또한 이러한 연결은 수학적으로 찾을 수 없으며 여전히 멍청한 적합성 또는 시장 조사로 남아 있습니다. :)
뭉툭한 핏도 멋진데, 사실 일반화를 하자면
맥스, 하지만 흥미롭게도 신경망이 하는 일, 심지어 랜덤 포레스트조차도... 이렇게 알아내면 이 알고리즘은 단순히 인간의 눈에는 보이지 않는 "패턴"을 찾습니다. 그런 다음 미래에 그러한 "패턴"이 나타나면 기계가 쉽게 인식합니다. 이것이 50/50 예측이라는 사실은 시장의 모든 것이 그렇습니다. 여기에서 삼각형 브레이크아웃의 예를 들어보겠습니다. 예를 들어 클래식 버전에서는 테이크가 엘크보다 큽니다. 이제 이 경우에 50/50을 곱하면 더하기가 됩니다. 이것은 기계 학습에서 돈 버는 시스템을 만드는 방법에 대한 설명의 가장 간단한 버전입니다.
맥스, 하지만 흥미롭게도 신경망이 하는 일, 심지어 랜덤 포레스트조차도... 이렇게 알아내면 이 알고리즘은 단순히 인간의 눈에는 보이지 않는 "패턴"을 찾습니다. 그런 다음 미래에 그러한 "패턴"이 나타나면 기계가 쉽게 인식합니다. 이것이 50/50 예측이라는 사실은 시장의 모든 것이 그렇습니다. 여기에서 삼각형 브레이크아웃의 예를 들어보겠습니다. 예를 들어 클래식 버전에서는 테이크가 엘크보다 큽니다. 이제 이 경우에 50/50을 곱하면 더하기가 됩니다. 이것은 기계 학습에서 돈 버는 시스템을 만드는 방법에 대한 설명의 가장 간단한 버전입니다.
주요 문제는 교사와 함께 학습하는 것이 자체적으로는 아무 것도 찾지 못하고 대상에 대한 기능의 비율이 항상 최적으로 선택되는 것은 아니므로 큰 분류 오류 및 재교육 및 최적화 방법에 대한 많은 주제입니다. 이 과정. 국회에서 본격적인 봇에 대해 이야기하면 전문가 (인간)의 참여없이 스스로 최적의 방식으로 라벨을 부착해야합니다. 그것이 오늘날 구현되는 방법 - 예를 들어 강화 학습 을 통해 링크를 끊었지만 탐색 및 착취 문제와 같은 어려움이 있습니다. 환경을 연구하는 것과 얻은 지식을 적용하는 것 사이에서 균형을 찾으십시오. 사실 이것은 신경망을 재교육할 가치가 있지만 이미 자동 모드에 있는 빈도의 딜레마와 동일합니다.
주요 문제는 교사와 함께 학습하는 것이 자체적으로는 아무 것도 찾지 못하고 대상에 대한 기능의 비율이 항상 최적으로 선택되는 것은 아니므로 큰 분류 오류 및 재교육 및 최적화 방법에 대한 많은 주제입니다. 이 과정. 국회에서 본격적인 봇에 대해 이야기하면 전문가 (인간)의 참여없이 스스로 최적의 방식으로 라벨을 부착해야합니다. 오늘 구현 방법 - 예를 들어 강화 학습을 통해 링크를 끊었지만 탐색 및 활용 문제와 같은 어려움이 있습니다. 환경을 연구하는 것과 얻은 지식을 적용하는 것 사이에서 균형을 찾으십시오. 사실 이것은 신경망을 재교육할 가치가 있지만 이미 자동 모드에 있는 빈도의 딜레마와 동일합니다.
나는 비참한 이론적 지식을 가지고 있기 때문에 그다지 똑똑하지 않을 것입니다. 나는 관찰자와 실천가의 의견만 표현할 수 있다. 예측 변수를 선택하는 것은 매우 지루한 과정이며 큰 더미가 필요하지 않습니다. 사실 차 2대도 빼먹을 수 있지만 결과가 적절하니 이 차들을 가르칠 수 있는 방법은 말하지 않겠습니다. 상관없습니다. 따라서 많은 테스트의 관찰자로서 NN의 재 훈련 빈도는 고정 된 것과는 거리가 멀고 때로는 한 세트로 충분하다는 것이 밝혀졌습니다. 예를 들어 일주일에 한 번, 때로는 한 달에 한 번이면 충분합니다. 다른 데이터 세트에 대해 다른 재훈련 빈도가 있습니다.그러나 결국, 우리는 여전히 적합을 얻습니다. 동일한 마우스의 매개변수에 대한 적합이 아니라 주어진 기계의 신호 주파수에 대한 적합 기간. 이런 핏이 얼마나 오래 갈 수 있을까요? 네, 마치 늪에 있는 것과 같습니다. 언제 늪에 들어갈지 모릅니다.
