Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 1132
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
Und hier ist, was ich brauchte, um eine Wohnung zu algorithmisieren
Flots basieren überhaupt nicht auf dem Preis, sondern auf einer anderen Funktion...
Das Zeichnen von Rechtecken ist hier so implementiert, dass das Signal bereits am Anfang des Rechtecks gültig ist und nicht erst am Ende wie in den vorherigen Beispielen
Das Diagramm zeigt die Werte von Pd und Sp. wir kaufen bei den Roten, verkaufen bei den Grünen
wir haben eine Haltestelle, aber nur einen Ausschnitt aus einem synthetischen Zeitrahmen
Bp und SP sind überkaufte und überverkaufte Zonen, wie ich es verstehe
Ich verwende ein neuronales Netzwerk, um überkaufte und überverkaufteVerdammt, Leute, lasst uns doch über normale Systeme diskutieren, oder? mit objektiven Mustern
2 beliebige korrelierte Instrumente nehmen und ein Modell erstellen
Arbitrage?
Oder einen dampfenden.
Wo ist das MO?
Wo ist das Verteidigungsministerium?
http://sun.tsu.ru/mminfo/2016/Dombrovski/book/chapter-2/chapter-2.htm
Hat jemand den Leave-One-Out-CV für LR verwendet? Ersetzt er separate Validierungsstichproben? Ich glaube, Vizard ist der Einzige, der es benutzt hat :)
Am besten ist es, sich die Kreuzvalidierung als eine Möglichkeit vorzustellen, die Verallgemeinerungsleistung von Modellen zu schätzen, die mit einem bestimmten Verfahren erstellt wurden, und nicht die des Modells selbst. Die Leave-One-Out-Kreuzvalidierung ist im Wesentlichen eine Schätzung der Verallgemeinerungsleistung eines Modells, das auf n-1 Stichproben von Daten trainiert wurde, was im Allgemeinen eine leicht pessimistische Schätzung der Leistung eines auf n Stichproben trainierten Modells darstellt.
Anstatt sich für ein Modell zu entscheiden, sollte man das Modell an alle Daten anpassen und LOOC-CV verwenden, um eine leicht konservative Schätzung der Leistung dieses Modells zu erhalten.
Beachten Sie jedoch, dass LOOCV eine hohe Varianz aufweist (der Wert, den Sie erhalten, variiert stark, wenn Sie eine andere Zufallsstichprobe von Daten verwenden), was ihn oft zu einem schlechten Schätzer für die Leistungsbewertung macht, auch wenn er annähernd unverzerrt ist. Ich verwende es ständig für die Modellauswahl, aber wirklich nur, weil es billig ist (fast kostenlos für die Kernelmodelle, an denen ich arbeite).
"Nachteile und Vorteile. Ein Schätzer wie dieser wäre gut, um die Modellauswahl zu beschleunigen
Veröffentlichung der neuesten Version der Bibliothek mit einem Testfall
Es scheint ein langer Weg bis zum neuen Jahr zu sein, und es gibt Geschenke wie dieses!
Schlichtung?
hier
https://www.mql5.com/ru/forum/140716/page382
und weitere
nur eine Zeile aus einem Induke, die Sie nirgendwo anders finden werden
nur eine Zeile aus dem Truthahn, die Sie sonst nirgendwo finden.
und wo ist sie?
Veröffentlichung der neuesten Version der Bibliothek mit einem Testfall
Sehr cool! Ich danke Ihnen. Beeindruckende Ergebnisse:)