여기에 약간의 진실이 있지만 내 모델을 확인했습니다. 가장 중요한 것은 우리가 어떤 종류의 앞으로 기대고 있는지 아는 것입니다 ....
나는 당신을 정말로 이해하지 못했지만 오 글쎄, 내가 잘 공부하지 않은 것이 내 문제입니다. 나는 이미 거래 알고리즘을 약간 다르게보고 있습니다. 연관 규칙 및 기호 회귀와 같은 규칙 또는 공식에 대한 유전 적 검색에 더 가깝습니다. ipt .. 하지만 일반 모델이 새로운 데이터에서 작동하도록 관리했다면 그것에 대해 듣는 것이 매우 흥미로울 것입니다 ..
나는 또한 Maitrade를 사랑하고 그의 비디오를 약 8 번 보았고 아마도 불필요한 단어는 하나도 없었을 것입니다 ...
인형을 희생시키면서 모든 것이 훨씬 간단하다고 생각합니다. 교환은 커미션으로 살고 대다수가 구매 를 원하고 이것이 현재 가격보다 낮은 구매 주문 이면 교환이 구매자를 만족시키기 때문에 수익성이 있습니다. 더 많은 것이 있습니다. 즉, 더 많은 수수료(반죽)를 얻을 수 있습니다. 가격이 떨어지고 판매자가 그 반대이기 때문입니다...
어떻게 하는지, 멍청하게 가격을 찍어내거나, 유리잔이나 다른 걸 조작하는지, 잘 모르겠지만, 본질은 그냥 그런 것 같아요..
나는 당신을 정말로 이해하지 못했지만 오 글쎄, 내가 잘 공부하지 않은 것이 내 문제입니다. 나는 이미 거래 알고리즘을 약간 다르게보고 있습니다. 연관 규칙 및 기호 회귀와 같은 규칙 또는 공식에 대한 유전 적 검색에 더 가깝습니다. ipt .. 하지만 일반 모델이 새로운 데이터에서 작동하도록 관리했다면 그것에 대해 듣는 것이 매우 흥미로울 것입니다 ..
네, 제가 했습니다. 품질은 훈련 현장에서와 정확히 동일하지 않지만 이 품질의 일부는 항상 보존되며 내 연구에 따르면 10년의 역사에서 앞으로는 최대 1년이 될 수 있습니다. 평균 2-3개월 훈련 사이트에 비해 상당히 좋은 품질로 작동하며 평균 60-70%입니다. 신경망은 더 나은 지표를 제공하지만 여기에 이미 이러한 재교육 기준을 추가하고 가중치와 같은 조합 지표를 입력하여 데이터 양이 특정 가중치를 부여한 다음 최종 백테스트의 품질(예: 수학적 기대치)을 제공해야 합니다. 또는 이익, 그리고 물론 밝혀진 최종 알고리즘의 복잡성(예를 들어 모든 퍼셉트론의 모든 가중치의 수). 신경망에서 이를 달성하려면 뉴런의 유형이 가능한 한 달라야 하고 레이어의 수와 구성도 임의적이어야 하므로 이것이 가능합니다. 모든 사람은 기본적으로 고정 아키텍처 신경망을 사용하지만 어떤 이유로 아키텍처도 유연해야 한다는 것을 이해하지 못하고 이러한 유연성을 파괴하고 오버트레이닝을 최소화할 가능성을 파괴합니다. 물론 일반적으로 간단한 모델에 동일한 기준을 적용할 수 있습니다. 필요한 경우에도 분명히 앞으로 나아갈 것입니다. 내 모델은 몇 달 동안 확실히 이익을 내고 하루 안에 설정을 업데이트할 수 있습니다. . 주요 트릭 중 하나는 가능한 한 많은 데이터를 정확하게 가져오는 것입니다(10년 이상의 역사). 이 경우 글로벌 패턴에 대한 검색이 있으며 시장 자체의 물리학을 기반으로 하며 대부분의 경우 여전히 아주 오랫동안 일합니다.
