패턴은 시간에 따라 다릅니다. 각 요일에 대해 별도의 분류기에서 훈련하거나 소스 데이터에 달의 위상을 추가하거나(진심입니다), 또는 하루 중 시간에 무엇을 해야 할지 모르겠으나 이것은 매우 중요한.
알렉세이 버나코프 :
2) 네, 이미 그렇게 했습니다. 큰 데이터 세트가 있습니다. 바로 여기에서 공유할 수 있습니다. 여기에서 가격 데이터를 추가했습니다.
- 시간
- 분
- 요일
- 월
- 해당 월의 일
물론 이것은 아카이브입니다. TS가 성공한 요일이나 시간이 아니라 TS가 성공한 시장의 특성(트렌드, 플랫, 계절 패턴)만 식별하면 됩니다. 데이터의 특성을 주로 결정하는 것은 시장의 특성이지 요일이나 브로커의 장치가 아닙니다. Dmitry Fedoseev는 다음과 같이 썼습니다. "기술 분석과 그에 따른 거래의 주요 문제 는 추세를 식별하는 것 입니다."
물론 이것은 아카이브입니다. TS가 성공한 요일이나 시간이 아니라 TS가 성공한 시장의 특성(트렌드, 플랫, 계절 패턴)만 식별하면 됩니다. 데이터의 특성을 주로 결정하는 것은 시장의 특성이지 요일이나 브로커의 장치가 아닙니다. Dmitry Fedoseev는 다음과 같이 썼습니다. "기술 분석과 그에 따른 거래의 주요 문제 는 추세를 식별하는 것 입니다."
예를 들어, TS는 플랫에서 성공한 것으로 간주됩니다. 플랫을 예측하는 지표가 있습니까?
문제는 하루 중 요일과 시간을 미리 결정할 수 있지만 추세와 플랫은 그렇지 않다는 것입니다.
그리고 미리 추세와 평면을 결정하는 방법을 알고 있다면 다른 것이 전혀 필요하지 않습니다. 성배는 당신의 얼굴에 있습니다.
이를 위해 Alexey의 블로그에서처럼 트리와 R을 통해 분류기를 만들 수도 있습니다. 몇 년 간의 막대 기록을 수집한 다음 수동으로 또는 일부 표시기를 사용하여 시간 간격이 평평하고 그렇지 않은 것을 표시하고 모델을 훈련해야 합니다. 교육용으로만 예시와 같이 다음 기간의 가격 인상이 아니라 고정/추세 값(예: 각각 0 및 1)을 제출합니다. 그리고 당신은 지표를 얻습니다.
그러나 일반적으로 미래의 가격 상승을 예측 하는 분류기를 처음부터 만들면 분류기 자체가 플랫을 추세와 구별하는 법을 배워야 합니다. 그의 논리에는 그러한 명확한 개념이 없지만 개념적으로 그는 시장의 다른 특성을 구별하고 그에 따라 예측을 변경하는 방법을 배워야 합니다. 적절한 분류기는 특정 시간 간격에만 작동해서는 안 되며, 그 임무는 항상 이익을 내는 것입니다.
이를 위해 Alexey의 블로그에서처럼 트리와 R을 통해 분류기를 만들 수도 있습니다. 몇 년 간의 막대 기록을 수집한 다음 수동으로 또는 일부 표시기를 사용하여 시간 간격이 평평하고 그렇지 않은 것을 표시하고 모델을 훈련해야 합니다. 교육용으로만 예시와 같이 다음 기간의 가격 인상이 아니라 고정/추세 값(예: 각각 0 및 1)을 제출합니다. 그리고 당신은 지표를 얻습니다.
지표가 아니라 분류기 - 예측하지 않고 분류합니다. 즉, 대략적으로 말하면 역사의 한 부분을 공부하면 이 부분이 트렌드인지 플랫인지 말할 수 있을 것입니다.
지표가 아니라 분류기 - 예측하지 않고 분류합니다. 즉, 대략적으로 말하면 역사의 한 부분을 공부하면 이 부분이 트렌드인지 플랫인지 말할 수 있을 것입니다.
그러나 유일한 문제는 눈으로 할 수 있다는 것입니다. 표시기는 필요하지 않습니다.
연습은 다른 이야기를 합니다. 당신이 가르치는 것을 지켜보십시오.
과거로 분류하면 그렇습니다.
