2. 왜? R에 데이터를 전달하고 결과를 다시 가져오기 위한 게이트웨이인 단일 MT4R.dll이 필요합니다.
3. 모든 기존 데이터베이스에. 또한 Microsoft와 Oracle 모두 R을 데이터베이스에 통합했습니다.
4. Matlab과의 상호 작용을 위한 다양한 옵션이 R에서 구현됩니다. 간단한 매트 파일 교환부터 R의 Matlab 기능 실행까지입니다. 이 방향에 대한 경험과 경험이 있다면 R을 사용하여 Matlab의 훌륭한 조합을 구현할 수 있습니다. -MT터미널.
5. 과학 및 기술의 모든 영역에 대한 패키지는 최신 성과를 고려하여 R로 구현됩니다. 여기에서 시작
6. 하나 이상 있습니다. 가장 일반적인 ff.
일반적으로 나는 놀랐다. 당신은 열린 분야에 있습니다. 이 사이트의 기사 1 과 2 를 보면 많은 것이 명확하지 않지만 언어가 어떻게 작동하는지 알 수 있습니다.
마무리를 하고 내일 딥러닝에 대한 두 번째 기사를 제출하여 검토할 예정입니다. 전문가의 사례가 첨부되어 있을 것입니다.. 관심이 있으시면 초급 기사(필터링, 분해, 예측 등)를 몇 개 작성해 주시면 감사하겠습니다. .). 그리고 물론, 특히 Googl이 TensorFlow 라이브러리를 모든 사람에게 공개한 이후로 딥 러닝 주제를 계속 파고들어야 합니다. 그리고 덜 흥미롭고 유망한 다른 것들도 있습니다(mxnet, pyBrain).
열광적인 팀이 모이면 R 언어 사용자의 분기를 구성할 수 있습니다.
행운을 빕니다
좋은 기사! 고맙습니다. 공부하려면 캐럿이 필요합니다. 하지만 NS 대신 SVM, GBM, xGBoost를 시도할 계획입니다.
다양한 수정에서 내가 가장 좋아하는 randomForest (주요 장점은 입력 데이터의 사전 처리가 필요하지 않다는 것입니다. 또한 ada 는 매우 높은 품질의 지표입니다. 둘 다 두 가지 단점이 있습니다. 훈련 시간이 매우 오래 걸리고 과적합되기 쉽습니다. .
이것은 당신이 그것들을 사용하지 말아야 한다는 것을 의미하는 것이 아니라, 당신이 이러한 문제를 알고 있어야 한다는 것을 의미합니다.
행운을 빕니다
기사 1과 관련하여 질문이 있습니다. 거래 에뮬레이션 차트에서 알고리즘이 각 막대에서 거래하는 것을 볼 수 있습니다. 맞나요?
그리고 질문 하나 더. 훈련하는 동안 각 막대의 머신 데이터도 입력했습니까?
시계열 문제를 대부분의 다른 통계 문제와 구별하는 핵심은 시계열에서 관측값이 상호 독립적이지 않다는 것입니다. 오히려 단일 기회 이벤트가 이후의 모든 데이터 요소에 영향을 미칠 수 있습니다. 이것은 시계열 분석을 통계의 다른 대부분의 영역과 상당히 다르게 만듭니다.
이러한 비독립성 때문에 시계열 데이터의 기본이 되는 실제 패턴은 육안 검사로 보기가 매우 어려울 수 있습니다. 주식 시장 평균의 전형적인 신문 차트를 본 사람은 누구나 몇 주 또는 몇 달 동안 계속되는 경향을 볼 수 있습니다. 그러나 이 주제를 연구한 통계학자들은 그러한 추세가 우연히 예상되는 것과 본질적으로 동일한 빈도로 발생하며 하루의 주식 시장 움직임과 다음 날의 움직임 사이에는 사실상 상관 관계가 없다는 데 동의합니다. 그런 상관관계가 있다면 누구나 오늘의 추세가 내일도 계속될 것이라고 내기를 하는 것만으로도 주식 시장에서 돈을 벌 수 있을 것입니다. 그리고 그것은 그렇게 쉬운 일이 아닙니다. 사실, 거의 모든 일련의 난수를 누적하면 무작위가 아닌 것처럼 보이는 패턴이 생성됩니다.
