대한 예를 기억합니다. 첫 번째 대상 변수인 숲은 소수의 나무가 있어도 거의 100% 결과를 제공했습니다. 그리고 숲의 나무 수를 늘리면 정확도가 절대 100%까지 증가했습니다. 숲은 일반적으로 변수와 트리가 충분히 큰 경우 각 특정 훈련 예제를 기억할 수 있습니다.
그러나 mytarmailS에서는 반대입니다. 작은 수의 매개변수가 있는 포리스트는 좋은 결과를 제공하고 트리가 증가하면 정확도가 떨어집니다. 그는 교차 검증을 사용하지 않으므로 훈련 데이터 자체에 대해 이야기합시다. 그런 일은 일어나지 않습니다. 훈련 데이터에 대한 포리스트의 정확도는 변수와 트리 매개변수가 감소할 때만 감소하며 그 반대의 경우도 마찬가지입니다. 그게 가능합니까?
그러나 mytarmailS에서는 반대입니다. 작은 수의 매개변수가 있는 포리스트는 좋은 결과를 제공하고 트리가 증가하면 정확도가 떨어집니다.
무거운 종
그리고 그 가장자리에
나비 휴면. (일본 호쿠.)
강당에서 분기를 보고 있는데 이해가 안되는데 이게 필요할까요?
한편으로는 기계 학습, 인공 지능, 신경망. 내가 이해하는 주요 질문은 선례(패턴)와 예측자(예후 매개변수)를 식별하고 결합하는 기술에 있습니다. 이 모든 것이 훌륭합니다. 컴퓨터가 음성을 인식하고 스팸을 분리하고 더 정확한 진단을 내리도록 가르칠 수 있습니다. 반면 시장은 요소의 수가 무궁무진할 정도로 실체가 있는데, 과연 주 요인과 이차 요인으로 나눌 수 있을까?
여러 스케치. 2011년 일본. 후쿠시마. 쓰나미로 인해 원자력 발전소에서 사고가 발생했습니다. 쓰나미를 일으킨 원인 - 혼돈 이론에 따르면 지진이나 나비 날개의 날개짓은 중요하지 않습니다. 예측이 불가능하고 시장에 미치는 영향을 아는 것이 중요합니다. 그러한 사고, 인구 대피, 방사선, 섬을 똑딱 거리면서 보일 것입니다. 하지만. 사고는 3월 11일에 발생했고 이미 3월 16일 니케이 지수는 전례 없는 상승세를 보이고 있다. 일본인은 침몰 한 배에서 쥐처럼 달리지 않았지만 반대로 회복을 돕기 위해 고국으로 자본을 반환하기 시작했습니다.
1년 전. 독일. 볼프스부르크. 'WV'' 공장과 도시는 히틀러의 독일 인민 자동차를 만들라는 명령에 의해 건설되었습니다. 여기에서 프로그래머는 나비 역할을 하여 테스트 벤치 테스트 중에만 디젤 엔진의 유해한 배출이 없도록 프로그래밍했습니다. 스캔들. WV 공유 DAX 자콜바실.
우리의 날들. 또 일본. 닌텐도의 주가가 치솟고 있다. 예를 들어 자본금은 미국 무기 수출을 초과합니다. 글쎄, 누가 "Pocemon Go"와 같은 shnyag가 그렇게 인기가있을 것이라고 생각했을까?
지사는 몇 주, 몇 달, 심지어 몇 년 동안 데이터를 기반으로 구축된 시스템에 대해 논의합니다. 몇 가지 주요 안정적인 외환 신호를 찾고 있습니다. 이것은 나를 어리둥절하게 한다. 낮에는 일종의 나비, 통계, 진술이 시장의 꼬리와 갈기를 "재훈련"시킬 수 있지만 충분하지 않을 것입니다. 적어도 일주일 동안 작동하는 안정적인 시스템을 구축하는 것은 쓰레기에서 발견된 부품으로 Boeing을 구축하는 것과 같습니다.
무거운 종
ALL_cod.RData, TF1 데이터 세트 또는 이와 유사한 것의 데이터에 대한 예를 기억합니다. 첫 번째 대상 변수인 숲은 소수의 나무가 있어도 거의 100% 결과를 제공했습니다. 그리고 숲의 나무 수를 늘리면 정확도가 절대 100%까지 증가했습니다. 숲은 일반적으로 변수와 트리가 충분히 큰 경우 각 특정 훈련 예제를 기억할 수 있습니다.