10년의 훈련, 이것은 정말 많은 시간입니다. 지그재그와 촛불의 색상만 예측할 수 있는 표준 최적화 라이브러리를 사용하지 않고 다기준 피트니스 기능으로 더 작은 것을 작성한다면 계산하는 데 매우 오랜 시간이 걸립니다. 강한 철이 필요합니다. 저도 철로 천장에 부딪혔지만 이 문제에 대한 해결책이 있습니다.
10년의 훈련, 이것은 정말 많은 시간입니다. 지그재그와 촛불의 색상만 예측할 수 있는 표준 최적화 라이브러리를 사용하지 않고 다중 기준 피트니스 기능으로 더 작은 것을 작성하면 계산하는 데 매우 오랜 시간이 걸립니다. 강한 철이 필요합니다. 저도 철로 천장에 부딪혔지만 이 문제에 대한 해결책이 있습니다.
사실, 서버는 이미 필요합니다.) 하지만 가지고 있지 않습니다(이를 위해 소프트웨어를 방금 수행했지만 플라스크가 이 모든 것을 죽은 넷북에 매달고 방금 DDD를 시작했습니다). 계산하는 데 매우 길고 고통스러운 시간이 걸립니다. . 그러나 그 자체로는 다른 옵션이 없습니다. 어딘가에서 전원을 가져 와서 부지런히로드하는 반면, 역학에서는 한 번에 최소 20-30 구성, 바람직하게는 100 미만 구성을 확인하고 각각을 중단하고 모니터링해야합니다. 신호, 자연 선택을 통과하고 떠날 가장 안정적인 신호, 그리고 나서 더 많은 전력을 추가하려고 합니다. 다른 방법은 없습니다. 그렇지 않으면 많은 사람들이 이미 여기에 쓴 것처럼 아무데도 갈 수 없는 길일 뿐입니다. 어디를 파야 할지 이해하지 못한 채 몇 년 동안 계속 끌 수 있습니다. 대안은 Prokopenko 프로그램))))의 정신으로 달의 위상과 시장에 미치는 영향에 대한 포럼 과학의 정도와 잡담입니다. 그건 그렇고 비밀이 아니라면 어떤 결정을 내리 나요?
간단한 방법으로 출력은 기본입니다. 예를 들어 클러스터 데이터와 같은 작업을 분할하고 각 클러스터에 대해 다른 모델을 훈련해야 합니다.
또는 더 간단한 예: 한 주에 5개의 거래일이 있고 월요일에 하나의 일일 모델을 훈련하고 화요일에 두 번째 모델을 훈련합니다. 훈련을 줄이는 것으로 나타났습니다. 샘플이 5번인데 벌써 10년차, 공부 2년차 등등 이건 이미 판타지에서..
나는 그것을 읽지 않았지만 이미 이것을 모두 구현했습니다. 같은 이유로 여기에 왔습니다. 어떻게 든 샘플을 줄일 필요가 있었지만 동시에 역사의 깊이를 분석 할 수있었습니다. 컴퓨터가 강력하다는 것을 깨달았을 때 경험적으로 이것은 충분하지 않으며 더 유능하게 할 수 있습니다.))) 플러스 멀티 스레딩 및 그 모든 것 ... 최대를 짜내는 모든 것.
나는 그것을 읽지 않았지만 이미 이것을 모두 구현했습니다. 같은 이유로 여기에 왔습니다. 어떻게 든 샘플을 줄일 필요가 있었지만 동시에 역사의 깊이를 분석 할 수있었습니다. 컴퓨터가 강력하다는 것을 깨달았을 때 경험적으로 이것은 충분하지 않으며 더 유능하게 할 수 있습니다.))) 플러스 멀티 스레딩 및 그 모든 것 ... 최대를 짜내는 모든 것.