당신이 생각하는 것처럼, 요점은 시계열의 모든 지점이 훈련(및 테스트)에 참여하는 간단한 접근 방식이 상호 의존적인 관찰을 생성한다는 것입니다. 패턴"을 찾았습니다. 간단히 말해서, 다른 모든 것이 올바르게 수행되더라도 결과를 신뢰할 수 없습니다. 따라서 통계적 가정을 위반하지 않는 시계열로부터 관측치의 표본을 생성하는 것은 매우 중요합니다. 매우 자주 인기 있는 출처에서 이 단계는 무시되며 그 결과는 가장 비참합니다. 기계는 패턴을 학습하지 않습니다.
당신이 생각하는 것처럼, 요점은 시계열의 모든 지점이 훈련(및 테스트)에 참여하는 간단한 접근 방식이 상호 의존적인 관찰을 생성한다는 것입니다. 패턴"을 찾았습니다. 간단히 말해서, 다른 모든 것이 올바르게 수행되더라도 결과를 신뢰할 수 없습니다. 따라서 통계적 가정을 위반하지 않는 시계열로부터 관측치의 표본을 생성하는 것은 매우 중요합니다. 매우 자주 인기 있는 출처에서 이 단계는 무시되며 그 결과는 가장 비참합니다. 기계는 패턴을 학습하지 않습니다.
안녕하세요.
알고리즘이 모든 막대에서 거래를 만든다는 사실은??
아니요. 알고리즘은 마지막으로 형성된 막대에서 수신된 신호를 기반으로 거래를 합니다. 내가 질문을 이해하지 못한 것은 아닐까?
그리고 질문 하나 더. 훈련하는 동안 각 막대의 머신 데이터도 입력했습니까?
나는 이것을 전혀 이해하지 못했다. 설명해주실 수 있나요? 나는 대답하려고 노력할 것이다.
당신이 생각하는 것처럼, 요점은 시계열의 모든 지점이 훈련(및 테스트)에 참여하는 간단한 접근 방식이 상호 의존적인 관찰을 생성한다는 것입니다. 패턴"을 찾았습니다. 간단히 말해서, 다른 모든 것이 올바르게 수행되더라도 결과를 신뢰할 수 없습니다. 따라서 통계적 가정을 위반하지 않는 시계열로부터 관측치의 표본을 생성하는 것은 매우 중요합니다. 매우 자주 인기 있는 출처에서 이 단계는 무시되며 그 결과는 가장 비참합니다. 기계는 패턴을 학습하지 않습니다.
http://quantquant.com/viewtopic.php?f=7&t=1236
이 링크는 무엇을 위한 것입니까? 간단한 의견이 도움이 될 것입니다.
예: R 및 Python에 대한 교육 문헌에 대한 링크 세트.
링크의 내용에 따르면: 광범위한 네트워크로 모든 것을 퍼냈습니까? 아니면 선호하는 것이 있습니까? 파이썬 중에서 pyBrain은 가장 흥미롭고 배우고 적용할 가치가 있습니다. R 패키지에 없는 네트워크를 구현합니다.토론용도 아니고 비판용도 아니므로 참고하세요.
행운을 빕니다
1. 네.
2. 왜? R에 데이터를 전달하고 결과를 다시 가져오기 위한 게이트웨이인 단일 MT4R.dll이 필요합니다.
3. 모든 기존 데이터베이스에. 또한 Microsoft와 Oracle 모두 R을 데이터베이스에 통합했습니다.
4. Matlab과의 상호 작용을 위한 다양한 옵션이 R에서 구현됩니다. 간단한 매트 파일 교환부터 R의 Matlab 기능 실행까지입니다. 이 방향에 대한 경험과 경험이 있다면 R을 사용하여 Matlab의 훌륭한 조합을 구현할 수 있습니다. -MT터미널.
5. 과학 및 기술의 모든 영역에 대한 패키지는 최신 성과를 고려하여 R로 구현됩니다. 여기에서 시작
6. 하나 이상 있습니다. 가장 일반적인 ff.
