Aleksey / Feed de Noticias
Возможно ты попал по адресу! ))
Объявление простое.
Есть наработки в области [парного] кросс-трейдинга.
Последняя реализация ТС на С# для крипты. Надёжна и проста как "Теория всего."
Не ясна пока доходность, т.к. тестера не имеется.
Много граблей посчитано, шишки получены, достигнута определённая ясность сознания.
Могу поделиться опытом со страждущими!)
А так же идеями...
Взамен - взаимность, участие, энтузиазм, интерес к предмету.
Так же, в листе ожидания зависла задачка для программиста среднего уровня. Просто нет на это времени.
Задачка не очень сложная, но ставящая точку в представлении о доходности существующей ТС (кросс-трейдинг).
и вносящая ясность по её адаптации для форекс. Что потребует сосредоточенности и понимания mql-специфики.
Кому интересно, кликните Алексея в тг-группе: https://t.me/kulibyatino
и пообщаемся.
#кросс_трейдинг #парный_трейдинг
https://www.mql5.com/ru/market/product/118525
https://www.mql5.com/ru/market/product/118525
https://www.mql5.com/ru/market/product/118772
https://www.mql5.com/ru/market/product/118772
https://www.mql5.com/ru/market/product/121112
https://www.mql5.com/ru/market/product/121112
https://www.mql5.com/ru/market/product/121147
https://www.mql5.com/ru/market/product/121147
GOLD CatBoost Angle MA 3 ST V1 EA works on the Catboost algorithm. The technology described in my articles is used, which you can read below: Experiments with neural networks (Part 1): Revisiting geometry https://www.mql5.com/en/articles/11077 Experiments with neural networks (Part 2): Smart neural network optimization https://www.mql5.com/en/articles/11186 Experiments with neural networks (Part 3): Practical application https://www.mql5.com/en/articles/11949
GOLD CatBoost Distans MA 3 ST V1 EA works on the Catboost algorithm. The technology described in my articles is used, which you can read below: Experiments with neural networks (Part 1): Revisiting geometry https://www.mql5.com/en/articles/11077 Experiments with neural networks (Part 2): Smart neural network optimization https://www.mql5.com/en/articles/11186 Experiments with neural networks (Part 3): Practical application
CatBoost Angle MA 3 ST V1 EA works on the Catboost algorithm. The technology described in my articles is used, which you can read below: Experiments with neural networks (Part 1): Revisiting geometry https://www.mql5.com/en/articles/11077 Experiments with neural networks (Part 2): Smart neural network optimization https://www.mql5.com/en/articles/11186 Experiments with neural networks (Part 3): Practical application https://www.mql5.com/en/articles/11949 Experiments with
CatBoost Distans MA 3 ST V1 EA works on the Catboost algorithm. The technology described in my articles is used, which you can read below: Experiments with neural networks (Part 1): Revisiting geometry https://www.mql5.com/en/articles/11077 Experiments with neural networks (Part 2): Smart neural network optimization https://www.mql5.com/en/articles/11186 Experiments with neural networks (Part 3): Practical application https://www.mql5.com/en/articles/11949
https://www.mql5.com/ru/channels/machinelearning
Los algoritmos de agrupamiento en el aprendizaje automático son importantes algoritmos de aprendizaje no supervisado que pueden dividir los datos originales en grupos con observaciones similares. Utilizando estos grupos, puede analizar el mercado de un grupo específico, buscar los grupos más estables utilizando nuevos datos y hacer inferencias causales. El artículo propone un método original de agrupación de series temporales en Python.
Este artículo trata el tema del emparejamiento en la inferencia causal. El emparejamiento se usa para emparejar observaciones similares en un conjunto de datos. Esto es necesario para identificar correctamente los efectos causales, eliminando el sesgo. Hoy explicaremos cómo esto ayuda a crear sistemas comerciales basados en el aprendizaje automático que se vuelven más robustos con nuevos datos en los que no se ha entrenado. El papel principal lo asignaremos a la puntuación de propensión, ampliamente utilizada en la inferencia causal.