그러나 당신은 잊어 버리십니까, 훈련이이 사이트에서 훈련 결과의 기억으로 변형 된 사이트의 기억.
학습 결과는 변수의 특정 값입니다. 변수가 많을수록 지표 종탑에서 기록 차트의 기능을 더 정확하게 설명합니다. 더 구체적인 것은 우리 고문의 기억일 것입니다. 문제는 시장이 구체적이지 않고 다양하다는 점이다. 변수는 일반적으로 시장이 아니라 특정 영역과 지표의 성공적인 상호 작용만을 설명하지만 그 이상은 설명하지 않습니다. 지표 세트가 예측 속성을 얻으려면 하나의 교육으로 충분하지 않으며 지표의 효과적인 상호 작용이 필요합니다. 이상적인 경우 지표가 균형을 이루고 역사의 다른 지평에서 시장의 다른 측면과 서로를 통제한다면 과적합의 위험이 없습니다.
하지만 이 찌르기 방식이 자동화된다면?! 이 방향에 대한 흥미로운 생각. 지표가 변경되고 서로 상호 작용이 이루어지며 상호 작용이 별도의 기능으로 표시되며 매개 변수 수가 변경될 수 있으며 이에 따라 가장 간단한 최적화만 수행됩니다. 따라서 이 스레드에서 제기되는 질문은 흥미롭고 전략의 매개변수에 의존하지 않는 보다 보편적인 접근 방식입니다. 당신이 제안한 지점에서 완전히 다른 작업. 그러나 이러한 방법을 이 문제에 적용할 수 있음을 보여 주신다면 부탁드립니다.
테스터에는 서로 관련되어 있지만 근본적으로 고품질의 두 가지 기능이 있습니다.
1. TS 아이디어 자체의 검증(디버깅). 우리는 입력과 출력이 그것에 대한 우리의 생각과 일치하는지 확인합니다.
2. TS에 대한 우리의 아이디어가 고정된 TS의 매개변수 선택
그 후에는 아무것도 변경할 수 없습니다. 이 단계가 성공하면 TS를 실제에 적용하고 거래를 시작하기 때문입니다.
그리고 여기 가장 중요한 질문이 있습니다. 실제 거래의 효과가 훈련에서와 같을까요?
그리고 여기 그리고 병렬 분기에서이 질문이 제기됩니다.
실제 거래에서 다른 결과를 얻는 경우 이를 재교육이라고 합니다. TS를 만들 때 실제 키트에서는 찾을 수 없는 몇 가지 세부 사항을 교육 키트에서 포착했습니다. 병렬 스레드에서 나는 재교육 문제가 초기 데이터 목록의 올바른 선택에 의해서만 해결된다고 주장합니다. TA에서는 지표 세트입니다. 나는 또한 TS 자체를 만들기 전에 우리가 선택한 지표 세트가 이 TS에 유용할지 여부를 결정할 수 있다고 주장합니다. 그러나 우리가 이 문제를 풀면 단락. 1과 2.
실제 거래에서 다른 결과를 얻는 경우 이를 재교육이라고 합니다. TS를 만들 때 실제 키트에서는 찾을 수 없는 몇 가지 세부 사항을 교육 키트에서 포착했습니다.
오히려 교육이 부족해 보인다. -)
제 생각에는 패턴을 포착하는 시스템의 능력과 이 능력이 떨어질 수 있는 최적화 함정을 구별하는 것이 필요합니다. 최적화 트랩은 OVERoptimization 및 UNDERoptimization, 코드 작성 프로세스의 관성, 인적 요소 등을 모두 포함하는 더 넓은 개념입니다. 다만 쓰레드 작성자는 아직 조언자들이 새고 있다는 사실만 염두에 두고 있었던 것 뿐이지..
즉, 그의 질문은 "최적화 함정을 피하는 방법"이어야 합니다.
그에게 조언하는 두 사람이 있습니다. 앞으로 확인하십시오. 최적화되지 않은 사이트에서는 삶이 나아질 것입니다.-0
그리고 코드를 작성하기 전에 표시기가 유용할지 여부를 결정할 수 있다면 정말 좋습니다! 그러면 테스트가 필요하지 않습니다. -)
Youri Tarshecki : "재 훈련"이라는 용어는 어리 석음이며, 고문 자체의 작동 불가능성을 정당화하기위한 것이며 앞으로 걷는 것과 함께 그 의미를 완전히 잃습니다. 변수가 재훈련되거나 과소 훈련되었으며, 실제로는 저하에서 볼 수 없습니다. 이것은 다른 조건과 최적화 및 테스트에서 forward 결과를 비교 해야만 알 수 있습니다. 그리고 스토리의 깊이와 앞으로의 발걸음은 각각의 경우에 개인적으로 선택되며, 무엇이 끝났고 무엇이 끝나지 않았는지 이미 명확합니다 .
