Единственное что смущает во первых провал в конце торгов. ну и максимальная прибыльная сделка меньше самой большой убыточной. Провал - это потому что тест заканчивается на незакрытых позициях. и сравниваются позиции - предыдущая закрытая и последующая незакрытая
아직도 가능한 모든 쌍을 한 번에 세고 있습니다. 아직 시도해보고 싶은 입력이 너무 많아요. 괜찮아요. 스텀피에서는 대략적으로 계산한 다음 세분화할 수 있기 때문이죠. 눈에 띄는 가속과 병렬 처리 및 GPU를 사용할 수 있습니다. 아마 그 패키지로 완전히 전환할 것 같습니다.
상관관계는 ABS 값 측면에서 가장 큰 숫자에 의해 영향을 받는다고 생각합니다. 예를 들어 10000과 10100의 거래량 변화와 그 배경에서 0.00040과 0.00400의 가격 변화는 미세하게 작아서 전체 집합의 상관관계에 거의 영향을 미치지 않을 것입니다. 이 가설을 테스트하기 위해 정규화를 수행합니다.
저는 원래 MO 없이 다차원 배열에서 패턴을 검색하는 방법에 관심이 있었습니다. 지금까지는 모든 측정값을 하나로 묶어 상관관계를 통해 계산하는 것보다 더 좋은 방법을 생각하지 못했습니다(다소 빠릅니다). 때로는 값이 너무 다르지 않도록 정규화해야 할 필요가 있다고 생각합니다.
3~5년 전의 제 발자취를 따라가기.....
내가 하고 있고 생각하는 모든 것을 그래프, 생각과 함께 이미 여기에 게시했습니다... 재미있어요....
제가 생각해낸 다변량 데이터에서 패턴을 검색하는두 가지 솔루션이 있는데 , 하나는 MO가 없는 경우이고 다른 하나는 MO가 있는 경우입니다.
1) (MO 없이)
차원 축소 알고리즘 PCA, t-sne, umap 등을 사용하여 데이터의 차원을 여러 차원으로 줄입니다.
따라서 300개의 특징이 있고 2-5...10...을 얻은 다음 근접성 또는 클러스터링으로 패턴을 비교합니다....
이는 데이터 작업에서 널리 알려진 방식입니다.
2) (WITH MO)
(필자의 접근 방식) 200개의 특징이 있는 다변량 데이터가 있다고 가정합니다.
1) 원하는 패턴을 선택합니다.
2) 이진 분류 MO(이 패턴/이 패턴이 아님)를 훈련합니다. 즉, 훈련에는 '패턴'이라는 레이블이 붙은 하나의 관찰과 '패턴이 아님'이라는 레이블이 붙은 많은 관찰이 있습니다.
3) 패턴과 패턴이 아닌 것을 구별하도록 모델을 훈련시킵니다.
4) 테스트에서는 "패턴" 클래스에 따라 MO에서 확률적으로 추론하고 확률이 급증하는 것을 관찰합니다.
이렇게 하면 다차원 특징의 문제를 우아하게 우회하고 필요한 하위 패턴을 검색할 수 있습니다.
손가락으로 어떻게 설명할지 고민을 많이 했어요.
그 해답은 달걀처럼 간단합니다.
제가 글을 올린 아주 멋진 스레드가 있었습니다:
거래 종료 시 실패한 이유는 테스트가 미청산 포지션 - MQL4 및 MetaTrader 4 - MQL5에서 종료되기 때문입니다.
10 년 전에 이미 그런 프로그램을 만들었고 여기에는 테스트에서도 그런 이익이 없습니다.
그리고 실생활에서이 EA는 절대적으로 0을 짓밟고 성장하지 않았습니다.
따라서 결론은 분명합니다.
실제 거래는 결코 테스터의 성배와 같지 않을 것입니다.
무엇보다도 모쉬카가 주도하고 있습니다.
그러나 일관되게 그리고 점점 더 많은 돈을 벌기 위해서는 전혀 예측하지 않아야합니다.
알고리즘, 즉 변동 가격이 있는 시장이 어떻게 작동하는지 이해하고 파악해야 합니다.
알고리즘은 동일합니다, 100
그리고 그 후에야 수익 창출 가능성을 강조하는 이와 같은 표시가 나타납니다.
그 이후에는 전혀 필요하지 않습니다.
;)
거짓말?
아니요,
실제 수치도 첨부합니다.