일반적으로 나는 놀랐다. 당신은 열린 분야에 있습니다. 이 사이트의 기사 1 과 2 를 보면 많은 것이 명확하지 않지만 언어가 어떻게 작동하는지 알 수 있습니다.
마무리를 하고 내일 딥러닝에 대한 두 번째 기사를 제출하여 검토할 예정입니다. 전문가의 사례가 첨부되어 있을 것입니다.. 관심이 있으시면 초급 기사(필터링, 분해, 예측 등)를 몇 개 작성해 주시면 감사하겠습니다. .). 그리고 물론, 특히 Googl이 TensorFlow 라이브러리를 모든 사람에게 공개한 이후로 딥 러닝 주제를 계속 파고들어야 합니다. 그리고 덜 흥미롭고 유망한 다른 것들도 있습니다(mxnet, pyBrain).
열광적인 팀이 모이면 R 언어 사용자의 분기를 구성할 수 있습니다.
행운을 빕니다
좋은 기사! 고맙습니다. 공부하려면 캐럿이 필요합니다. 하지만 NS 대신 SVM, GBM, xGBoost를 시도할 계획입니다.
좋은 기사! 고맙습니다. 공부하려면 캐럿이 필요합니다. 하지만 NS 대신 SVM, GBM, xGBoost를 시도할 계획입니다.
모든 것을 시도하십시오.
다양한 수정에서 내가 가장 좋아하는 randomForest (주요 장점은 입력 데이터의 사전 처리가 필요하지 않다는 것입니다. 또한 ada 는 매우 높은 품질의 지표입니다. 둘 다 두 가지 단점이 있습니다. 훈련 시간이 매우 오래 걸리고 과적합되기 쉽습니다. .
이것은 당신이 그것들을 사용하지 말아야 한다는 것을 의미하는 것이 아니라, 당신이 이러한 문제를 알고 있어야 한다는 것을 의미합니다.
행운을 빕니다
SVM, 에이다, 랜덤포레스트. 이 모든 것이 덜덜 떨리는 상태에서 이 팩으로 운동한 후입니다. 예측 변수 선택을 위한 패키지 후
모든 것을 시도하십시오.
다양한 수정에서 내가 가장 좋아하는 randomForest (주요 장점은 입력 데이터의 사전 처리가 필요하지 않다는 것입니다. 또한 ada 는 매우 높은 품질의 지표입니다. 둘 다 두 가지 단점이 있습니다. 훈련 시간이 매우 오래 걸리고 과적합되기 쉽습니다. .
이것은 당신이 그것들을 사용하지 말아야 한다는 것을 의미하는 것이 아니라, 당신이 이러한 문제를 알고 있어야 한다는 것을 의미합니다.
행운을 빕니다
기사 1과 관련하여 질문이 있습니다. 거래 에뮬레이션 차트에서 알고리즘이 각 막대에서 거래하는 것을 볼 수 있습니다. 맞나요?
그리고 질문 하나 더. 훈련하는 동안 각 막대의 머신 데이터도 입력했습니까?
시계열 문제를 대부분의 다른 통계 문제와 구별하는 핵심은 시계열에서 관측값이 상호 독립적이지 않다는 것입니다. 오히려 단일 기회 이벤트가 이후의 모든 데이터 요소에 영향을 미칠 수 있습니다. 이것은 시계열 분석을 통계의 다른 대부분의 영역과 상당히 다르게 만듭니다.
이러한 비독립성 때문에 시계열 데이터의 기본이 되는 실제 패턴은 육안 검사로 보기가 매우 어려울 수 있습니다. 주식 시장 평균의 전형적인 신문 차트를 본 사람은 누구나 몇 주 또는 몇 달 동안 계속되는 경향을 볼 수 있습니다. 그러나 이 주제를 연구한 통계학자들은 그러한 추세가 우연히 예상되는 것과 본질적으로 동일한 빈도로 발생하며 하루의 주식 시장 움직임과 다음 날의 움직임 사이에는 사실상 상관 관계가 없다는 데 동의합니다. 그런 상관관계가 있다면 누구나 오늘의 추세가 내일도 계속될 것이라고 내기를 하는 것만으로도 주식 시장에서 돈을 벌 수 있을 것입니다. 그리고 그것은 그렇게 쉬운 일이 아닙니다. 사실, 거의 모든 일련의 난수를 누적하면 무작위가 아닌 것처럼 보이는 패턴이 생성됩니다.
