Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 354
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Dies ist incalibrate::CORELearn/ besser und eleganter gelöst.
Und das schon seit geraumer Zeit.
Viel Glück!
Das Komische ist, dass ich die Kalibrierung ohne großen Erfolg verwendet habe und sie dann aufgegeben habe. Ich habe die Kalibrierung nur verwendet, um die Grenze zwischen den Klassen zu verschieben, aber ich habe nicht bemerkt, dass ich einen Zwischenraum zwischen den Klassen lassen sollte.
Das Lustige ist, dass ich die Kalibrierung ohne großen Erfolg verwendet und dann aufgegeben habe. Bei der Kalibrierung habe ich einfach die Grenze zwischen den Klassen verschoben, aber nicht bedacht, dass ich einen Zwischenraum zwischen den Klassen lassen muss.
Ich bin an dem Punkt angelangt, Trainingsdaten für meine Version des Rasters vorzubereiten...
Wenn ich mir die Beispiele ansehe, denke ich, warum sollten wir in der Ausbildung Balken einführen, die kein Handwerk beherrschen?
Wenn die Trainingsbeispiele auf einem Zickzackkurs basieren, sollten nur die Momente der Zickzackumkehr in die NS eingegeben werden.
Oder ist es vielleicht auch eine Lösung, keine Handelsentscheidung zu treffen? ))) Und wir müssen es auch noch lernen? Obwohl es logischerweise bedeutet, dass eine Entscheidung, nicht zu handeln, getroffen wurde, wenn es keinen Kauf oder Sitz gibt.
Das trainierte Modell soll für jeden Balken eine Vorhersage machen. Zum Beispiel sollte seine Vorhersage als "hold long"/"hold short"/"do not trade" interpretiert werden, und dann entsprechend dieser Vorhersage verschiedene Handelsoperationen innerhalb des Expert Advisors durchführen - Rollover, Close, Open Long oder Short. Das Modell (Neuron) muss also lernen, alle drei Situationen zu erkennen, und die Trainingsdaten werden jeweils im Voraus so aufbereitet, dass sie zeigen, wo und welche Art von Vorhersage von ihm erwartet wird.
Das trainierte Modell soll für jeden Balken eine Vorhersage machen. Zum Beispiel sollte seine Vorhersage als "hold long"/"hold short"/"do not trade" interpretiert werden, und dann entsprechend dieser Vorhersage verschiedene Handelsoperationen innerhalb des Expert Advisors durchführen - rollover, close, open long oder short. Das Modell (Neuron) muss also lernen, alle drei Situationen zu erkennen, und die Trainingsdaten müssen entsprechend vorbereitet werden, um zu zeigen, wo und welche Art von Prognose von ihm erwartet wird.
Dennoch scheint es mir, dass das Nichtstun gelernt werden muss. Jeder ist gut darin).
Außerdem, wenn wir nicht scalping und Handelsentscheidungen sind einmal in 100 - 10 000 Bars gemacht, sollte die NS überarbeiten alle diese unnötigen 10 000 Bars ... Der Unterschied in der Lerngeschwindigkeit beträgt natürlich das 10 000-fache. Selbst wenn wir z.B. 1 Mal für 10 Takte skalieren, ist eine 10-fache Erhöhung der Rechenzeit ebenfalls signifikant.
Also, die Praxis ist das Kriterium der Wahrheit, ich werde beide Varianten ausprobieren und sie vergleichen.
Durch die Kalibrierung wird ein "harter" Klassifikator zu einem "weichen" Klassifikator (er kann "Ich weiß nicht" sagen). Der Spielraum verschwindet.
Frage zu R, wie man Versionskompatibilität herstellt?
Eine solche Frage zu R, wie kann man Versionskompatibilität herstellen?
Gehen Sie in den Modulcode und beheben Sie ihn.
Ich bin ein Neuling, ich weiß nicht, wohin ich gehen soll).
Ich bin ungeschickt, weiß nicht, wohin ich gehen soll.)
Quellcode des Pakets. Herunterladen, korrigieren, kompilieren. Manchmal funktioniert es, manchmal nicht. Vielleicht gibt es nur 2 Zeilen zu korrigieren, vielleicht aber auch viele).
SZY Die einfachste Möglichkeit ist das Herunterladen der vorherigen Version von R.