그럼
)))
=====
그리고 질을 잃지 않고 더 효율적으로 브루트를 하는 방법이 책에 진지하게 설명되어 있지만 거의 저장되지 않을 것입니다... 휴리스틱 알고리즘으로 전환해야 할 때인 것 같아요..
또는 지식 기반과 같은 것, 이것은 이미 가장 작은 단편화입니다. 내 아이디어와 생각은 이 방향으로 가고 있습니다. 이벤트 및 기호에 대한 수십 기가바이트의 옵션이 있고 2천만 개의 기호가 있는 모델을 훈련할 수 없기 때문입니다. .)) 그래서 나는 이 "차원의 저주"에서 벗어나는 방법으로 볼 수 있는 지식 기반이 필요합니다.
또는 지식 기반과 같은 것, 이것은 이미 가장 작은 단편화입니다. 내 아이디어와 생각은 이 방향으로 가고 있습니다. 이벤트 및 기호에 대한 수십 기가바이트의 옵션이 있고 2천만 개의 기호가 있는 모델을 훈련할 수 없기 때문입니다. .))
징후를 잊어 버려. 내가 이해하기로는 이것은 일종의 스칼라 값입니다(즉, 특정 수학적 표현이 논리적인 경우에도 수학적 표현으로 축소될 수 있지만 정확도만 저하됨). 이러한 모든 스칼라 또는 논리 값은 다른 데이터가 없기 때문에 가격에서 파생되며, 반대로 추가 데이터를 사용하려는 시도는 단순히 데이터가 다르고 다른 데이터와 다를 수 있기 때문에 예측을 악화시킬 수 있습니다. 이 경우 어떤 데이터가 우선적으로 가치가 있는지 명확하지 않습니다. 이 시리즈를 변환하기 위해 가능한 모든 방법을 사용한다면 모든 숫자 시리즈는 자체 내에 다른 모든 숫자 시리즈를 포함할 수 있습니다. 이것을 이해하려고 노력하십시오. 이 경우 알고리즘에 이 기능 공간을 제공할 필요는 없지만 이러한 기능을 자체적으로 찾을 수 있는 기회를 제공해야 합니다. 기반이 필요하지 않고 권한이 필요합니다. 시스템이 있고 적어도 부분적으로 작동하는 경우 다음 단계는 컴퓨팅의 분산입니다. 작업자는 네트워크로 연결되어야 하며 데이터베이스가 여기에 도움이 되지만 공통 결과의 저장소 역할을 해야 합니다. 그것은 이미 채굴처럼 보입니다.
징후를 잊어 버려. 내가 이해하기로는 이것은 일종의 스칼라 값입니다(즉, 특정 수학적 표현이 논리적인 경우에도 수학적 표현으로 축소될 수 있지만 정확도만 저하됨). 이러한 모든 스칼라 또는 논리 값은 다른 데이터가 없기 때문에 가격에서 파생되며, 반대로 추가 데이터를 사용하려는 시도는 단순히 데이터가 다르고 다른 데이터와 다를 수 있기 때문에 예측을 악화시킬 수 있습니다. 이 경우 어떤 데이터가 우선적으로 가치가 있는지 명확하지 않습니다. 이 시리즈를 변환하기 위해 가능한 모든 방법을 사용한다면 모든 숫자 시리즈는 자체 내에 다른 모든 숫자 시리즈를 포함할 수 있습니다. 이것을 이해하려고 노력하십시오. 이 경우 알고리즘에 이 기능 공간을 제공할 필요는 없지만 이러한 기능을 자체적으로 찾을 수 있는 기회를 제공해야 합니다. 기반이 필요하지 않고 권한이 필요합니다. 시스템이 있고 적어도 부분적으로 작동하는 경우 다음 단계는 컴퓨팅의 분산입니다. 작업자는 네트워크로 연결되어야 하며 데이터베이스가 여기에 도움이 되지만 공통 결과의 저장소 역할을 해야 합니다. 그것은 이미 채굴처럼 보입니다.
