당신은 내 의견을 "반대"까지 해석했습니다. 본질적으로 목표는 가장 실용적입니다. 가장 "필요한"은 생존하고 번식합니다. 그리고 어떤 식으로든 변경하지 않고 가장 "실용적인" 목표를 훈련해야 합니다.
데이터에 관해서는 입력에 제공된 정보이지만 이상적으로는 "눈", "귀", "코" 등을 형성/선택해야 합니다.
1) 네, "신경망을 훈련시키려면 신중하게 선택한 방대한 데이터 세트가 필요합니다"만
새로운 신경망을 생성하려면 알고리즘을 정의하고, 이를 통해 모든 데이터를 실행하고, 테스트하고, 반복적으로 최적화해야 합니다. 어렵고 길다. 따라서 때로는 회귀와 같은 간단한 알고리즘을 사용하는 것이 더 쉽습니다.
2) 처음에는 간단한 방법(회귀)으로도 그렇게 생각했지만 ... 내가 기억하는 한 선형 회귀는 혼란스럽습니다. 왜냐하면 내가 기억하는 한 가격은 비선형이고 수익은 선형이기 때문입니다(반대가 아니라면?) - at 선물 옵션의 경우 최소 ... trite ax^2+bx+c=0 , 여기서 b는 속도이고 는 가속도입니다. 그러나 이 경우에도 여전히 시간 요소가 적용되어야 합니다. 원칙적으로 고려할 때 중첩됩니다. 다양한 만기일에 대한 옵션이 있지만 그러한 장점의 3D 그림이 항상 정당화되는 것은 아닙니다... 그리고 그러한 분석에서 가장 슬픈 점은 DB CME에 따르면 청산의 모든 가격이 중앙 행사가와 정렬되어 있으며 여전히 그렇게 하지 않는다는 것입니다. 보고서에 따르면 불균형을 볼 기회가 없지만 실시간으로 모니터링하기 위해(글쎄요, 저는 그런 식으로 정리하는 차익거래자는 아닙니다) ... 그리고 그것은 너무 선형적이지 않고 오히려 논리에서 기하급수적 이지만, 나는 코뿔소와 악어를 교배하고 싶지 않습니다 (2 가지 요인 - 시간 및 이자율 의 모델에서) ... 옵션 가격 책정과 마찬가지로 모든 것이 엉망입니다.
삼)
Michael Marchukajtes # : 대상 계정에 대한 모든 것이 옳습니다. 신호가 수익성이 있으면 조건에 따라 신호에서 신호로 이상적입니다. 수익이 없으면 1을 설정하고 수익성이 없으면 0을 설정하고 다른 방법은 이익이 될 수 있다는 점을 제외하고는 퍼짐 조건으로 계산!!!!
이것은 또 다른 가능한 기계 학습 알고리즘입니다 - Bayes' theorem의 적용(설명에서 그렇게 보였습니다) ... "이 알고리즘은 스팸 필터링과 같은 텍스트 문서 작업에 사용됩니다."... 신경 네트워크는 계층에서 계층으로 더 어렵게 작동합니다(딥 러닝)...
일반적으로 저는 이 3가지 기계 학습 알고리즘 을 살펴봅니다. 그리고 지금까지 확률 이론의 관점에서 볼 때 모델에서 목적 함수를 지우는 것이 그렇게 쉽지 않다는 것을 이해합니다. 최고에서 최악으로 재훈련하는 것, 그리고 가장 중요한 것은 그것이 단지 이력을 기반으로 한다는 것입니다 ... 알고리즘 + 데이터 + 다음 계층으로의 선택을 위한 조건 = 가장 논리적인 것 같습니다(비록 많은 양의 데이터로 작업할 때만, 그러나 항상 그들은)
이것이 아마도 (세 가지 알고리즘 중 두 가지가 없어졌기 때문에) 거래에서 N. 네트워크의 레이어가 회귀 또는 베이즈 정리보다 더 유망한 이유 일 것입니다... 진부한 프로그래밍에 이르기까지 의사 결정 프로세스 , 통계로 로봇의 결정을 강화하기 위해 거대한 샘플을 사용하는 경우에만 ... 슬프게도 우리에게는 그렇게 많지 않고 출력의 세부 사항을 중심으로 할 뿐만 아니라 산출물이 아니라 산출물 세트에 대한 가능성의 범위를 설정합니다 ... 모두 동일한 범위 ... 가격이 일반적으로 변동하는 ... (왜냐하면 교환의 변동율 자체가 변동성을 생성하기 때문입니다)..