그리고 당신이 교사를 옮기면, 즉. 예측 변수의 과거 값이 교사의 현재 값에 해당하면 미래를 예측합니다. 예를 들어, 1 bar만큼 이동합니다. 새로운 막대 가 도착하면 모든 예측 변수를 계산한 다음 PAST에서 훈련된 모델을 사용하여 평평한 추세를 예측하는 것으로 나타났습니다. 1 이상의 이동으로 학습할 수 있습니다. 이전 막대를 외삽하는 예측 모델에서 오류가 예측 기간이 증가함에 따라 (기껏해야) 요약되지만 분류에서는 그렇지 않다는 것이 놀랍습니다. 따라서 H1에 대한 예측: +1 = 30%(실제 수치) 오류, +2 약간 더, +4 거의 30%의 오류.
또한 Burnakov 하우스와 친구가 되기 시작하면 미래에 +1 막대와 거의 동일한 예측 오류가 있는 교대조를 찾을 수 있습니다.
이를 위해 Alexey의 블로그에서처럼 트리와 R을 통해 분류기를 만들 수도 있습니다. 몇 년 간의 막대 기록을 수집한 다음 수동으로 또는 일부 표시기를 사용하여 시간 간격이 평평하고 그렇지 않은 것을 표시하고 모델을 훈련해야 합니다. 교육용으로만 예시와 같이 다음 기간의 가격 인상이 아니라 고정/추세 값(예: 각각 0 및 1)을 제출합니다. 그리고 당신은 지표를 얻습니다.
그러나 일반적으로 미래의 가격 상승을 예측 하는 분류기를 처음부터 만들면 분류기 자체가 플랫을 추세와 구별하는 법을 배워야 합니다. 그의 논리에는 그러한 명확한 개념이 없지만 개념적으로 그는 시장의 다른 특성을 구별하고 그에 따라 예측을 변경하는 방법을 배워야 합니다. 적절한 분류기는 특정 시간 간격에만 작동해서는 안 되며, 그 임무는 항상 이익을 내는 것입니다.
Alexey의 블로그, 모델 교육, 분류는 나와 내 작업에 너무 복잡한 확장입니다. 특정 확률로 아파트를 예측하는 것이 더 간단할 것입니다.
ADX와 같은 것. 그리고 MQL4에서는 트레이더, 경제학자, 철학자뿐만 아니라 매트 전문가에게도 명확합니다. 패키지 및 프로그래밍 언어 R, Python 등
이를 위해 Alexey의 블로그에서처럼 트리와 R을 통해 분류기를 만들 수도 있습니다. 몇 년 간의 막대 기록을 수집한 다음 수동으로 또는 일부 표시기를 사용하여 시간 간격이 평평하고 그렇지 않은 것을 표시하고 모델을 훈련해야 합니다. 교육용으로만 예시와 같이 다음 기간의 가격 인상이 아니라 고정/추세 값(예: 각각 0 및 1)을 제출합니다. 그리고 당신은 지표를 얻습니다.
그러나 일반적으로 미래의 가격 상승을 예측 하는 분류기를 처음부터 만들면 분류기 자체가 플랫을 추세와 구별하는 법을 배워야 합니다. 그의 논리에는 그러한 명확한 개념이 없지만 개념적으로 그는 시장의 다른 특성을 구별하고 그에 따라 예측을 변경하는 방법을 배워야 합니다. 적절한 분류기는 특정 시간 간격에만 작동해서는 안 되며, 그 임무는 항상 이익을 내는 것입니다.
이것을 배우기 위한 분류기가 있는 것 같습니다.
보세요, 이것은 입력 데이터 스키마입니다.
나는 기계에게 다음을 준다:
이동 평균 차이
움직이는 높은 차이
또한 최소한의
데이터 범위
표준 편차
그리고 시차를 두고 찍은 가격의 차이일 뿐입니다.
이제 이 기간이 여전히 2분에서 724분까지 다양하다고 상상해 보십시오. 이러한 예측 변수 세트는 18개입니다.
이론적으로 이것은 추세 움직임을 플랫과 구별하기에 충분합니다. 최소한 시차 가격과 데이터 범위(및 표준 편차) 간의 차이가 많은 양을 나타냅니다.
나는 또한 가격 창에 대한 선형 회귀의 기울기를 취하고 싶었습니다. 또한 가변 창. 그러나 이것들은 같은 계란입니다. 시도할 수 있지만.
따라서 분류기는 가장 중요한 예측 변수인 이동 평균과의 차이와 범위 및 표준 편차를 포함한 가격 간의 차이를 일관되게 강조합니다. 모든 것이 그에게 사용됩니다.