이 용어는 어리석은 것이 아니라 시장 알고리즘 학자를 포함하여 전체 과학계의 "최고의 개 사육자들에 의해 승인된" 오래된 용어입니다. 깊이, 피치 및 기타 "측면" 매개변수 선택에 대한 귀하의 아이디어는 선택 품질(및 재교육 가능성)에 대한 이전 문제로 되돌아갑니다. 따라서 어떤 경우에도 포워드 분석 없이는 할 수 없습니다. 그리고 여러 섹션에 대해 분석해야 하는 것은 처음부터 간단합니다.
Youri Tarshecki : "재 훈련"이라는 용어는 어리 석음이며, 고문 자체의 작동 불가능성을 정당화하기위한 것이며 앞으로 걷는 것과 함께 그 의미를 완전히 잃습니다. 변수가 재훈련되거나 과소 훈련되었으며, 실제로는 저하에서 볼 수 없습니다. 이것은 다른 조건과 최적화 및 테스트에서 forward 결과를 비교 해야만 알 수 있습니다. 그리고 스토리의 깊이와 앞으로의 발걸음은 각각의 경우에 개인적으로 선택되며, 무엇이 끝났고 무엇이 끝나지 않았는지 이미 명확합니다 .
응. 이 전체 문제에 대한 이해가 시작되면 "재훈련"이라는 용어의 적절성과 그 부적절성에 대한 이해에 대한 질문이 발생합니다. 4차 포럼에서 이 문제에 대한 토론이 있었지만 아직 토론할 사람이 있었습니다. '암기' 또는 '암기'라는 용어가 더 적합하다는 결론에 도달했습니다. 조언자는 부지런한 학생으로서 수업을 암기했지만 아무것도 이해하지 못했고 다른 조건에서는 지식을 적용 할 수 없습니다.
여기에서는 그 용어 자체조차 그런 의미에서 어떤 사람들은 전혀 이해하지 못합니다. 누군가 그를 "재 훈련"으로 이해한다는 것이 밝혀졌습니다. 재미있습니다.
그리고 그 용어가 일종의 과학계에 정착했다는 사실은 아무 의미가 없고, 온갖 암담하지만 잘 정립된 용어들이 많이 있는데, 과학은 전적으로 현실을 반영하지 않는 용어들로 이루어져 있으며, 이것은 "개시자"의 좁은 원에게만 분명합니다.
병렬 분기에서 나는 재교육 문제가 초기 데이터 목록의 올바른 선택에 의해서만 해결된다고 주장합니다. TA에서는 지표 세트입니다. 나는 또한 TS 자체를 만들기 전에 우리가 선택한 지표 세트가 이 TS에 유용할지 여부를 결정할 수 있다고 주장합니다. 그러나 우리가 이 문제를 풀면 단락이 나옵니다. 1과 2.
당신은 아마도 작업의 요점을 놓쳤을 것입니다. 전략에 대한 자동 검색입니다. 최종 전략에서는 특정 집합에서 선택한 몇 가지 지표만 사용할 수 있습니다. 사용 가능한 모든 기능을 사용할 수 있는 것은 아닙니다. 결과적으로 시장에 진입 하거나 퇴출하는 조건이 계산되고 방향 그래프로 표현되는 구조가 얻어진다. 그래프의 요소는 함수, 지표 및 상수(매개변수)입니다. 그래프를 구성할 수 있는 각 요소에는 그래프의 다른 요소와 상호 작용하기 위한 여러 규칙 그룹이 있으며, 이는 그래프에서 계산의 일부 "의미성"을 제어하는 데 필요합니다.
Stanislav Korotky : 이 용어는 어리석은 것이 아니라 시장 알고리즘 학자를 포함하여 전체 과학계의 "최고의 개 사육자들에 의해 승인된" 오래된 용어입니다. 깊이, 피치 및 기타 "측면" 매개변수 선택에 대한 귀하의 아이디어는 선택 품질(및 재교육 가능성)에 대한 이전 문제로 되돌아갑니다. 따라서 어떤 경우에도 포워드 분석 없이는 할 수 없습니다. 그리고 여러 섹션에 대해 분석해야 하는 것은 처음부터 간단합니다.
글쎄요, 설명해주세요 - 포워드의 저하를 어떻게 결정합니까 - 이것은 재훈련 또는 언더트레이닝입니다. 오버트레이닝은 언더트레이닝보다 특별한 방식으로 저하되나요?
훈련 조건의 품질을 결정하는 유일한 방법은 샘플 외에서 해당 테스트 품질을 확인하는 것입니다. 그리고 결과를 비교해야만 과최적화 또는 과소최적화를 말할 수 있습니다. 이제서야 최적화 부족과의 싸움에 대한 주제가 어디에도 표시되지 않습니다. 어떤 이유로 모든 사람은 코드의 품질이 아니라 신화적인 재최적화에서 악의 근원을 봅니다.