이 교육을 직접 거치지 않고는 거래자의 의사 결정 프로세스(및 자신의 교육)를 코딩할 수 없습니다... 그래야만 로봇에 전달할 것이 있지만 물론 오류 분석 알고리즘 여전히 짝에게 전송할 수 없습니다. 모델(코더 자신의 두뇌에 있는 한) ... IMHO
좋아, 나는 내 여가 시간에 어떻게 모든 것을 거꾸로 하지 않을지 생각할 것이다(더 나쁜 재교육을 받지 않기 위해) ...Pr, OI, Volume 은 여전히 트레이더의 기대와 결정에 대한 데이터의 일부일 뿐입니다 , 그리고 수요와 공급은 모두 매트에서가 아니라 여전히 그들로부터 태어난다. 모델 ... IMHO
(지금까지 나는 5가지 요소를 세어 보았고, 이것은 인용문에 있는 2개국의 재정 및 통화 정책을 완전히 고려하지 않은 것입니다)
Mikhail Mishanin 팁 감사합니다
하나의 뉘앙스가 당신의 견해와 약간 반대입니까? (링크의 인용문에서 명확하지 않음)
사실, 은닉층은 일종의 수학적 기능을 수행합니다. 우리는 그것을 설정하지 않고 프로그램 자체가 결과를 표시하는 법을 배웁니다.
그는 어떻게 기억하지 못합니까? 그것이 바로 그것이 하는 일입니다. "신경망 기반 데이터베이스"라는 표현을 본 적이 있습니까? 나는 이것을 한 번 만났고 이것이 NA / 나무가 무엇인지에 대한 가장 좋은 정의라고 생각합니다.
하나의 트리는 마지막 분할까지 훈련될 수 있으며, 그런 다음 절대 정확도로 전체 기록을 절대적으로 기억할 것입니다(과도하게 훈련된 모델을 얻음). 마지막 분할 이전이 아니라 조금 더 일찍 분할을 중지하면(예: 시트당 10개의 예제) 일반화로 암기하고 가장 유사한 10개 예제의 결과를 평균화합니다 . 재교육은 줄어들 것입니다. 저것들. undertraining이 overfitting으로 바뀌기 시작할 때 나눗셈을 중지할 필요가 있습니다. 이것은 가장 중요하고 어려운 작업입니다.
그는 어떻게 기억하지 못합니까? 그것이 바로 그것이 하는 일입니다. "신경망 기반 데이터베이스"라는 표현을 본 적이 있습니까? 나는 이것을 한 번 만났고 이것이 NA / 나무가 무엇인지에 대한 가장 좋은 정의라고 생각합니다.
하나의 트리는 마지막 분할까지 훈련될 수 있으며, 그런 다음 절대 정확도로 전체 기록을 절대적으로 기억할 것입니다(과도하게 훈련된 모델을 얻음). 마지막 분할 이전이 아니라 조금 더 일찍 분할을 중지하면(예: 시트당 10개의 예제) 일반화로 암기하고 가장 유사한 10개 예제의 결과를 평균화합니다 . 재교육은 줄어들 것입니다. 저것들. 최소한의 재교육으로 분할 깊이를 선택해야 합니다.
그리고 어떤 브로커를 통해 MT를 사용하여 모스크바 거래소에 액세스할 수 있습니까?
당신은 내 의견을 "반대"까지 해석했습니다. 본질적으로 목표는 가장 실용적입니다. 가장 "필요한"은 생존하고 번식합니다. 그리고 어떤 식으로든 변경하지 않고 가장 "실용적인" 목표를 훈련해야 합니다.
데이터에 관해서는 입력에 제공된 정보이지만 이상적으로는 "눈", "귀", "코" 등을 형성/선택해야 합니다.
1) 네, "신경망을 훈련시키려면 신중하게 선택한 방대한 데이터 세트가 필요합니다"만
새로운 신경망을 생성하려면 알고리즘을 정의하고, 이를 통해 모든 데이터를 실행하고, 테스트하고, 반복적으로 최적화해야 합니다. 어렵고 길다. 따라서 때로는 회귀와 같은 간단한 알고리즘을 사용하는 것이 더 쉽습니다.