그리고 당신이 교사를 옮기면, 즉. 예측 변수의 과거 값이 교사의 현재 값에 해당하면 미래를 예측합니다. 예를 들어, 1 bar만큼 이동합니다. 새로운 막대 가 도착하면 모든 예측 변수를 계산한 다음 PAST에서 훈련된 모델을 사용하여 평평한 추세를 예측하는 것으로 나타났습니다. 1 이상의 이동으로 학습할 수 있습니다. 이전 막대를 외삽하는 예측 모델에서 오류가 예측 기간이 증가함에 따라 (기껏해야) 요약되지만 분류에서는 그렇지 않다는 것이 놀랍습니다. 따라서 H1에 대한 예측: +1 = 30%(실제 수치) 오류, +2 약간 더, +4 거의 30%의 오류.
또한 Burnakov 하우스와 친구가 되기 시작하면 미래에 +1 막대와 거의 동일한 예측 오류가 있는 교대조를 찾을 수 있습니다.
네. 예를 들어 ARIMA와 같이 한 발 앞서 예측하지 않습니다. Arima의 경우 한 단계 앞서 예측한 것을 예측 변수로 사용하고 앞서 예측해야 할 만큼 반복하기 때문에 오류가 기하급수적으로 증가합니다.
나는 처음에 18개의 목표 변수를 가지고 있었고 차례로 모델을 훈련했습니다(훈련 매개변수를 반복하고 최상의 조합에서 멈춤). 그래서 나는 모든 것이 더 잘 예측되는 지평선을 봅니다.
모든 목표에 대한 나의 훈련은 약 하루 동안 지속됩니다. 그러나 이것이 한계가 아닙니다. GPU의 다층 신경망은 하나의 대상에 대해 일주일 동안 훈련할 수 있습니다.
패턴은 시간에 따라 다릅니다. 각 요일에 대해 별도의 분류기에서 훈련하거나 소스 데이터에 달의 위상을 추가하거나(진심입니다), 또는 하루 중 시간에 무엇을 해야 할지 모르겠으나 이것은 매우 중요한.
2) 네, 이미 그렇게 했습니다. 큰 데이터 세트가 있습니다. 바로 여기에서 공유할 수 있습니다. 여기에서 가격 데이터를 추가했습니다.
- 시간
- 분
- 요일
- 월
- 해당 월의 일
물론 이것은 아카이브입니다. TS가 성공한 요일이나 시간이 아니라 TS가 성공한 시장의 특성(트렌드, 플랫, 계절 패턴)만 식별하면 됩니다. 데이터의 특성을 주로 결정하는 것은 시장의 특성이지 요일이나 브로커의 장치가 아닙니다. Dmitry Fedoseev는 다음과 같이 썼습니다. "기술 분석과 그에 따른 거래의 주요 문제 는 추세를 식별하는 것 입니다."
예를 들어, TS는 플랫에서 성공한 것으로 간주됩니다. 플랫을 예측하는 지표가 있습니까?
물론 이것은 아카이브입니다. TS가 성공한 요일이나 시간이 아니라 TS가 성공한 시장의 특성(트렌드, 플랫, 계절 패턴)만 식별하면 됩니다. 데이터의 특성을 주로 결정하는 것은 시장의 특성이지 요일이나 브로커의 장치가 아닙니다. Dmitry Fedoseev는 다음과 같이 썼습니다. "기술 분석과 그에 따른 거래의 주요 문제 는 추세를 식별하는 것 입니다."
예를 들어, TS는 플랫에서 성공한 것으로 간주됩니다. 플랫을 예측하는 지표가 있습니까?
문제는 하루 중 요일과 시간을 미리 결정할 수 있지만 추세와 플랫은 그렇지 않다는 것입니다.
그리고 미리 추세와 평면을 결정하는 방법을 알고 있다면 다른 것이 전혀 필요하지 않습니다. 성배는 당신의 얼굴에 있습니다.
플랫을 예측하는 지표가 있습니까?
이를 위해 Alexey의 블로그에서처럼 트리와 R을 통해 분류기를 만들 수도 있습니다. 몇 년 간의 막대 기록을 수집한 다음 수동으로 또는 일부 표시기를 사용하여 시간 간격이 평평하고 그렇지 않은 것을 표시하고 모델을 훈련해야 합니다. 교육용으로만 예시와 같이 다음 기간의 가격 인상이 아니라 고정/추세 값(예: 각각 0 및 1)을 제출합니다. 그리고 당신은 지표를 얻습니다.