발신: http://node101.psych.cornell.edu/Darlington/series/series1.htm
당신이 생각하는 것처럼, 요점은 시계열의 모든 지점이 훈련(및 테스트)에 참여하는 간단한 접근 방식이 상호 의존적인 관찰을 생성한다는 것입니다. 패턴"을 찾았습니다. 간단히 말해서, 다른 모든 것이 올바르게 수행되더라도 결과를 신뢰할 수 없습니다. 따라서 통계적 가정을 위반하지 않는 시계열로부터 관측치의 표본을 생성하는 것은 매우 중요합니다. 매우 자주 인기 있는 출처에서 이 단계는 무시되며 그 결과는 가장 비참합니다. 기계는 패턴을 학습하지 않습니다.
기사 1과 관련하여 질문이 있습니다. 거래 에뮬레이션 차트에서 알고리즘이 각 막대에서 거래하는 것을 볼 수 있습니다. 맞나요?
그리고 질문 하나 더. 훈련하는 동안 각 막대의 머신 데이터도 입력했습니까?
발신: http://node101.psych.cornell.edu/Darlington/series/series1.htm
당신이 생각하는 것처럼, 요점은 시계열의 모든 지점이 훈련(및 테스트)에 참여하는 간단한 접근 방식이 상호 의존적인 관찰을 생성한다는 것입니다. 패턴"을 찾았습니다. 간단히 말해서, 다른 모든 것이 올바르게 수행되더라도 결과를 신뢰할 수 없습니다. 따라서 통계적 가정을 위반하지 않는 시계열로부터 관측치의 표본을 생성하는 것은 매우 중요합니다. 매우 자주 인기 있는 출처에서 이 단계는 무시되며 그 결과는 가장 비참합니다. 기계는 패턴을 학습하지 않습니다.
안녕하세요.
알고리즘이 모든 막대에서 거래를 만든다는 사실은??
아니요. 알고리즘은 마지막으로 형성된 막대에서 수신된 신호를 기반으로 거래를 합니다. 내가 질문을 이해하지 못한 것은 아닐까?
그리고 질문 하나 더. 훈련하는 동안 각 막대의 머신 데이터도 입력했습니까?
나는 이것을 전혀 이해하지 못했다. 설명해주실 수 있나요? 나는 대답하려고 노력할 것이다.
행운을 빕니다
기사 1과 관련하여 질문이 있습니다. 거래 에뮬레이션 차트에서 알고리즘이 각 막대에서 거래하는 것을 볼 수 있습니다. 맞나요?
그리고 질문 하나 더. 훈련하는 동안 각 막대의 머신 데이터도 입력했습니까?
발신: http://node101.psych.cornell.edu/Darlington/series/series1.htm
당신이 생각하는 것처럼, 요점은 시계열의 모든 지점이 훈련(및 테스트)에 참여하는 간단한 접근 방식이 상호 의존적인 관찰을 생성한다는 것입니다. 패턴"을 찾았습니다. 간단히 말해서, 다른 모든 것이 올바르게 수행되더라도 결과를 신뢰할 수 없습니다. 따라서 통계적 가정을 위반하지 않는 시계열로부터 관측치의 표본을 생성하는 것은 매우 중요합니다. 매우 자주 인기 있는 출처에서 이 단계는 무시되며 그 결과는 가장 비참합니다. 기계는 패턴을 학습하지 않습니다.
링크한 기사는 회귀에 관한 것입니다. 분류하고 있습니다. 이 두가지가 큰차이..
그리고 여전히 나는 당신의 질문을 이해하지 못합니다.
행운을 빕니다
링크한 기사는 회귀에 관한 것입니다. 분류하고 있습니다. 이 두가지가 큰차이..
그리고 여전히 나는 당신의 질문을 이해하지 못합니다.
행운을 빕니다