2) 처음에는 간단한 방법(회귀)으로도 그렇게 생각했지만 ... 내가 기억하는 한 선형 회귀는 혼란스럽습니다. 왜냐하면 내가 기억하는 한 가격은 비선형이고 수익은 선형이기 때문입니다(반대가 아니라면?) - at 선물 옵션의 경우 최소 ... trite ax^2+bx+c=0 , 여기서 b는 속도이고 는 가속도입니다. 그러나 이 경우에도 여전히 시간 요소가 적용되어야 합니다. 원칙적으로 고려할 때 중첩됩니다. 다양한 만기일에 대한 옵션이 있지만 그러한 장점의 3D 그림이 항상 정당화되는 것은 아닙니다... 그리고 그러한 분석에서 가장 슬픈 점은 DB CME에 따르면 청산의 모든 가격이 중앙 행사가와 정렬되어 있으며 여전히 그렇게 하지 않는다는 것입니다. 보고서에 따르면 불균형을 볼 기회가 없지만 실시간으로 모니터링하기 위해(글쎄요, 저는 그런 식으로 정리하는 차익거래자는 아닙니다) ... 그리고 그것은 너무 선형적이지 않고 오히려 논리에서 기하급수적 이지만, 나는 코뿔소와 악어를 교배하고 싶지 않습니다 (2 가지 요인 - 시간 및 이자율 의 모델에서) ... 옵션 가격 책정과 마찬가지로 모든 것이 엉망입니다.
삼)
대상 계정에 대한 모든 것이 옳습니다. 신호가 수익성이 있으면 조건에 따라 신호에서 신호로 이상적입니다. 수익이 없으면 1을 설정하고 수익성이 없으면 0을 설정하고 다른 방법은 이익이 될 수 있다는 점을 제외하고는 퍼짐 조건으로 계산!!!!
이것은 또 다른 가능한 기계 학습 알고리즘입니다 - Bayes' theorem의 적용(설명에서 그렇게 보였습니다) ... "이 알고리즘은 스팸 필터링과 같은 텍스트 문서 작업에 사용됩니다."... 신경 네트워크는 계층에서 계층으로 더 어렵게 작동합니다(딥 러닝)...
일반적으로 저는 이 3가지 기계 학습 알고리즘 을 살펴봅니다. 그리고 지금까지 확률 이론의 관점에서 볼 때 모델에서 목적 함수를 지우는 것이 그렇게 쉽지 않다는 것을 이해합니다. 최고에서 최악으로 재훈련하는 것, 그리고 가장 중요한 것은 그것이 단지 이력을 기반으로 한다는 것입니다 ... 알고리즘 + 데이터 + 다음 계층으로의 선택을 위한 조건 = 가장 논리적인 것 같습니다(비록 많은 양의 데이터로 작업할 때만, 그러나 항상 그들은)
이것이 아마도 (세 가지 알고리즘 중 두 가지가 없어졌기 때문에) 거래에서 N. 네트워크의 레이어가 회귀 또는 베이즈 정리보다 더 유망한 이유 일 것입니다... 진부한 프로그래밍에 이르기까지 의사 결정 프로세스 , 통계로 로봇의 결정을 강화하기 위해 거대한 샘플을 사용하는 경우에만 ... 슬프게도 우리에게는 그렇게 많지 않고 출력의 세부 사항을 중심으로 할 뿐만 아니라 산출물이 아니라 산출물 세트에 대한 가능성의 범위를 설정합니다 ... 모두 동일한 범위 ... 가격이 일반적으로 변동하는 ... (왜냐하면 교환의 변동율 자체가 변동성을 생성하기 때문입니다)..
이 교육을 직접 거치지 않고는 거래자의 의사 결정 프로세스(및 자신의 교육)를 코딩할 수 없습니다... 그래야만 로봇에 전달할 것이 있지만 물론 오류 분석 알고리즘 여전히 짝에게 전송할 수 없습니다. 모델(코더 자신의 두뇌에 있는 한) ... IMHO
좋아, 나는 내 여가 시간에 어떻게 모든 것을 거꾸로 하지 않을지 생각할 것이다(더 나쁜 재교육을 받지 않기 위해) ... Pr, OI, Volume 은 여전히 트레이더의 기대와 결정에 대한 데이터의 일부일 뿐입니다 , 그리고 수요와 공급은 모두 매트에서가 아니라 여전히 그들로부터 태어난다. 모델 ... IMHO
(지금까지 나는 5가지 요소를 세어 보았고, 이것은 인용문에 있는 2개국의 재정 및 통화 정책을 완전히 고려하지 않은 것입니다)
Mikhail Mishanin 팁 감사합니다
하나의 뉘앙스가 당신의 견해와 약간 반대입니까? (링크의 인용문에서 명확하지 않음)
사실, 은닉층은 일종의 수학적 기능을 수행합니다. 우리는 그것을 설정하지 않고 프로그램 자체가 결과를 표시하는 법을 배웁니다.