그러나 일반적으로 미래의 가격 상승을 예측 하는 분류기를 처음부터 만들면 분류기 자체가 플랫을 추세와 구별하는 법을 배워야 합니다. 그의 논리에는 그러한 명확한 개념이 없지만 개념적으로 그는 시장의 다른 특성을 구별하고 그에 따라 예측을 변경하는 방법을 배워야 합니다. 적절한 분류기는 특정 시간 간격에만 작동해서는 안 되며, 그 임무는 항상 이익을 내는 것입니다.
이를 위해 Alexey의 블로그에서처럼 트리와 R을 통해 분류기를 만들 수도 있습니다. 몇 년 간의 막대 기록을 수집한 다음 수동으로 또는 일부 표시기를 사용하여 시간 간격이 평평하고 그렇지 않은 것을 표시하고 모델을 훈련해야 합니다. 교육용으로만 예시와 같이 다음 기간의 가격 인상이 아니라 고정/추세 값(예: 각각 0 및 1)을 제출합니다. 그리고 당신은 지표를 얻습니다.
지표가 아니라 분류기 - 예측하지 않고 분류합니다. 즉, 대략적으로 말하면 역사의 한 부분을 공부하면 이 부분이 트렌드인지 플랫인지 말할 수 있을 것입니다.
그러나 유일한 문제는 눈으로 할 수 있다는 것입니다. 표시기는 필요하지 않습니다.
지표가 아니라 분류기 - 예측하지 않고 분류합니다. 즉, 대략적으로 말하면 역사의 한 부분을 공부하면 이 부분이 트렌드인지 플랫인지 말할 수 있을 것입니다.
그러나 유일한 문제는 눈으로 할 수 있다는 것입니다. 표시기는 필요하지 않습니다.
연습은 다른 이야기를 합니다. 당신이 가르치는 것을 지켜보십시오.
과거로 분류하면 그렇습니다.
그리고 당신이 교사를 옮기면, 즉. 예측 변수의 과거 값이 교사의 현재 값에 해당하면 미래를 예측합니다. 예를 들어, 1 bar만큼 이동합니다. 새로운 막대 가 도착하면 모든 예측 변수를 계산한 다음 PAST에서 훈련된 모델을 사용하여 평평한 추세를 예측하는 것으로 나타났습니다. 1 이상의 이동으로 학습할 수 있습니다. 이전 막대를 외삽하는 예측 모델에서 오류가 예측 기간이 증가함에 따라 (기껏해야) 요약되지만 분류에서는 그렇지 않다는 것이 놀랍습니다. 따라서 H1에 대한 예측: +1 = 30%(실제 수치) 오류, +2 약간 더, +4 거의 30%의 오류.
또한 Burnakov 하우스와 친구가 되기 시작하면 미래에 +1 막대와 거의 동일한 예측 오류가 있는 교대조를 찾을 수 있습니다.
이를 위해 Alexey의 블로그에서처럼 트리와 R을 통해 분류기를 만들 수도 있습니다. 몇 년 간의 막대 기록을 수집한 다음 수동으로 또는 일부 표시기를 사용하여 시간 간격이 평평하고 그렇지 않은 것을 표시하고 모델을 훈련해야 합니다. 교육용으로만 예시와 같이 다음 기간의 가격 인상이 아니라 고정/추세 값(예: 각각 0 및 1)을 제출합니다. 그리고 당신은 지표를 얻습니다.
그러나 일반적으로 미래의 가격 상승을 예측 하는 분류기를 처음부터 만들면 분류기 자체가 플랫을 추세와 구별하는 법을 배워야 합니다. 그의 논리에는 그러한 명확한 개념이 없지만 개념적으로 그는 시장의 다른 특성을 구별하고 그에 따라 예측을 변경하는 방법을 배워야 합니다. 적절한 분류기는 특정 시간 간격에만 작동해서는 안 되며, 그 임무는 항상 이익을 내는 것입니다.
Alexey의 블로그, 모델 교육, 분류는 나와 내 작업에 너무 복잡한 확장입니다. 특정 확률로 아파트를 예측하는 것이 더 간단할 것입니다.
ADX와 같은 것. 그리고 MQL4에서는 트레이더, 경제학자, 철학자뿐만 아니라 매트 전문가에게도 명확합니다. 패키지 및 프로그래밍 언어 R, Python 등
이를 위해 Alexey의 블로그에서처럼 트리와 R을 통해 분류기를 만들 수도 있습니다. 몇 년 간의 막대 기록을 수집한 다음 수동으로 또는 일부 표시기를 사용하여 시간 간격이 평평하고 그렇지 않은 것을 표시하고 모델을 훈련해야 합니다. 교육용으로만 예시와 같이 다음 기간의 가격 인상이 아니라 고정/추세 값(예: 각각 0 및 1)을 제출합니다. 그리고 당신은 지표를 얻습니다.