나는 비참한 이론적 지식을 가지고 있기 때문에 그다지 똑똑하지 않을 것입니다. 나는 관찰자와 실천가의 의견만 표현할 수 있다. 예측 변수를 선택하는 것은 매우 지루한 과정이며 큰 더미가 필요하지 않습니다. 사실 차 2대도 빼먹을 수 있지만 결과가 적절하니 이 차들을 가르칠 수 있는 방법은 말하지 않겠습니다. 상관없습니다. 따라서 많은 테스트의 관찰자로서 NN의 재 훈련 빈도는 고정 된 것과는 거리가 멀고 때로는 한 세트로 충분하다는 것이 밝혀졌습니다. 예를 들어 일주일에 한 번, 때로는 한 달에 한 번이면 충분합니다. 다른 데이터 세트에 대해 다른 재훈련 빈도가 있습니다.그러나 결국, 우리는 여전히 적합을 얻습니다. 동일한 마우스의 매개변수에 대한 적합이 아니라 주어진 기계의 신호 주파수에 대한 적합 기간. 이런 핏이 얼마나 오래 갈 수 있을까요? 네, 마치 늪에 있는 것과 같습니다. 언제 늪에 들어갈지 모릅니다.
글쎄, 당신은 환경의 상태에 대한 충분한 수의 설명이 필요하고 대략적으로 말하면 모드에서 모드로 올바른 스위치가 필요합니다. 패턴이 변경되기 때문입니다.
누군가 다른 차량을 교체하여 이 문제를 해결하고, 누군가는 하나의 차량을 만들려고 하지만 적응력이 있으며, 누군가는 Alexander와 같이 모든 것을 하나의 분포로 조정합니다.
Mishan은 성장하는 시장에 적응했고 성장하는 동안 기뻐하고 난기류가 시작되자마자 울 것입니다
나는 조금 요약하고 싶었습니다 ... 질문은 예를 들어 미래의 양초에 대해 우리가 무엇을 알고 있습니까? 우리는 개장 시간, 폐장 시간을 알고 있습니다. 우리는 그것이 3가지 상태를 가질 수 있다는 것을 알고 있습니다: 흰색 촛불 위로, 검은 촛불 아래로, 도지. 우리는 "긴" 또는 "큰 양초"의 확률이 "중간" 양초 또는 도지에 비해 작다는 것을 알고 있습니다. 채널을 찾거나 가격이 움직이는 범위의 이름을 지정할 수 있습니다. 모두? 우리는 또 무엇을 모르는가? 캔들 다운, 캔들 업 등의 단순한 분류로도 어떻게든 예측으로는 부족하다... 방향을 예측하려고 하지 않는다면... 방향을 예측하지 않고 어떻게 거래를 입력할 수 있을까? 그것은 작동하지 않을 것입니다. 즉, 누군가를 예측할 필요가 있습니다. 우리가 그것을 분류할 수 있도록 미래의 양초에 대해 무엇을 더 말할 수 있습니까? 결국, 과거 데이터를 기반으로 한 모든 예측은 과거 양초의 신호를 제공합니다. 그리고이 데이터를 기반으로 한 예측은 "오늘은 어제와 같을 것"이라는 형식으로 표시됩니다. 이것은 좋지 않습니다 ....
기억하세요. 2018년 1월 31일부터 지금까지 상승세를 타고 있는 모델을 받았지만, 2018년 5월 3일부터 현재까지 2주 동안 이 모델이 작동한 방식은 다음과 같습니다. 검사 결과.
40점에서 훈련을 받았고 이미 OOS에서 1.5개월 동안 일한 노파에게는 전혀 나쁘지 않습니다.
2018년 1월 31일부터 그녀의 전체 OOC가 있습니다.
아직도 적성에 맞는 것 같나요???? 스크린샷에 OOS 사이트가 있음을 알려드립니다.
테스터의 사진이지만 모니터링은 본 적이 없습니다. 하지만 난 당신을 믿습니다. 접근 방식이 효과가 있음을 인정해야 합니다. 그래서 사과드립니다.
사과 수락!
단지 내가 실무자이고 대부분의 이론가와 연구자들이 여기에 모인 것뿐입니다 ...