무차별 대입 검색처럼 보입니다 ... (암호 크래킹과 같은 알고리즘에서와 같이)
p.s 아직:
MO는 이력을 기억하지 못합니다. 아마도 모델을 다시 훈련시키는 것입니다.
따라서 현재로서는 단순한 의사결정 과정이 아닌 네트워크 계층을 충전하기 위해 수집하지 않을 데이터가 많기 때문에... 따라서 당분간은 여전히 가능한 것에 기대고 있습니다. RM에는 있지만 TM에는 없는 이점
포럼과 관련하여 피드백에서 결론을 도출하는 방법을 모릅니다. 두뇌가 도움이되지 않으면 기계 학습도하지 않고 그러한 로봇을 눈 멀게합니다 ... 또 다른 트롤-리포스터-블래더
포럼과 관련하여 피드백에서 결론을 도출하는 방법을 모릅니다. 두뇌가 도움이되지 않으면 기계 학습도하지 않고 그러한 로봇을 눈 멀게합니다 ... 또 다른 트롤-리포스터-블래더
MO는 이력을 기억하지 못합니다. 아마도 모델을 다시 훈련시키는 것입니다.
그는 어떻게 기억하지 못합니까? 그것이 바로 그것이 하는 일입니다.
"신경망 기반 데이터베이스"라는 표현을 본 적이 있습니까? 나는 이것을 한 번 만났고 이것이 NA / 나무가 무엇인지에 대한 가장 좋은 정의라고 생각합니다.
하나의 트리는 마지막 분할까지 훈련될 수 있으며, 그런 다음 절대 정확도로 전체 기록을 절대적으로 기억할 것입니다(과도하게 훈련된 모델을 얻음).
마지막 분할 이전이 아니라 조금 더 일찍 분할을 중지하면(예: 시트당 10개의 예제) 일반화로 암기하고 가장 유사한 10개 예제의 결과를 평균화합니다 . 재교육은 줄어들 것입니다. 저것들. undertraining이 overfitting으로 바뀌기 시작할 때 나눗셈을 중지할 필요가 있습니다. 이것은 가장 중요하고 어려운 작업입니다.
그는 어떻게 기억하지 못합니까? 그것이 바로 그것이 하는 일입니다.
"신경망 기반 데이터베이스"라는 표현을 본 적이 있습니까? 나는 이것을 한 번 만났고 이것이 NA / 나무가 무엇인지에 대한 가장 좋은 정의라고 생각합니다.
하나의 트리는 마지막 분할까지 훈련될 수 있으며, 그런 다음 절대 정확도로 전체 기록을 절대적으로 기억할 것입니다(과도하게 훈련된 모델을 얻음).
마지막 분할 이전이 아니라 조금 더 일찍 분할을 중지하면(예: 시트당 10개의 예제) 일반화로 암기하고 가장 유사한 10개 예제의 결과를 평균화합니다 . 재교육은 줄어들 것입니다. 저것들. 최소한의 재교육으로 분할 깊이를 선택해야 합니다.
Forex에 적용 가능하며, 이력을 기억하고 이를 기반으로 거래를 성사시키십니까?
네. 역사가 되풀이되기를 바랍니다. 아마도 헛된 것입니다. 그러나 우리는 더 이상 바랄 것이 없습니다.
네. 역사가 되풀이되기를 바랍니다. 아마도 헛된 것입니다. 그러나 우리는 더 이상 바랄 것이 없습니다.
그들은 스스로 신호에 경고를 쓰고, 과거의 성취는 이것이 미래의 경우가 될 것이라고 말하지 않습니다. 재미있는
재미있는 것은 아무도 보장할 수 없다는 것입니다. 다른 사람의 행동입니다.
기계 학습, 이제 정적에서만 작동합니다. Maksim이 방금 증명했습니다.