L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 1168
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
J'ai vérifié le MLP de l'alglib sur la table de multiplication pour la normalisation, hmmm... pas de normalisation nécessaire, étrange... Très étrange que ce soit si simple !
la grille d'alglib est assez bonne, bien sûr il n'y a pas de miracles, mais même en avant elle montre des valeurs à peine logiques.... très étrange que ce soit si simple ! )))
HH : #define k 1 vous pouvez tordre, mais n'ont pas remarqué de changements, comme l'entrée de fournir de 0. 1 que de 1. 100, quoi que fonctionne assez bien tout de même
bien, et la forêt à peu près la même comptera, j'ai jeté la table de multiplication pour elle aussi, seulement sur les grands ensembles de données sera la différence - le réseau neuronal est formé plus lentement
J'aimerais connaître votre opinion sur l'utilisation de la carte Kagi pour le ministère de la Défense. Combien de fois est-il utilisé et quelle est sa signification à votre avis ?
J'aimerais connaître votre opinion sur l'utilisation du calendrier Kagi pour le ministère de la Défense. Combien de fois est-il utilisé et quelle est sa signification à votre avis ?
Je pense qu'il s'agit d'un indicateur commun de changement de prix d'un certain montant, tout comme un Renko... dans quelles situations peut-on l'utiliser : par exemple, pour filtrer le "bruit", mais on peut aussi le faire à travers un muving, par exemple, avec exactement le même décalage. Ainsi, s'il est nécessaire d'obtenir des données filtrées avec un décalage, cela peut avoir un sens, mais dans la pratique, il est fort probable qu'il n'existe pas de tâche telle que l'obtention d'informations de marché fortement décalées.
Je pense que c'est un indicateur commun de changement de prix d'une certaine valeur, tout comme Renko... dans quelles situations il peut être utilisé : par exemple, pour filtrer le "bruit", mais il peut aussi être fait par un muving, par exemple, avec exactement le même décalage. Ainsi, s'il est nécessaire d'obtenir des données filtrées décalées, cela peut avoir un sens, mais en pratique, il n'est probablement pas nécessaire d'obtenir des informations de marché fortement décalées.
Il ne s'agit plutôt pas de pratique. De tels graphiques créent un certain lien entre le marché et l'"exercice de la pièce".
Le SB en régime permanent par morceaux ne simule pas un puits plat. Le développement évident du modèle est une chaîne de Markov homogène par morceaux. Il est tout à fait possible d'utiliser le MO pour le former. Quelqu'un a sûrement fait quelque chose de similaire, mais je n'ai rien trouvé.
J'aimerais connaître votre opinion sur l'utilisation du calendrier Kagi pour le ministère de la Défense. Combien de fois est-il utilisé et quelle est sa signification à votre avis ?
hmm, je me suis dit que j'allais poster une forêt formée aux graphiques renko dans ce fil aujourd'hui,
j'ai lu quelque part que certaines personnes partagent les mêmes idées :))))
hmm, je me suis dit que j'allais poster une forêt formée aux graphiques Renko dans ce fil aujourd'hui,
J'ai lu quelque part que certaines personnes se ressemblent )))))
i>Normalement, ajoutez à vos instuctions la possibilité d'optimiser les paramètres du rengo, c'est ce que vous verrez.
Et en général, vous pouvez utiliser mon exemple de bandit pour le tracé de Weierstrass, en changeant le logit en forêt.pour passer à python sans problème et pour résoudre des exemples je recommande google colaboratory
on peut prendre des probabilités conditionnelles (traces de continuité) d'après ce que je comprends, qui, à la limite, convergeront vers 50\50, mais il peut y avoir des variations sur le moment. C'est exactement le but de l'approche bayésienne, par opposition à l'approche fréquentielle (distinction entre les distributions a priori et a posteriori). C'est un peu mon humble point de vue sur ce qui se passe dans ce livre pour le moment, puisque je ne suis pas très familier avec les statistiques bayésiennes, bien qu'il y ait essentiellement une équation et tout :)
Mais on soupçonne que cela peut être utilisé pour trouver des régularités conditionnelles, si on peut appeler cela ainsi. Et un réseau neuronal est juste pour la généralisation.
en tout cas, c'est l'approche que j'essaie d'ajouter à mes bandits RL.
Corrigez-moi si je me trompe.
J'ai Sagemath, qui est basé sur python.
Je suis d'accord pour dire que la limite est de 50/50, bien qu'elle puisse être formalisée de différentes manières. J'aimerais trouver un modèle simple pour distinguer nos graphiques du SB symétrique sur de courts intervalles de temps. Les bandits me semblent suffisamment compliqués, tout comme les modèles de Markov cachés, pour entraîner un sur-apprentissage.
Ignorer l'opposition entre l'approche fréquentielle et l'approche bayésienne - elles coexistent tout à fait chez un théoricien).
Le problème de la recherche de régularités, à mon avis, est tout de même la non-stationnarité.
vous pouvez faire 100% de profit par mois.
Zehr gut, Max ! Tse est le Graal et il se cache dans les incréments. Ce n'est pas si facile à voir, mais c'est là, à 100%.