나는 당신의 비전을 이해하지 못하므로 논쟁하지 않을 것입니다 ..
내 알고리즘을 일련의 이벤트로 보고 이벤트는 로그입니다. 일반적으로 시퀀스는 시간에 얽매이지 않고 단순히 존재하거나 존재하지 않습니다.
(레벨을 설정한 거래자로서 가격이 5분 또는 하루 만에 레벨에 도달할 수도 있지만 상황은 동일합니다)
따라서 그러한 작업 시퀀스의 앙상블은 TS가 될 것입니다..
그러나 그러한 "무차원" 시퀀스를 찾으려면 내가 솔루션을 보는 것처럼 수조 개의 옵션을 거쳐야 합니다. 즉, 하드 드라이브에 대한 지식 기반을 만드는 것입니다.
나는 슬라이딩 윈도우의 모든 알고리즘에 대한 모든 "전형적인" 학습을 작동하지 않는 옵션으로 간주합니다. 시장은 고정되어 있지 않기 때문에 출력은 미래에 절대 반복되지 않을 과거의 기억이 있는 이동 평균이 될 것입니다. 비정상으로 인해..
https://www.mql5.com/ru/forum/231011
https://squeezemetrics.com/download/The_Implied_Order_Book.pdf
여기에 약간의 진실이 있지만 내 모델을 확인했습니다. 가장 중요한 것은 우리가 어떤 종류의 앞으로 기대고 있는지 아는 것입니다 ....
나는 당신을 정말로 이해하지 못했지만 오 글쎄, 내가 잘 공부하지 않은 것이 내 문제입니다. 나는 이미 거래 알고리즘을 약간 다르게보고 있습니다. 연관 규칙 및 기호 회귀와 같은 규칙 또는 공식에 대한 유전 적 검색에 더 가깝습니다. ipt .. 하지만 일반 모델이 새로운 데이터에서 작동하도록 관리했다면 그것에 대해 듣는 것이 매우 흥미로울 것입니다 ..
https://www.mql5.com/ru/forum/231011
https://squeezemetrics.com/download/The_Implied_Order_Book.pdf
읽어주셔서 감사합니다...
나는 또한 Maitrade를 사랑하고 그의 비디오를 약 8 번 보았고 아마도 불필요한 단어는 하나도 없었을 것입니다 ...
인형을 희생시키면서 모든 것이 훨씬 간단하다고 생각합니다. 교환은 커미션으로 살고 대다수가 구매 를 원하고 이것이 현재 가격보다 낮은 구매 주문 이면 교환이 구매자를 만족시키기 때문에 수익성이 있습니다. 더 많은 것이 있습니다. 즉, 더 많은 수수료(반죽)를 얻을 수 있습니다. 가격이 떨어지고 판매자가 그 반대이기 때문입니다...
어떻게 하는지, 멍청하게 가격을 찍어내거나, 유리잔이나 다른 걸 조작하는지, 잘 모르겠지만, 본질은 그냥 그런 것 같아요..
따라서 가격은 참가자의 위치와 반대 방향으로 이동합니다.
나는 당신을 정말로 이해하지 못했지만 오 글쎄, 내가 잘 공부하지 않은 것이 내 문제입니다. 나는 이미 거래 알고리즘을 약간 다르게보고 있습니다. 연관 규칙 및 기호 회귀와 같은 규칙 또는 공식에 대한 유전 적 검색에 더 가깝습니다. ipt .. 하지만 일반 모델이 새로운 데이터에서 작동하도록 관리했다면 그것에 대해 듣는 것이 매우 흥미로울 것입니다 ..