또한 이러한 연결은 수학적으로 찾을 수 없으며 여전히 멍청한 적합성 또는 시장 조사로 남아 있습니다. :)
뭉툭한 핏도 멋진데, 사실 일반화를 하자면
맥스, 하지만 흥미롭게도 신경망이 하는 일, 심지어 랜덤 포레스트조차도... 이렇게 알아내면 이 알고리즘은 단순히 인간의 눈에는 보이지 않는 "패턴"을 찾습니다. 그런 다음 미래에 그러한 "패턴"이 나타나면 기계가 쉽게 인식합니다. 이것이 50/50 예측이라는 사실은 시장의 모든 것이 그렇습니다. 여기에서 삼각형 브레이크아웃의 예를 들어보겠습니다. 예를 들어 클래식 버전에서는 테이크가 엘크보다 큽니다. 이제 이 경우에 50/50을 곱하면 더하기가 됩니다. 이것은 기계 학습에서 돈 버는 시스템을 만드는 방법에 대한 설명의 가장 간단한 버전입니다.
맥스, 하지만 흥미롭게도 신경망이 하는 일, 심지어 랜덤 포레스트조차도... 이렇게 알아내면 이 알고리즘은 단순히 인간의 눈에는 보이지 않는 "패턴"을 찾습니다. 그런 다음 미래에 그러한 "패턴"이 나타나면 기계가 쉽게 인식합니다. 이것이 50/50 예측이라는 사실은 시장의 모든 것이 그렇습니다. 여기에서 삼각형 브레이크아웃의 예를 들어보겠습니다. 예를 들어 클래식 버전에서는 테이크가 엘크보다 큽니다. 이제 이 경우에 50/50을 곱하면 더하기가 됩니다. 이것은 기계 학습에서 돈 버는 시스템을 만드는 방법에 대한 설명의 가장 간단한 버전입니다.
주요 문제는 교사와 함께 학습하는 것이 자체적으로는 아무 것도 찾지 못하고 대상에 대한 기능의 비율이 항상 최적으로 선택되는 것은 아니므로 큰 분류 오류 및 재교육 및 최적화 방법에 대한 많은 주제입니다. 이 과정. 국회에서 본격적인 봇에 대해 이야기하면 전문가 (인간)의 참여없이 스스로 최적의 방식으로 라벨을 부착해야합니다. 그것이 오늘날 구현되는 방법 - 예를 들어 강화 학습 을 통해 링크를 끊었지만 탐색 및 착취 문제와 같은 어려움이 있습니다. 환경을 연구하는 것과 얻은 지식을 적용하는 것 사이에서 균형을 찾으십시오. 사실 이것은 신경망을 재교육할 가치가 있지만 이미 자동 모드에 있는 빈도의 딜레마와 동일합니다.
주요 문제는 교사와 함께 학습하는 것이 자체적으로는 아무 것도 찾지 못하고 대상에 대한 기능의 비율이 항상 최적으로 선택되는 것은 아니므로 큰 분류 오류 및 재교육 및 최적화 방법에 대한 많은 주제입니다. 이 과정. 국회에서 본격적인 봇에 대해 이야기하면 전문가 (인간)의 참여없이 스스로 최적의 방식으로 라벨을 부착해야합니다. 오늘 구현 방법 - 예를 들어 강화 학습을 통해 링크를 끊었지만 탐색 및 활용 문제와 같은 어려움이 있습니다. 환경을 연구하는 것과 얻은 지식을 적용하는 것 사이에서 균형을 찾으십시오. 사실 이것은 신경망을 재교육할 가치가 있지만 이미 자동 모드에 있는 빈도의 딜레마와 동일합니다.
나는 비참한 이론적 지식을 가지고 있기 때문에 그다지 똑똑하지 않을 것입니다. 나는 관찰자와 실천가의 의견만 표현할 수 있다. 예측 변수를 선택하는 것은 매우 지루한 과정이며 큰 더미가 필요하지 않습니다. 사실 차 2대도 빼먹을 수 있지만 결과가 적절하니 이 차들을 가르칠 수 있는 방법은 말하지 않겠습니다. 상관없습니다. 따라서 많은 테스트의 관찰자로서 NN의 재 훈련 빈도는 고정 된 것과는 거리가 멀고 때로는 한 세트로 충분하다는 것이 밝혀졌습니다. 예를 들어 일주일에 한 번, 때로는 한 달에 한 번이면 충분합니다. 다른 데이터 세트에 대해 다른 재훈련 빈도가 있습니다.그러나 결국, 우리는 여전히 적합을 얻습니다. 동일한 마우스의 매개변수에 대한 적합이 아니라 주어진 기계의 신호 주파수에 대한 적합 기간. 이런 핏이 얼마나 오래 갈 수 있을까요? 네, 마치 늪에 있는 것과 같습니다. 언제 늪에 들어갈지 모릅니다.