그러나 mytarmailS에서는 반대입니다. 작은 수의 매개변수가 있는 포리스트는 좋은 결과를 제공하고 트리가 증가하면 정확도가 떨어집니다. 그는 교차 검증을 사용하지 않으므로 훈련 데이터 자체에 대해 이야기합시다. 그런 일은 일어나지 않습니다. 훈련 데이터에 대한 포리스트의 정확도는 변수와 트리 매개변수가 감소할 때만 감소하며 그 반대의 경우도 마찬가지입니다. 그게 가능합니까?
게시물의 의미는 무엇입니까? 나는 이해하지 못했다
무거운 종
그리고 그 가장자리에
나비 휴면. (일본 호쿠.)
강당에서 분기를 보고 있는데 이해가 안되는데 이게 필요할까요?
한편으로는 기계 학습, 인공 지능, 신경망. 내가 이해하는 주요 질문은 선례(패턴)와 예측자(예후 매개변수)를 식별하고 결합하는 기술에 있습니다. 이 모든 것이 훌륭합니다. 컴퓨터가 음성을 인식하고 스팸을 분리하고 더 정확한 진단을 내리도록 가르칠 수 있습니다. 반면 시장은 요소의 수가 무궁무진할 정도로 실체가 있는데, 과연 주 요인과 이차 요인으로 나눌 수 있을까?
여러 스케치. 2011년 일본. 후쿠시마. 쓰나미로 인해 원자력 발전소에서 사고가 발생했습니다. 쓰나미를 일으킨 원인 - 혼돈 이론에 따르면 지진이나 나비 날개의 날개짓은 중요하지 않습니다. 예측이 불가능하고 시장에 미치는 영향을 아는 것이 중요합니다. 그러한 사고, 인구 대피, 방사선, 섬을 똑딱 거리면서 보일 것입니다. 하지만. 사고는 3월 11일에 발생했고 이미 3월 16일 니케이 지수는 전례 없는 상승세를 보이고 있다. 일본인은 침몰 한 배에서 쥐처럼 달리지 않았지만 반대로 회복을 돕기 위해 고국으로 자본을 반환하기 시작했습니다.
1년 전. 독일. 볼프스부르크. 'WV'' 공장과 도시는 히틀러의 독일 인민 자동차를 만들라는 명령에 의해 건설되었습니다. 여기에서 프로그래머는 나비 역할을 하여 테스트 벤치 테스트 중에만 디젤 엔진의 유해한 배출이 없도록 프로그래밍했습니다. 스캔들. WV 공유 DAX 자콜바실.
우리의 날들. 또 일본. 닌텐도의 주가가 치솟고 있다. 예를 들어 자본금은 미국 무기 수출을 초과합니다. 글쎄, 누가 "Pocemon Go"와 같은 shnyag가 그렇게 인기가있을 것이라고 생각했을까?
지사는 몇 주, 몇 달, 심지어 몇 년 동안 데이터를 기반으로 구축된 시스템에 대해 논의합니다. 몇 가지 주요 안정적인 외환 신호를 찾고 있습니다. 이것은 나를 어리둥절하게 한다. 낮에는 일종의 나비, 통계, 진술이 시장의 꼬리와 갈기를 "재훈련"시킬 수 있지만 충분하지 않을 것입니다. 적어도 일주일 동안 작동하는 안정적인 시스템을 구축하는 것은 쓰레기에서 발견된 부품으로 Boeing을 구축하는 것과 같습니다.
당신의 NOT 이해는 주제에 대한 근본적인 성격입니다.
1. 당신이 쓴 모든 것은 외삽형 예측에 대해 절대적으로 사실이며, 차례로 고정 시계열 에 대해 작동합니다. 당신은 금융 시리즈의 비정상성에 대해 말하는 실제 예를 제공하고 여기 당신이 절대적으로 옳습니다. 게다가 뉴스가 비정상성의 유일한 원인은 아니다.
2. 여기에서는 다음 막대를 예측할 때 이전 상태를 고려하지 않은 분류를 기반으로 한 예측에 대해 설명합니다. 분류 기반 예측(예측)은 패턴 기반 예측입니다. 그리고 과거에 이전 값에서 따르지 않는 변경으로 이어진 뉴스가 있었다면(외삽되지 않음), 분류는 그러한 변경을 포착하고 미래에 유사한 변경이 있는 경우(정확하지 않은 동일하지만 유사), 그러면 인식되어 정확한 예측이 이루어집니다.
따라서 포켓몬을 분류할 때 무섭지 않습니다.