Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1437
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
me llevó mucho tiempo descubrirlo, pero parece que sí. El bosque Alglib es propenso al sobreaprendizaje a medida que aumenta el tamaño de la muestra, ya que se trata de un atracón ininterrumpido. Así que, con un tamaño de muestra moderado, puede dar una buena generalizabilidad, pero con un tamaño de muestra mayor, el número de divisiones se sale de lo normal y ahí sin podar, sólo resulta ser memorización. Por lo tanto, la poda es necesaria para aumentar la muestra.
Todavía no he visto cómo funciona en la nueva versión en su página web. Es posible que este fallo se haya solucionado
me llevó mucho tiempo descubrirlo, pero parece que sí. El bosque Alglib es propenso al sobreaprendizaje a medida que aumenta el tamaño de la muestra, ya que se trata de un atracón ininterrumpido. Así que, con un tamaño de muestra moderado, puede dar una buena generalizabilidad, pero con un tamaño de muestra mayor, el número de divisiones se sale de lo normal y ahí, sin poda, sólo resulta ser memorización. Por lo tanto, la poda es necesaria para aumentar la muestra.
Todavía no he visto cómo funciona en la nueva versión en su página web. Tal vez se haya corregido este defecto.
La poda debe controlar la exhaustividad, es decir, debe cortar no menos del 0,5-1% de cobertura de una muestra.
Por qué torturas el software del siglo pasado, en el ciberforo te han sugerido una variante cinco veces más rápida. El autor de NeyroPro confesó que abandonó sus posiciones durante un par de décadas, ahora están escribiendo un código más óptimo.
El multijugador en C, no está mal, no está mal, es nuestro Maxim's para nutrir, estaba buscando donde saquear MLP, y aquí es puro C 50 líneas, aunque no es su nivel todavía.
A partir de ahora no hay devoluciones, te he enviado un correo electrónico de la mejor manera, léelo con tranquilidad )
Muy bien, no hace falta ni retornos ni ningún indicador, el MO es capaz de encontrar dependencias en el precio neto. Seré estricto pero justo. Como en la vida real, o en el trabajo en una oficina y en la relación jefe-subordinado.
me llevó mucho tiempo descubrirlo, pero parece que sí. El bosque Alglib es propenso al sobreaprendizaje a medida que aumenta el tamaño de la muestra, ya que se trata de un atracón ininterrumpido. Así que, con un tamaño de muestra moderado, puede dar una buena generalizabilidad, pero con un tamaño de muestra mayor, el número de divisiones se sale de lo normal y ahí sin podar, es sólo memorización. Por lo tanto, la poda es necesaria para aumentar la muestra.
Todavía no he visto cómo funciona en la nueva versión en su página web. Probablemente, este inconveniente esté solucionado.
Limite la profundidad por sí mismo - establezca un contador (profundidad o número de ejemplos en la hoja) y cuando se supere, termine la división. En mis experimentos no se produjo ninguna mejora en el OOS, sigue siendo el mismo 50+-5%.
Al menos en ese proceso vi tanto la estacionariedad como la presencia de información mutua con la fila de origen. Hay algunos valores atípicos, que también se pueden arreglar de alguna manera, pero es usted quien decide
La fórmula es sencilla, la reescribí en mql.
También reflexioné durante algún tiempo sobre el uso de la información mutua, creo que tiene sentido, tal vez incluso un grial.
Muy bien, no se necesitan retornos ni indicadores, IO es capaz de encontrar dependencias en el precio neto. Seré estricto pero justo, como en la vida real, o en el trabajo en una oficina, en una relación jefe-subordinado.
No, Kesha, en la vida real y aquí en el foro no tienes la suficiente autoridad para compartir nada contigo. Trabaja en eso.
No. Simplemente se reescriben las funciones, supongo que para agilizarlas. La profundidad sigue siendo la de la división ganadora/última.
Limite usted mismo la profundidad: ponga un contador (profundidad o número de ejemplos en la hoja) y cuando se supere, termine la división. En mis experimentos no se produjo ninguna mejora en el OOS, sigue siendo el mismo 50+-5%.
No tengo ni idea de cómo funciona, pero dice que produce órdenes de magnitud menos de bosque, es decir, que de hecho tiene que volver a entrenar menos porque el número de opciones es menor, aunque sea el mismo en profundidad.
No. Sólo se reescriben las funciones allí, supongo que por la velocidad. La profundidad allí sigue dependiendo de la división ganadora/última.
Limite usted mismo la profundidad: ponga un contador (profundidad o número de ejemplos en la hoja) y cuando se supere, termine la división. En mis experimentos no se produjo ninguna mejora en el OOS, sigue siendo el mismo 50+-5%.
Así que debes estar usando retornos como todos han sido desenformados por los desmotivadores de forex alyosha y wacky wizard, y los retornos son independientes, ya no hay información en ellos, ni niveles ni líneas de tendencia, puro SB.
Yo también llevo tiempo pensando en la aplicación de la información mutua, creo que tiene sentido, incluso puede ser un grial.
Es una forma de pensar muy correcta, al menos... el lib que reescribí con éxito de SI se trata de eso