Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2705
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
En el futuro, miramos un número aleatorio de barras, marcamos compra o venta en la actual, dependiendo de lo que había en el futuro, recorremos todo el histórico de esta forma
Entiendo lo del markup. Pero como se aplica el modelo en el trading real, en cada barra o con un ciclo que apareció aleatoriamente en el markup, si con un ciclo, como se determina el inicio del ciclo, porque la inclusión del Asesor Experto puede ser en cualquier momento.
Entiendo lo del markup. Pero cómo se aplica el modelo, en cada barra o con un ciclo, que se obtiene aleatoriamente en el markup, si con un ciclo, cómo se determina el inicio del ciclo, porque la inclusión del Asesor Experto puede ser en cualquier momento.
El modelo es en cualquier momento y oficios, está entrenado
Así que el margen de beneficio fue en cada barra por lo que con delta del futuro como un número aleatorio de bares?
¿Así que el recargo fue en cada barra significa con delta del futuro como un número aleatorio de barras?
Sí
¿Significa cerrar una señal de vuelco?
¿Y cerrar con una señal de vuelco significa?
Bien.
Eso tiene sentido, gracias por la aclaración.
Estoy leyendo aquí, veo que cada uno entiende sus propias conversaciones...
No se pueden comparar métodos de generación de rasgos porque aún no he creado un sistema en código. Lo que se puede comparar es tu sistema con mi conjunto de predictores y mi sistema/metodología para seleccionarlos.
Cualquiera puede obtener datos del intervalo histórico del servidor MQL - usted quiere una historia continua. Pero la muestra final para ser entrenado en será un orden de magnitud más pequeño cadenas de muestra, pero con predictores adicionales.
El Asesor Experto que propongo utilizar guardará los predictores abiertos y al final del archivo csv habrá columnas con el resultado financiero y el objetivo - usted puede tomar la información sobre el momento de la activación de la "regla inicial"/función de activación de allí, así que no hay necesidad de reproducir el algoritmo en R.
Sugiero el intervalo de tiempo - de 2010 a 2020 - formación, el resto del tiempo para probar los resultados fuera de la formación.
Cuando usted crea sus predictores, puede guardar el resultado en csv - y yo lo haré. Además o puede fusionar columnas y estudiar en diferentes rangos o simplemente por separado - es necesario para la comparación de la exactitud de la sincronización.
Puedo enviar puramente marcado, si usted no quiere entrar en ella en absoluto.
No puedes comparar métodos de generación de características, ya que aún no he creado un sistema en código. Puedes comparar tu sistema con mi conjunto de predictores y el sistema/método de su selección.
Cualquiera puede obtener datos del intervalo histórico del servidor MQL - usted quiere una historia continua. Pero la muestra final, que se utilizará para la formación, será un orden de magnitud más pequeñas cadenas con ejemplos, pero con predictores adicionales.
El Asesor Experto que propongo utilizar guardará los predictores abiertos y al final del archivo csv habrá columnas con el resultado financiero y el objetivo - usted puede tomar la información sobre el momento de la activación de la "regla inicial"/función de activación de allí, así que no hay necesidad de reproducir el algoritmo en R.
Sugiero el intervalo de tiempo - de 2010 a 2020 - la formación, el resto del tiempo para comprobar los resultados fuera de la formación.
Cuando usted crea sus predictores, puede guardar el resultado en csv - y yo lo haré. Puede fusionar las columnas y estudiar en diferentes rangos o sólo por separado - lo necesita para comparar la exactitud de la sincronización.
Puedo enviar puramente marcado, si usted no quiere entrar en ella en absoluto.
Volvamos a la lógica
puede haber muchos atributos diferentes y pueden o no ser informativos, depende de su relación con el objetivo.
¿cuál es la diferencia entre una relación y un ajuste? el grado de dependencia informativa expresado a través de alguna medida
cuanto menor sea la dependencia informativa de las etiquetas con respecto a cada característica individual, más características se necesitarán para el entrenamiento.
Aumentar el número de características conduce al ajuste porque el sistema empieza a tener muchos parámetros libres
¿cuál es el único enfoque correcto en este caso? Reducir al mínimo el número de características y aumentar al mismo tiempo su relación con las características objetivo.
Por eso es necesario bombardear no sólo los rasgos, sino también los rasgos objetivo, de acuerdo con algún criterio de enlace de información.
Si alguien va a trabajar en esta dirección, voy a ayudar con el código.