그러나 당신은 잊어 버리십니까, 훈련이이 사이트에서 훈련 결과의 기억으로 변형 된 사이트의 기억.
하지만 이 찌르기 방식이 자동화된다면?! 이 방향에 대한 흥미로운 생각. 지표가 변경되고 서로 상호 작용이 이루어지며 상호 작용이 별도의 기능으로 표시되며 매개 변수 수가 변경될 수 있으며 이에 따라 가장 간단한 최적화만 수행됩니다. 따라서 이 스레드에서 제기되는 질문은 흥미롭고 전략의 매개변수에 의존하지 않는 보다 보편적인 접근 방식입니다. 당신이 제안한 지점에서 완전히 다른 작업. 그러나 이러한 방법을 이 문제에 적용할 수 있음을 보여 주신다면 부탁드립니다.
테스터에는 서로 관련되어 있지만 근본적으로 고품질의 두 가지 기능이 있습니다.
1. TS 아이디어 자체의 검증(디버깅). 우리는 입력과 출력이 그것에 대한 우리의 생각과 일치하는지 확인합니다.
2. TS에 대한 우리의 아이디어가 고정된 TS의 매개변수 선택
그 후에는 아무것도 변경할 수 없습니다. 이 단계가 성공하면 TS를 실제에 적용하고 거래를 시작하기 때문입니다.
그리고 여기 가장 중요한 질문이 있습니다. 실제 거래의 효과가 훈련에서와 같을까요?
그리고 여기 그리고 병렬 분기에서이 질문이 제기됩니다.
실제 거래에서 다른 결과를 얻는 경우 이를 재교육이라고 합니다. TS를 만들 때 실제 키트에서는 찾을 수 없는 몇 가지 세부 사항을 교육 키트에서 포착했습니다. 병렬 스레드에서 나는 재교육 문제가 초기 데이터 목록의 올바른 선택에 의해서만 해결된다고 주장합니다. TA에서는 지표 세트입니다. 나는 또한 TS 자체를 만들기 전에 우리가 선택한 지표 세트가 이 TS에 유용할지 여부를 결정할 수 있다고 주장합니다. 그러나 우리가 이 문제를 풀면 단락. 1과 2.
이상적인 경우 지표가 균형을 이루고 역사의 다른 지평에서 서로 및 시장의 다른 측면을 제어한다면 오버트레이닝의 위험이 없습니다.
실제 거래에서 다른 결과를 얻는 경우 이를 재교육이라고 합니다. TS를 만들 때 실제 키트에서는 찾을 수 없는 몇 가지 세부 사항을 교육 키트에서 포착했습니다.
오히려 교육이 부족해 보인다. -)
제 생각에는 패턴을 포착하는 시스템의 능력과 이 능력이 떨어질 수 있는 최적화 함정을 구별하는 것이 필요합니다. 최적화 트랩은 OVERoptimization 및 UNDERoptimization, 코드 작성 프로세스의 관성, 인적 요소 등을 모두 포함하는 더 넓은 개념입니다. 다만 쓰레드 작성자는 아직 조언자들이 새고 있다는 사실만 염두에 두고 있었던 것 뿐이지..
즉, 그의 질문은 "최적화 함정을 피하는 방법"이어야 합니다.
그에게 조언하는 두 사람이 있습니다. 앞으로 확인하십시오. 최적화되지 않은 사이트에서는 삶이 나아질 것입니다.-0
그리고 코드를 작성하기 전에 표시기가 유용할지 여부를 결정할 수 있다면 정말 좋습니다! 그러면 테스트가 필요하지 않습니다. -)
환상이야
그렇다면 모든 살아있는 유기체는 환상입니다. 그것들은 똑같은 방식으로 만들어졌습니다. 그들은 유전적, 장기 및 조작 기억을 가지고 있으며 항상 배우고 있습니다. 그러나 우리는 말하지 않습니다 - 불쌍한 인류 - Forex까지 재교육되었습니다.-)
그렇다면 모든 살아있는 유기체는 환상입니다. 그것들은 정확히 같은 방식으로 제작됩니다. 그들은 유전적, 장기 및 조작 기억을 가지고 있으며 끊임없이 배우고 있습니다. 그러나 우리는 말하지 않습니다 - 불쌍한 인류 - Forex까지 재교육되었습니다.-)
"재 훈련"이라는 용어는 어리 석음이며, 고문 자체의 작동 불가능성을 정당화하기위한 것이며 앞으로 걷는 것과 함께 그 의미를 완전히 잃습니다. 변수가 재훈련되거나 과소 훈련되었으며, 실제로는 저하에서 볼 수 없습니다. 이것은 다른 조건과 최적화 및 테스트에서 forward 결과를 비교 해야만 알 수 있습니다. 그리고 스토리의 깊이와 앞으로의 발걸음은 각각의 경우에 개인적으로 선택되며, 무엇이 끝났고 무엇이 끝나지 않았는지 이미 명확합니다 .