나는 비참한 이론적 지식을 가지고 있기 때문에 그다지 똑똑하지 않을 것입니다. 나는 관찰자와 실천가의 의견만 표현할 수 있다. 예측 변수를 선택하는 것은 매우 지루한 과정이며 큰 더미가 필요하지 않습니다. 사실 차 2대도 빼먹을 수 있지만 결과가 적절하니 이 차들을 가르칠 수 있는 방법은 말하지 않겠습니다. 상관없습니다. 따라서 많은 테스트의 관찰자로서 NN의 재 훈련 빈도는 고정 된 것과는 거리가 멀고 때로는 한 세트로 충분하다는 것이 밝혀졌습니다. 예를 들어 일주일에 한 번, 때로는 한 달에 한 번이면 충분합니다. 다른 데이터 세트에 대해 다른 재훈련 빈도가 있습니다.그러나 결국, 우리는 여전히 적합을 얻습니다. 동일한 마우스의 매개변수에 대한 적합이 아니라 주어진 기계의 신호 주파수에 대한 적합 기간. 이런 핏이 얼마나 오래 갈 수 있을까요? 네, 마치 늪에 있는 것과 같습니다. 언제 늪에 들어갈지 모릅니다.
글쎄, 당신은 환경의 상태에 대한 충분한 수의 설명이 필요하고 대략적으로 말하면 모드에서 모드로 올바른 스위치가 필요합니다. 패턴이 변경되기 때문입니다.
누군가 다른 차량을 교체하여 이 문제를 해결하고, 누군가는 하나의 차량을 만들려고 하지만 적응력이 있으며, 누군가는 Alexander와 같이 모든 것을 하나의 분포로 조정합니다.
Mishan은 성장하는 시장에 적응했고 성장하는 동안 기뻐하고 난기류가 시작되자마자 울 것입니다
글쎄, 당신은 환경의 상태에 대한 충분한 수의 설명이 필요하고 대략적으로 말하면 모드에서 모드로 올바른 스위치가 필요합니다. 패턴이 변경되기 때문입니다.
누군가 다른 차량을 교체하여 이 문제를 해결하고, 누군가는 하나의 차량을 만들려고 하지만 적응력이 있으며, 누군가는 Alexander와 같이 모든 것을 하나의 분포로 조정합니다.
Mishan은 성장하는 시장에 적응했고 성장하는 동안 기뻐하고 난기류가 시작되자마자 울 것입니다
아니, 하나님은 그가 울지 않고 제 시간에 재건하도록 금합니다.) 결국 우리는 논쟁을위한 것이 아닙니다. ...
아니, 하나님은 그가 울지 않고 제 시간에 재건하도록 금합니다.) 결국 우리는 논쟁을위한 것이 아닙니다. ...
글쎄, 정상적인 백테스트가 없는 동전 게임, 결과는 단순히 뻔하다
좋은 하루 되세요.
나는 조금 요약하고 싶었습니다 ... 질문은 예를 들어 미래의 양초에 대해 우리가 무엇을 알고 있습니까? 우리는 개장 시간, 폐장 시간을 알고 있습니다. 우리는 그것이 3가지 상태를 가질 수 있다는 것을 알고 있습니다: 흰색 촛불 위로, 검은 촛불 아래로, 도지. 우리는 "긴" 또는 "큰 양초"의 확률이 "중간" 양초 또는 도지에 비해 작다는 것을 알고 있습니다. 채널을 찾거나 가격이 움직이는 범위의 이름을 지정할 수 있습니다. 모두? 우리는 또 무엇을 모르는가? 캔들 다운, 캔들 업 등의 단순한 분류로도 어떻게든 예측으로는 부족하다... 방향을 예측하려고 하지 않는다면... 방향을 예측하지 않고 어떻게 거래를 입력할 수 있을까? 그것은 작동하지 않을 것입니다. 즉, 누군가를 예측할 필요가 있습니다. 우리가 그것을 분류할 수 있도록 미래의 양초에 대해 무엇을 더 말할 수 있습니까? 결국, 과거 데이터를 기반으로 한 모든 예측은 과거 양초의 신호를 제공합니다. 그리고이 데이터를 기반으로 한 예측은 "오늘은 어제와 같을 것"이라는 형식으로 표시됩니다. 이것은 좋지 않습니다 ....