L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 2982

[Renat Akhtyamov]

mytarmailS #:

Se si controllano i periodi delle mescole in dinamica, si ottiene un buon TC sulle mescole.

Inoltre, si può cercare di prevedere quali periodi delle masse saranno redditizi in futuro.

provare diverse variazioni delle funzioni di fitness

congratulazioni ;)

uno dei miei primi trucchi è stato risolto

Per quanto ricordo, sostituivo il valore trasformato dell'indicatore di volatilità invece del periodo.

Credo che fosse l'APR

[mytarmailS]

Renat Akhtyamov #:

congratulazioni ;)

uno dei miei primi trucchi è stato svelato

Per quanto mi ricordo, ho sostituito il valore trasformato dell'indicatore di volatilità al posto del periodo.

Credo si trattasse di APAC

Congratulazioni! Questo chip si chiama "filtraggio adattivo" "DSP" e ha circa 70 anni.

[Renat Akhtyamov]

mytarmailS #:

Congratulazioni! Questo chip si chiama "filtraggio adattivo" "DSP" e ha circa 70 anni.

Sono in ritardo.

L'ho già buttato via circa 12 anni fa.

Due MA sono una corsa di tartarughe.

Voglio dire, sembra bello, ma è una seccatura da usare.

;)

[mytarmailS]

Mi sono imbattuto in questa domanda di un pitonista al codice R.

Ho avuto un leggero shock misto a risate...

ecco come viene risolto il problema in python.

def to_supervised(train, n_input, n_out):
    X, y = list(), list()
    in_start = 0
    #  step over the entire history one time step at a time
    for _ in range(len(data)):
        #  define the end of the input sequence
        in_end = in_start + n_input
        out_end = in_end + n_out
        #  ensure we have enough data for this instance
        if out_end <= len(data):
            x_input = data[in_start:in_end, 0]
            x_input = x_input.reshape((len(x_input), 1))
            X.append(x_input)
            y.append(data[in_end:out_end, 0])
        #  move along one time step

        in_start += 1
    return array(X), array(y)

e questo è il modo in cui viene risolto in R.

em <- embed(x = 1:10,dimension = 6)[,6:1]
e1 <- em[,1:3]
e2 <- em[,4:6]

Quindi, per dire, sentite la differenza, quale linguaggio è stato creato per lavorare con i dati, e quale invece si limita a falciare.

[Maxim Kuznetsov]

mytarmailS #:

Mi sono imbattuto in una domanda simile da parte di un pitonista al codice R

Ho avuto un leggero shock misto a risate.....

Ecco come viene risolto il problema in python.

e questo è il modo in cui viene risolto in R

Perciò, per dire, per capire la differenza, quale linguaggio è stato progettato per lavorare con i dati e quale è solo un tosaerba

Sei tu che non hai contato le stringhe in MQL :-) Il linguaggio è progettato per lavorare con i dati

[mytarmailS]

Maxim Kuznetsov #:

non avete contato le stringhe in MQL :-) Linguaggio per lavorare con i dati

Non voglio nemmeno pensarci ))

[Renat Fatkhullin]

Maxim Kuznetsov #:

non avete contato le stringhe in MQL :-) Linguaggio per lavorare con i dati

È solo che non siete a conoscenza delle nuove funzionalità dei metodi matriciali standard di MQL5:

• https://www.mql5.com/ru/docs/matrix

È stato fatto un grande passo avanti nella matematica matriciale e vettoriale di base. La scrittura può essere significativamente più breve.

[Maxim Dmitrievsky]

mytarmailS #:

Mi sono imbattuto in questa domanda da parte di un pitonista per codificare da

Ho avuto un leggero shock misto a risate...

ecco come viene risolto il problema in python.

e questo è il modo in cui viene fatto in R.

Quindi, per dire, sentite la differenza, quale linguaggio è stato progettato per lavorare con i dati.

La cosa principale è che non si ha un retrogusto amaro dopo aver riso.

vec = [i for i in range(15)]    
matrix = [vec[i:i+7] for i in range(0, 14, 7)]
matrix2 = [vec[i:i+7] for i in range(1, 15, 7)]

Con numpy è ancora più breve. Fate qualcosa di significativo.

[mytarmailS]

Maxim Dmitrievsky #:

Fate qualcosa di significativo.

Per esempio

[Maxim Dmitrievsky]

mytarmailS #:

Tipo.

Non lo so, casuale.