"재 훈련"이라는 용어는 어리 석음이며, 고문 자체의 작동 불가능성을 정당화하기위한 것이며 앞으로 걷는 것과 함께 그 의미를 완전히 잃습니다. 변수가 재훈련되거나 과소 훈련되었으며, 실제로는 저하에서 볼 수 없습니다. 이것은 다른 조건과 최적화 및 테스트에서 forward 결과를 비교 해야만 알 수 있습니다. 그리고 스토리의 깊이와 앞으로의 발걸음은 각각의 경우에 개인적으로 선택되며, 무엇이 끝났고 무엇이 끝나지 않았는지 이미 명확합니다 .
응. 이 전체 문제에 대한 이해가 시작되면 "재훈련"이라는 용어의 적절성과 그 부적절성에 대한 이해에 대한 질문이 발생합니다. 4차 포럼에서 이 문제에 대한 토론이 있었지만 아직 토론할 사람이 있었습니다. '암기' 또는 '암기'라는 용어가 더 적합하다는 결론에 도달했습니다. 조언자는 부지런한 학생으로서 수업을 암기했지만 아무것도 이해하지 못했고 다른 조건에서는 지식을 적용 할 수 없습니다.
여기에서는 그 용어 자체조차 그런 의미에서 어떤 사람들은 전혀 이해하지 못합니다. 누군가 그를 "재 훈련"으로 이해한다는 것이 밝혀졌습니다. 재미있습니다.
그리고 그 용어가 일종의 과학계에 정착했다는 사실은 아무 의미가 없고, 온갖 암담하지만 잘 정립된 용어들이 많이 있는데, 과학은 전적으로 현실을 반영하지 않는 용어들로 이루어져 있으며, 이것은 "개시자"의 좁은 원에게만 분명합니다.
병렬 분기에서 나는 재교육 문제가 초기 데이터 목록의 올바른 선택에 의해서만 해결된다고 주장합니다. TA에서는 지표 세트입니다. 나는 또한 TS 자체를 만들기 전에 우리가 선택한 지표 세트가 이 TS에 유용할지 여부를 결정할 수 있다고 주장합니다. 그러나 우리가 이 문제를 풀면 단락이 나옵니다. 1과 2.
당신은 아마도 작업의 요점을 놓쳤을 것입니다. 전략에 대한 자동 검색입니다. 최종 전략에서는 특정 집합에서 선택한 몇 가지 지표만 사용할 수 있습니다. 사용 가능한 모든 기능을 사용할 수 있는 것은 아닙니다. 결과적으로 시장에 진입 하거나 퇴출하는 조건이 계산되고 방향 그래프로 표현되는 구조가 얻어진다. 그래프의 요소는 함수, 지표 및 상수(매개변수)입니다. 그래프를 구성할 수 있는 각 요소에는 그래프의 다른 요소와 상호 작용하기 위한 여러 규칙 그룹이 있으며, 이는 그래프에서 계산의 일부 "의미성"을 제어하는 데 필요합니다.
전략 찾기에 대한 아이디어가 있습니까?
이 용어는 어리석은 것이 아니라 시장 알고리즘 학자를 포함하여 전체 과학계의 "최고의 개 사육자들에 의해 승인된" 오래된 용어입니다. 깊이, 피치 및 기타 "측면" 매개변수 선택에 대한 귀하의 아이디어는 선택 품질(및 재교육 가능성)에 대한 이전 문제로 되돌아갑니다. 따라서 어떤 경우에도 포워드 분석 없이는 할 수 없습니다. 그리고 여러 섹션에 대해 분석해야 하는 것은 처음부터 간단합니다.
글쎄요, 설명해주세요 - 포워드의 저하를 어떻게 결정합니까 - 이것은 재훈련 또는 언더트레이닝입니다. 오버트레이닝은 언더트레이닝보다 특별한 방식으로 저하되나요?
훈련 조건의 품질을 결정하는 유일한 방법은 샘플 외에서 해당 테스트 품질을 확인하는 것입니다. 그리고 결과를 비교해야만 과최적화 또는 과소최적화를 말할 수 있습니다. 이제서야 최적화 부족과의 싸움에 대한 주제가 어디에도 표시되지 않습니다. 어떤 이유로 모든 사람은 코드의 품질이 아니라 신화적인 재최적화에서 악의 근원을 봅니다.