항상 쉬운 것인지 확실하지 않지만 어떻게든 할 수 있습니다 . 거래에 직접 관여해야 하는 것은 신경망 자체가 아니라 단순화된 근사라고 생각합니다.
ML 방법("스마트 탐색 분석"이라고 부를 수 있음)
이제 최적화된 매개변수에 분포에 대한 신호의 종속성을 추가하고 싶습니다. 처음에는 이 작업을 수행했습니다.
double arr[];
CopyClose ( _Symbol , 0 , 0 , 100 ,arr);
double kurt = MathKurtosis(arr);
double skew = MathSkewness(arr);
if (kurt > 2.0 ) if ( rand ()/ 32767.0 < 0.5 ) res = 0 ; else res = 1 ;
else {
if (skew > 0 ) if ( rand ()/ 32767.0 >prob_shift) res = 0 ; else res = 1 ;
if (skew < 0 ) if ( rand ()/ 32767.0 <prob_shift) res = 0 ; else res = 1 ;
첨도가 어떤 값보다 높으면(최적화될 수 있음) 평평한 상황이 관찰되고 동일한 확률로 구매/판매를 가정하는 것이 가능합니다(그런 다음 잘못된 모든 것을 수정)
비대칭을 따라 더 나아가 어떤 방향으로든 존재하면 신호가 매수 또는 매도될 확률이 이동합니다.
글쎄, 이것은 원시적이지만 이와 같은 것을 옵티마이저에서 대상을 선택하는 데 사용할 수 있습니다.
메트릭에서 얻어야 하는 것은 테스트 세트의 분류 오류뿐입니다(그리고 훈련 세트에서 학습). 옵티마이저는 하이퍼파라미터를 반복하고 오류가 가장 작은 모델을 선택합니다. 여기서 해석할 수 없는 것은? 테스트 데이터의 오류를 보고 그러한 모델이 일반화할 수 있는지 여부를 아는 것으로 충분합니다.
최적의 가중치를 선택하여 해결됩니다. 예를 들어, 사후 ..를 균일에서 지수로 변경하는 방법
저는 "블랙박스"라는 모델의 지지자가 아닙니다. 단순한 "물리적" 의미로 모든 것이 투명할 때 더 좋습니다.
예를 들어, 수정이 반전으로 바뀔 선험적 확률을 계산한 다음 시간이나 추세의 특성에 따라 각 특정 수정에 대해 사후적으로 다시 계산합니다.
저는 "블랙박스"라는 모델의 지지자가 아닙니다. 단순한 "물리적" 의미로 모든 것이 투명할 때 더 좋습니다.
예를 들어, 수정이 반전으로 바뀔 선험적 확률을 계산한 다음 시간이나 추세의 특성에 따라 각 특정 수정에 대해 사후적으로 다시 계산합니다.
불행히도 외환법칙의 단순한 물리적 의미는 알려져 있지 않습니다.
불행히도 외환법칙의 단순한 물리적 의미는 알려져 있지 않습니다.
그것은 모델의 해석 가능성에 관한 것입니다.
그것은 모델의 해석 가능성에 관한 것입니다.
그러면 메타 모델이 메트릭을 통해 쉽게 해석되지만 MO의 주제가 아닙니다.
그러면 메타 모델이 메트릭을 통해 쉽게 해석되지만 MO의 주제가 아닙니다.
왜요? IMHO, 작업은 MO를 위해 고양이와 개를 구별하는 일대일입니다.
왜요? IMHO, 작업은 MO를 위해 고양이와 개를 구별하는 일대일입니다.
내 생각에는 다른 언어를 말하는 것과 같기 때문에 ..
기호로 구별하는 것은 물론 .. 그것들은 특징입니다그러면 메타 모델이 메트릭을 통해 쉽게 해석되지만 MO의 주제가 아닙니다.
항상 쉬운 것인지 확실하지 않지만 어떻게든 할 수 있습니다 . 거래에 직접 관여해야 하는 것은 신경망 자체가 아니라 단순화된 근사라고 생각합니다.
ML 방법("스마트 탐색 분석"이라고 부를 수 있음)
항상 쉬운 것인지 확실하지 않지만 어떻게든 할 수 있습니다 . 거래에 직접 관여해야 하는 것은 신경망 자체가 아니라 단순화된 근사라고 생각합니다.
ML 방법("스마트 탐색 분석"이라고 부를 수 있음)
이제 최적화된 매개변수에 분포에 대한 신호의 종속성을 추가하고 싶습니다. 처음에는 이 작업을 수행했습니다.
첨도가 어떤 값보다 높으면(최적화될 수 있음) 평평한 상황이 관찰되고 동일한 확률로 구매/판매를 가정하는 것이 가능합니다(그런 다음 잘못된 모든 것을 수정)
비대칭을 따라 더 나아가 어떤 방향으로든 존재하면 신호가 매수 또는 매도될 확률이 이동합니다.
글쎄, 이것은 원시적이지만 이와 같은 것을 옵티마이저에서 대상을 선택하는 데 사용할 수 있습니다.
메트릭에서 얻어야 하는 것은 테스트 세트의 분류 오류뿐입니다(그리고 훈련 세트에서 학습). 옵티마이저는 하이퍼파라미터를 반복하고 오류가 가장 작은 모델을 선택합니다. 여기서 해석할 수 없는 것은? 테스트 데이터의 오류를 보고 그러한 모델이 일반화할 수 있는지 여부를 아는 것으로 충분합니다.
그런 쓰레기에 대한 작업의 예, 방금 한
이제 최적화된 매개변수에 분포에 대한 신호의 종속성을 추가하고 싶습니다. 처음에는 이 작업을 수행했습니다.
그리고 중독성도 있고...
반환에 대해 "HMM"(숨겨진 마르코프 모델)을 훈련했으며, 교사 없이 가르친 10개 상태와 그녀 자신이 다른 분포로 나눈 10개 상태로 나뉩니다.
상태 분포
여기에서 수익률을 주별로 그룹화했습니다. 각 행은 시장의 별도 상태입니다.
일부 상태(1,4,6,8,9)에서는 관찰이 너무 적어 전혀 감지할 수 없습니다.
그리고 이제 나는 시리즈를 복원하려고 노력할 것입니다. 누적 합계를 만들기 위해 갑자기 일부 주에는 일종의 추세가 있습니다.
누적 합계를 만들었습니다
상태 5와 7은 안정적인 구조를 가지고 있으며 5는 만, 7은 마을입니다.
이제 최적화된 매개변수에 분포에 대한 신호의 종속성을 추가하고 싶습니다. 처음에는 이 작업을 수행했습니다.
첨도가 어떤 값보다 높으면(최적화될 수 있음) 평평한 상황이 관찰되고 동일한 확률로 구매/판매를 가정하는 것이 가능합니다(그런 다음 잘못된 모든 것을 수정)
비대칭을 따라 더 나아가 어떤 방향으로든 존재하면 신호가 매수 또는 매도될 확률이 이동합니다.
글쎄, 이것은 원시적이지만 이와 같은 것을 옵티마이저에서 대상을 선택하는 데 사용할 수 있습니다.
증분이 아닌 가격을 책정하는 이유는 무엇입니까?