Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 960
![MQL5 - Lenguaje de estrategias comerciales para el terminal de cliente MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
Bueno, no sabía que todo esto se ha utilizado durante mucho tiempo mientras yo he estado inventando...
todo lo que se discute aquí se utiliza desde hace medio siglo.
ahora sólo se añaden modelos más avanzados como el diplinning
observación: no hay una sola idea que se me haya ocurrido y que luego no haya encontrado casi exactamente la misma en Internet. (Por ejemplo, hace poco publiqué un ejemplo sobre lógica difusa y NS. Primero se me ocurrió uno y luego encontré exactamente el mismo 1 en 1, aunque el artículo es bastante reciente allí) Y no hay un solo modelo de MO que no se haya probado ya en el mercado antes que tú :) La mayoría de los recursos en inglés, por supuesto... En Runet en general, confusión total.
han estado usando todo lo que se discute aquí durante medio siglo
ahora sólo se añaden modelos más avanzados como el diplerning
observación - no hay una sola idea que se me haya ocurrido y que luego no haya encontrado casi exactamente la misma en Internet. (Por ejemplo, hace poco publiqué un ejemplo sobre lógica difusa y NS. Primero se me ocurrió uno y luego encontré exactamente el mismo 1 en 1, aunque el artículo es bastante reciente allí) Y no hay un solo modelo de MO que no se haya probado ya en el mercado antes que tú :) La mayoría de los recursos en inglés, por supuesto... en Runet en general una completa confusión.
Aburrido :)
Aburrido :)
No sé qué hacer a continuación, a nadie se le ha ocurrido ninguna idea, demasiado perezoso para pensar
Hay un modelo, los trenes constantemente bien en diferentes modificaciones, algunas al 100% y más de los trenes de trabajo en el AOS, como aquí ... (4 meses de formación 10 meses de A.M.) luego nada
No veo el sentido de probar las demos porque ya está todo claro.
No sé cuándo se va a colapsar el sistema en el futuro :D He hecho una especie de semigracias y ahora me siento a mirar en blanco, ya me han ofrecido 50k
Tengo que volver a leer libros de 500 páginas en inglés...
No sé qué hacer a continuación, nadie ha aportado ninguna idea todavía, soy demasiado vago para pensar
Hay un modelo, los trenes constantemente bien en diferentes modificaciones, algunos en el 100% y más de los trenes de trabajo en el AOS, como aquí ... (4 meses de formación 10 meses de A.M.) luego nada
No veo el sentido de probar las demos porque ya está todo claro.
No sé cuándo se va a colapsar el sistema en el futuro :D He hecho una especie de semigracias y ahora me siento a mirar en blanco, ya me han ofrecido 50k
Volver a leer libros de 500 páginas en inglés...
¿Tal vez empezar a intercambiar los fetches?
La "basura de entrada es basura de salida" es una tesis válida, pero importante de entender, y digna de un estudio fundamental. Por supuesto, no cubre todas las posibilidades de modelización y no tiene en cuenta la infinidad de formas de elegir los datos de entrada para la investigación. Todos sabemos que la elección de los datos viene determinada por las características del objeto de estudio o por la naturaleza de su modelo matemático, si se conoce. Por otra parte, cualquier dato debe considerarse a un cierto nivel de abstracción en relación con un conjunto de factores "absolutos" que determinan el comportamiento del mercado. Sin estos puntos de referencia, sólo podemos hacer una estimación comparativa, que será puramente local. Personalmente, en mi experiencia, he comprobado que un enfoque reflexivo en la elección de los datos de entrada mejora el rendimiento de la modelización numérica.
¿Qué tal si empezamos a intercambiar fichas?
Sólo tengo precios de entrada, no sufro de fichas :) lo principal es la selección de objetivos
La "basura de entrada es basura de salida" es una tesis válida, pero importante de entender, y digna de un estudio fundamental. Por supuesto, no cubre todas las posibilidades de modelización y no tiene en cuenta la infinidad de formas de elegir los datos de entrada para la investigación. Todos sabemos que la elección de los datos viene determinada por las características del objeto de estudio o la naturaleza de su modelo matemático, si se conoce. Por otra parte, cualquier dato debe considerarse a un cierto nivel de abstracción en relación con un conjunto de factores "absolutos" que determinan el comportamiento del mercado. Sin estos puntos de referencia, sólo podemos hacer una estimación comparativa, que será puramente local. Personalmente, por mi experiencia, he comprobado que un enfoque reflexivo en la elección de los datos de entrada aumenta el rendimiento de la modelización numérica.
Creo que terver+MO, no hay mucho más donde elegir. Es algo científico y de buen gusto.
no es tan bueno con terver, necesita aprenderlo
Sólo tengo precios de entrada, no sufro de fichas :) lo principal es escoger objetivos
Entonces todo esto debería funcionar sólo mientras los precios históricos se repitan...
Estoy pensando en terver+MO, no hay mucho más para elegir. Es algo científico y de buen gusto.
No sé lo del terver, tendré que estudiarlo.
Exactamente.
Un tal Asaulenko hace precisamente eso. Aunque intente contonearse como una liebre, es un físico y tengo fe en su modelo.
Y es como sigue - mira si el precio está fuera del nivel de probabilidad de confianza, y el NS adicionalmente da permiso/rechazo para entrar en el comercio. A mí me pasa lo mismo, sólo que en lugar de NS uso el coeficiente de asimetría de Pearson. Pero es mejor. Yo también quiero hacerlo así.