네, 제가 했습니다. 품질은 훈련 현장에서와 정확히 동일하지 않지만 이 품질의 일부는 항상 보존되며 내 연구에 따르면 10년의 역사에서 앞으로는 최대 1년이 될 수 있습니다. 평균 2-3개월 훈련 사이트에 비해 상당히 좋은 품질로 작동하며 평균 60-70%입니다. 신경망은 더 나은 지표를 제공하지만 여기에 이미 이러한 재교육 기준을 추가하고 가중치와 같은 조합 지표를 입력하여 데이터 양이 특정 가중치를 부여한 다음 최종 백테스트의 품질(예: 수학적 기대치)을 제공해야 합니다. 또는 이익, 그리고 물론 밝혀진 최종 알고리즘의 복잡성(예를 들어 모든 퍼셉트론의 모든 가중치의 수). 신경망에서 이를 달성하려면 뉴런의 유형이 가능한 한 달라야 하고 레이어의 수와 구성도 임의적이어야 하므로 이것이 가능합니다. 모든 사람은 기본적으로 고정 아키텍처 신경망을 사용하지만 어떤 이유로 아키텍처도 유연해야 한다는 것을 이해하지 못하고 이러한 유연성을 파괴하고 오버트레이닝을 최소화할 가능성을 파괴합니다. 물론 일반적으로 간단한 모델에 동일한 기준을 적용할 수 있습니다. 필요한 경우에도 분명히 앞으로 나아갈 것입니다. 내 모델은 몇 달 동안 확실히 이익을 내고 하루 안에 설정을 업데이트할 수 있습니다. . 주요 트릭 중 하나는 가능한 한 많은 데이터를 정확하게 가져오는 것입니다(10년 이상의 역사). 이 경우 글로벌 패턴에 대한 검색이 있으며 시장 자체의 물리학을 기반으로 하며 대부분의 경우 여전히 아주 오랫동안 일합니다.
그래 내가 했어, 품질이 아니야 .....
10년의 훈련, 이것은 정말 많은 시간입니다. 지그재그와 촛불의 색상만 예측할 수 있는 표준 최적화 라이브러리를 사용하지 않고 다기준 피트니스 기능으로 더 작은 것을 작성한다면 계산하는 데 매우 오랜 시간이 걸립니다. 강한 철이 필요합니다. 저도 철로 천장에 부딪혔지만 이 문제에 대한 해결책이 있습니다.
읽지 않았다면 정말 좋아할 것입니다. 모델의 품질 기준에 대해 흥미로운 생각이 있을 것이라고 확신합니다.
10년의 훈련, 이것은 정말 많은 시간입니다. 지그재그와 촛불의 색상만 예측할 수 있는 표준 최적화 라이브러리를 사용하지 않고 다중 기준 피트니스 기능으로 더 작은 것을 작성하면 계산하는 데 매우 오랜 시간이 걸립니다. 강한 철이 필요합니다. 저도 철로 천장에 부딪혔지만 이 문제에 대한 해결책이 있습니다.
사실, 서버는 이미 필요합니다.) 하지만 가지고 있지 않습니다(이를 위해 소프트웨어를 방금 수행했지만 플라스크가 이 모든 것을 죽은 넷북에 매달고 방금 DDD를 시작했습니다). 계산하는 데 매우 길고 고통스러운 시간이 걸립니다. . 그러나 그 자체로는 다른 옵션이 없습니다. 어딘가에서 전원을 가져 와서 부지런히로드하는 반면, 역학에서는 한 번에 최소 20-30 구성, 바람직하게는 100 미만 구성을 확인하고 각각을 중단하고 모니터링해야합니다. 신호, 자연 선택을 통과하고 떠날 가장 안정적인 신호, 그리고 나서 더 많은 전력을 추가하려고 합니다. 다른 방법은 없습니다. 그렇지 않으면 많은 사람들이 이미 여기에 쓴 것처럼 아무데도 갈 수 없는 길일 뿐입니다. 어디를 파야 할지 이해하지 못한 채 몇 년 동안 계속 끌 수 있습니다. 대안은 Prokopenko 프로그램))))의 정신으로 달의 위상과 시장에 미치는 영향에 대한 포럼 과학의 정도와 잡담입니다. 그건 그렇고 비밀이 아니라면 어떤 결정을 내리 나요?