그리고 마이너스가 있는 잔액, 확실히 데모가 아닙니다 ;))))))저는 원래 MO 없이 다차원 배열에서 패턴을 검색하는 방법에 관심이 많았습니다.
이것이 MO가 하는 주요 작업이라고 말하는 것이 맞나요?
나는 그것을 손가락으로 설명하는 방법을 찾기 위해 열심히 생각해야했습니다.
...감사합니다, 우리의 의견은 매우 소중합니다!
아직도 가능한 모든 쌍을 한 번에 세고 있습니다. 아직 시도해보고 싶은 입력이 너무 많아요. 괜찮아요. 스텀피에서는 대략적으로 계산한 다음 세분화할 수 있기 때문이죠. 눈에 띄는 가속과 병렬 처리 및 GPU를 사용할 수 있습니다. 아마 그 패키지로 완전히 전환할 것 같습니다.
가장 중요한 것은 물고기가 확실히없는 곳을보고하는 것을 잊지 않는 것입니다.
이것이 국방부가 하고 있는 주요 업무라고 말하는 것이 맞나요?
본질적으로 그렇습니다.
3980은 complex, 벡터<복소수>, 행렬<복소수> 유형에 대한 접합 메서드를 구현했습니다. 이들은 복소수에 대한 활용을 수행합니다.
또한 지도의 시퀀스 유형의 ONNX 모델 출력 처리도 추가되었습니다. ONNX 런타임의 기능이 대폭 개선되었습니다.
그리고 이제 힌트를 제공합니다.
구조의 배열이라는 것이 밝혀졌습니다.
그래서 이제 out2에 오류가 없습니다. 나중에 다시 확인해 보겠습니다.
상관관계는 ABS 값 측면에서 가장 큰 숫자에 의해 영향을 받는다고 생각합니다. 예를 들어 10000과 10100의 거래량 변화와 그 배경에서 0.00040과 0.00400의 가격 변화는 미세하게 작아서 전체 집합의 상관관계에 거의 영향을 미치지 않을 것입니다. 이 가설을 테스트하기 위해 정규화를 수행합니다.
거기에는 부드럽게 증가하는 기간이 있으므로 효과가 없을 수도 있습니다.
한번 시도해 보겠습니다.
)) 나도 봤어요
저는 원래 MO 없이 다차원 배열에서 패턴을 검색하는 방법에 관심이 있었습니다. 지금까지는 모든 측정값을 하나로 묶어 상관관계를 통해 계산하는 것보다 더 좋은 방법을 생각하지 못했습니다(다소 빠릅니다). 때로는 값이 너무 다르지 않도록 정규화해야 할 필요가 있다고 생각합니다.
3~5년 전의 제 발자취를 따라가기.....
내가 하고 있고 생각하는 모든 것을 그래프, 생각과 함께 이미 여기에 게시했습니다... 재미있어요....
제가 생각해낸 다변량 데이터에서 패턴을 검색하는두 가지 솔루션이 있는데 , 하나는 MO가 없는 경우이고 다른 하나는 MO가 있는 경우입니다.
1) (MO 없이)
차원 축소 알고리즘 PCA, t-sne, umap 등을 사용하여 데이터의 차원을 여러 차원으로 줄입니다.
따라서 300개의 특징이 있고 2-5...10...을 얻은 다음 근접성 또는 클러스터링으로 패턴을 비교합니다....
이는 데이터 작업에서 널리 알려진 방식입니다.
2) (WITH MO)
(필자의 접근 방식) 200개의 특징이 있는 다변량 데이터가 있다고 가정합니다.
1) 원하는 패턴을 선택합니다.
2) 이진 분류 MO(이 패턴/이 패턴이 아님)를 훈련합니다. 즉, 훈련에는 '패턴'이라는 레이블이 붙은 하나의 관찰과 '패턴이 아님'이라는 레이블이 붙은 많은 관찰이 있습니다.
3) 패턴과 패턴이 아닌 것을 구별하도록 모델을 훈련시킵니다.
4) 테스트에서는 "패턴" 클래스에 따라 MO에서 확률적으로 추론하고 확률이 급증하는 것을 관찰합니다.
이렇게 하면 다차원 특징의 문제를 우아하게 우회하고 필요한 하위 패턴을 검색할 수 있습니다.
이것이 국방부가 하고 있는 주요 업무라고 말하는 것이 맞나요?
정확하지 않습니다.
다시 한 번 말씀드리겠습니다.
상관관계는 정규화가 필요하지 않으며, 유클리드 거리가 아니며, 정규화는 이미 상관관계에 포함되어 있습니다.