L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 814
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Si è notato da molto tempo che quando i futures sono nuovi, i TC sono piccoli e di breve durata. Più i futures sono vecchi, più diventano prevedibili, e quando scadono è un gioco da ragazzi.
Chi specula su nuovi futures? Solo gli ultimi 3 mesi. Se il precedente è finito (o 2-3 giorni prima) - vai al prossimo.
E poi è più o meno lo stesso per tutti e 3 i mesi, tranne che per gli ultimi giorni di esistenza. No - quello più vecchio...))
e con il tuo modo di fare, avrai molto tempo per raggiungere la gente del posto.
Non ne ha bisogno, è qui solo per il trolling. Ci sono letteralmente mucchi di algoritmi graal nel thread, e se non fosse stato scioglilingua, e li avesse provati - sarebbe uscito da tempo dall'alce permanente. Ha anche postato qui quasi il 90% dei grails già pronti, ma per finalizzarli hai bisogno di conoscenze che a lui mancano. Tutti i passi mancanti sono descritti qui nel tema, ma lui ha mandato all'inferno tutti quelli che hanno cercato di aiutarlo e di indirizzarlo nella giusta direzione )))))
Ironic.
Non ne ha bisogno, è qui solo per trollare. Ci sono letteralmente mucchi di algoritmi graal nel thread, e se non fosse stato scioglilingua, e li avesse provati - sarebbe uscito da tempo dall'alce permanente. Ha anche postato qui quasi il 90% dei grails già pronti, ma per finalizzarli hai bisogno di conoscenze che a lui mancano. Tutti i passi mancanti sono descritti qui nel topic, ma ha detto a tutti quelli che hanno cercato di aiutarlo e indirizzarlo nella giusta direzione di andare a farsi fottere ))))).
Ironico.
o maestro, dammi il restante 10% e ti servirò fedelmente
Perdona uno studente stupido che non vede la scintilla di verità nei tuoi messaggi.
Brevetti negati.
Le foto sono bellissime, naturalmente.
Ma un modo semplice è: fai questo e ottieni quello. Puoi farlo senza immagini. Mi fido delle persone in questo modo).
Saw Shura, sono d'oro. https://www.mql5.com/ru/articles/2930
Se avete almeno un predittore con la distribuzione mostrata, allora non avete bisogno di nulla: ci spostiamo su un'isola calda e viviamo lì.
Di solito l'immagine è così:
Ed eccone uno assolutamente splendido.
Questa è la realtà della vita dura, con predittori reali.
Se avete almeno un predittore con la distribuzione mostrata, allora non avete bisogno di nulla: ci spostiamo su un'isola calda e viviamo lì.
Di solito l'immagine è così:
Ed eccone uno assolutamente splendido.
Questa è la realtà della vita dura, con predittori reali.
Per distribuzioni di probabilità intendiamo Bayas. Scriverò più tardi se l'argomento si rivela interessante, per ora non so...
E intendevi le distribuzioni di probabilità relative all'obiettivo sull'OOS?
Le distribuzioni di probabilità si riferiscono a Bayas. Scriverò più tardi se l'argomento si rivela interessante, per ora non so...
e intendevi le distribuzioni di probabilità relative all'obiettivo sull'OOS?
Scrivere per la centesima volta.
Prendo un predittore e lo divido in due parti per un obiettivo di due classi: una parte appartiene a una classe e l'altra a un'altra. Poi costruiamo due curvilinei e li sovrapponiamo. Sotto di loro facciamo una didascalia: "f*ck you, not money".
Questo è il lavoro.
PS.
Queste curvuline si muovono costantemente l'una rispetto all'altra, per un predittore meno e per l'altro più della larghezza della curvulina. Questo definisce la non stazionarietà dei dati di input per i modelli di classificazione, qualsiasi.
Sto scrivendo per la centesima volta.
Prendo un predittore e lo divido in due parti per un obiettivo di due classi: una parte appartiene a una classe e l'altra all'altra. Poi costruiamo due linee curvilinee e le sovrapponiamo. Sotto di loro facciamo una didascalia: "f*ck you, not money".
Questo è il lavoro.
PS.
Queste curvuline si muovono costantemente l'una rispetto all'altra, per un predittore meno e per l'altro più della larghezza della curvulina. Questo è ciò che determina la non stazionarietà dei dati di input per i modelli di classificazione, qualsiasi.
ora prendere per ogni predittore una stima storica di byssell/hold, tradurla in una stima probabilistica.
prendere diversi predittori, fare lo stesso per ciascuno di essi.
trovare le probabilità condizionali di profitto per un gruppo di caratteristiche
e poi lo metti in NS o insiemi fuzzy come in questo esempio
la stima media oscillerà intorno a 0,5 per ogni predittore, ma le meraviglie dell'approccio bayesiano porteranno i totali a un livello accettabile
questo in teoria :)