그건 그렇고 비밀이 아니라면 어떤 결정을 내리 나요?
내가 링크를 준 책에서이 솔루션은 더 유능하게 설명되어 있습니다 .. 나는 그것을 읽는 것이 좋습니다 ..
간단한 방법으로 출력은 기본입니다. 예를 들어 클러스터 데이터와 같은 작업을 분할하고 각 클러스터에 대해 다른 모델을 훈련해야 합니다.
또는 더 간단한 예: 한 주에 5개의 거래일이 있고 월요일에 하나의 일일 모델을 훈련하고 화요일에 두 번째 모델을 훈련합니다. 훈련을 줄이는 것으로 나타났습니다. 샘플은 5번이고 더 이상 10년이 아니라 2년의 연구 등, 이것은 이미 판타지에서..
내가 링크를 준 책에서이 솔루션은 더 유능하게 설명되어 있습니다 .. 나는 그것을 읽는 것이 좋습니다 ..
간단한 방법으로 출력은 기본입니다. 예를 들어 클러스터 데이터와 같은 작업을 분할하고 각 클러스터에 대해 다른 모델을 훈련해야 합니다.
또는 더 간단한 예: 한 주에 5개의 거래일이 있고 월요일에 하나의 일일 모델을 훈련하고 화요일에 두 번째 모델을 훈련합니다. 훈련을 줄이는 것으로 나타났습니다. 샘플이 5번인데 벌써 10년차, 공부 2년차 등등 이건 이미 판타지에서..
나는 그것을 읽지 않았지만 이미 이것을 모두 구현했습니다. 같은 이유로 여기에 왔습니다. 어떻게 든 샘플을 줄일 필요가 있었지만 동시에 역사의 깊이를 분석 할 수있었습니다. 컴퓨터가 강력하다는 것을 깨달았을 때 경험적으로 이것은 충분하지 않으며 더 유능하게 할 수 있습니다.))) 플러스 멀티 스레딩 및 그 모든 것 ... 최대를 짜내는 모든 것.
나는 그것을 읽지 않았지만 이미 이것을 모두 구현했습니다. 같은 이유로 여기에 왔습니다. 어떻게 든 샘플을 줄일 필요가 있었지만 동시에 역사의 깊이를 분석 할 수있었습니다. 컴퓨터가 강력하다는 것을 깨달았을 때 경험적으로 이것은 충분하지 않으며 더 유능하게 할 수 있습니다.))) 플러스 멀티 스레딩 및 그 모든 것 ... 최대를 짜내는 모든 것.
그럼
)))
=====
그리고 질을 잃지 않고 더 효율적으로 브루트를 하는 방법이 책에 진지하게 설명되어 있지만 거의 저장되지 않을 것입니다... 휴리스틱 알고리즘으로 전환해야 할 때인 것 같아요..
또는 지식 기반과 같은 것, 이것은 이미 가장 작은 단편화입니다. 내 아이디어와 생각은 이 방향으로 가고 있습니다. 이벤트 및 기호에 대한 수십 기가바이트의 옵션이 있고 2천만 개의 기호가 있는 모델을 훈련할 수 없기 때문입니다. .)) 그래서 나는 이 "차원의 저주"에서 벗어나는 방법으로 볼 수 있는 지식 기반이 필요합니다.
또는 지식 기반과 같은 것, 이것은 이미 가장 작은 단편화입니다. 내 아이디어와 생각은 이 방향으로 가고 있습니다. 이벤트 및 기호에 대한 수십 기가바이트의 옵션이 있고 2천만 개의 기호가 있는 모델을 훈련할 수 없기 때문입니다. .))