그러나 일반적으로 미래의 가격 상승을 예측 하는 분류기를 처음부터 만들면 분류기 자체가 플랫을 추세와 구별하는 법을 배워야 합니다. 그의 논리에는 그러한 명확한 개념이 없지만 개념적으로 그는 시장의 다른 특성을 구별하고 그에 따라 예측을 변경하는 방법을 배워야 합니다. 적절한 분류기는 특정 시간 간격에만 작동해서는 안 되며, 그 임무는 항상 이익을 내는 것입니다.
이것을 배우기 위한 분류기가 있는 것 같습니다.
보세요, 이것은 입력 데이터 스키마입니다.
나는 기계에게 다음을 준다:
이동 평균 차이
움직이는 높은 차이
또한 최소한의
데이터 범위
표준 편차
그리고 시차를 두고 찍은 가격의 차이일 뿐입니다.
이제 이 기간이 여전히 2분에서 724분까지 다양하다고 상상해 보십시오. 이러한 예측 변수 세트는 18개입니다.
이론적으로 이것은 추세 움직임을 플랫과 구별하기에 충분합니다. 최소한 시차 가격과 데이터 범위(및 표준 편차) 간의 차이가 많은 양을 나타냅니다.
나는 또한 가격 창에 대한 선형 회귀의 기울기를 취하고 싶었습니다. 또한 가변 창. 그러나 이것들은 같은 계란입니다. 시도할 수 있지만.
따라서 분류기는 가장 중요한 예측 변수인 이동 평균과의 차이와 범위 및 표준 편차를 포함한 가격 간의 차이를 일관되게 강조합니다. 모든 것이 그에게 사용됩니다.
연습은 다른 이야기를 합니다. 당신이 가르치는 것을 지켜보십시오.
과거로 분류하면 그렇습니다.
그리고 당신이 교사를 옮기면, 즉. 예측 변수의 과거 값이 교사의 현재 값에 해당하면 미래를 예측합니다. 예를 들어, 1 bar만큼 이동합니다. 새로운 막대 가 도착하면 모든 예측 변수를 계산한 다음 PAST에서 훈련된 모델을 사용하여 평평한 추세를 예측하는 것으로 나타났습니다. 1 이상의 이동으로 학습할 수 있습니다. 이전 막대를 외삽하는 예측 모델에서 오류가 예측 기간이 증가함에 따라 (기껏해야) 요약되지만 분류에서는 그렇지 않다는 것이 놀랍습니다. 따라서 H1에 대한 예측: +1 = 30%(실제 수치) 오류, +2 약간 더, +4 거의 30%의 오류.
또한 Burnakov 하우스와 친구가 되기 시작하면 미래에 +1 막대와 거의 동일한 예측 오류가 있는 교대조를 찾을 수 있습니다.
네. 예를 들어 ARIMA와 같이 한 발 앞서 예측하지 않습니다. Arima의 경우 한 단계 앞서 예측한 것을 예측 변수로 사용하고 앞서 예측해야 할 만큼 반복하기 때문에 오류가 기하급수적으로 증가합니다.
나는 처음에 18개의 목표 변수를 가지고 있었고 차례로 모델을 훈련했습니다(훈련 매개변수를 반복하고 최상의 조합에서 멈춤). 그래서 나는 모든 것이 더 잘 예측되는 지평선을 봅니다.
모든 목표에 대한 나의 훈련은 약 하루 동안 지속됩니다. 그러나 이것이 한계가 아닙니다. GPU의 다층 신경망은 하나의 대상에 대해 일주일 동안 훈련할 수 있습니다.
나는 처음에 18개의 목표 변수를 가지고 있었고 차례로 모델을 훈련했습니다(훈련 매개변수를 반복하고 최상의 조합에서 멈춤).
네. 예를 들어 ARIMA와 같이 한 발 앞서 예측하지 않습니다. Arima의 경우 한 단계 앞서 예측한 것을 예측 변수로 사용하고 앞서 예측해야 할 만큼 반복하기 때문에 오류가 기하급수적으로 증가합니다.
나는 처음에 18개의 목표 변수를 가지고 있었고 차례로 모델을 훈련했습니다(훈련 매개변수를 반복하고 최상의 조합에서 멈춤). 그래서 나는 모든 것이 더 잘 예측되는 지평선을 봅니다.
모든 목표에 대한 나의 훈련은 약 하루 동안 지속됩니다. 그러나 이것이 한계가 아닙니다. GPU의 다층 신경망은 하나의 대상에 대해 일주일 동안 훈련할 수 있습니다.