징후를 잊어 버려. 내가 이해하기로는 이것은 일종의 스칼라 값입니다(즉, 특정 수학적 표현이 논리적인 경우에도 수학적 표현으로 축소될 수 있지만 정확도만 저하됨). 이러한 모든 스칼라 또는 논리 값은 다른 데이터가 없기 때문에 가격에서 파생되며, 반대로 추가 데이터를 사용하려는 시도는 단순히 데이터가 다르고 다른 데이터와 다를 수 있기 때문에 예측을 악화시킬 수 있습니다. 이 경우 어떤 데이터가 우선적으로 가치가 있는지 명확하지 않습니다. 이 시리즈를 변환하기 위해 가능한 모든 방법을 사용한다면 모든 숫자 시리즈는 자체 내에 다른 모든 숫자 시리즈를 포함할 수 있습니다. 이것을 이해하려고 노력하십시오. 이 경우 알고리즘에 이 기능 공간을 제공할 필요는 없지만 이러한 기능을 자체적으로 찾을 수 있는 기회를 제공해야 합니다. 기반이 필요하지 않고 권한이 필요합니다. 시스템이 있고 적어도 부분적으로 작동하는 경우 다음 단계는 컴퓨팅의 분산입니다. 작업자는 네트워크로 연결되어야 하며 데이터베이스가 여기에 도움이 되지만 공통 결과의 저장소 역할을 해야 합니다. 그것은 이미 채굴처럼 보입니다.
징후를 잊어 버려. 내가 이해하기로는 이것은 일종의 스칼라 값입니다(즉, 특정 수학적 표현이 논리적인 경우에도 수학적 표현으로 축소될 수 있지만 정확도만 저하됨). 이러한 모든 스칼라 또는 논리 값은 다른 데이터가 없기 때문에 가격에서 파생되며, 반대로 추가 데이터를 사용하려는 시도는 단순히 데이터가 다르고 다른 데이터와 다를 수 있기 때문에 예측을 악화시킬 수 있습니다. 이 경우 어떤 데이터가 우선적으로 가치가 있는지 명확하지 않습니다. 이 시리즈를 변환하기 위해 가능한 모든 방법을 사용한다면 모든 숫자 시리즈는 자체 내에 다른 모든 숫자 시리즈를 포함할 수 있습니다. 이것을 이해하려고 노력하십시오. 이 경우 알고리즘에 이 기능 공간을 제공할 필요는 없지만 이러한 기능을 자체적으로 찾을 수 있는 기회를 제공해야 합니다. 기반이 필요하지 않고 권한이 필요합니다. 시스템이 있고 적어도 부분적으로 작동하는 경우 다음 단계는 컴퓨팅의 분산입니다. 작업자는 네트워크로 연결되어야 하며 데이터베이스가 여기에 도움이 되지만 공통 결과의 저장소 역할을 해야 합니다. 그것은 이미 채굴처럼 보입니다.
나는 당신의 비전을 이해하지 못하므로 논쟁하지 않을 것입니다 ..
내 알고리즘을 일련의 이벤트로 보고 이벤트는 로그입니다. 일반적으로 시퀀스는 시간에 얽매이지 않고 단순히 존재하거나 존재하지 않습니다.
(레벨을 설정한 거래자로서 가격이 5분 또는 하루 만에 레벨에 도달할 수도 있지만 상황은 동일합니다)
따라서 그러한 작업 시퀀스의 앙상블은 TS가 될 것입니다..
그러나 그러한 "무차원" 시퀀스를 찾으려면 내가 솔루션을 보는 것처럼 수조 개의 옵션을 거쳐야 합니다. 즉, 하드 드라이브에 대한 지식 기반을 만드는 것입니다.
나는 슬라이딩 윈도우의 모든 알고리즘에 대한 모든 "전형적인" 학습을 작동하지 않는 옵션으로 간주합니다. 시장은 고정되어 있지 않기 때문에 출력은 미래에 절대 반복되지 않을 과거의 기억이 있는 이동 평균이 될 것입니다. 비정상으로 인해..