비선형 회귀는 기계 학습 모델 을 말하며 모델의 주요 문제는 과적합입니다. 위에 이미 작성된 대로 차트의 현재 부분에 다시 맞추는 것입니다. 이 모델은 지속적으로 새로운 데이터에 맞게 조정되므로 특정 영역에서는 효율성이 0에 가까운 경향이 있습니다. 이러한 일이 발생하지 않도록 하려면 교차 검증 및 샘플 테스트를 사용해야 합니다. 주제를 어느 정도 연구한 사람이라면 테스터를 실행하지 않아도 이 채널이 실제 데이터에서 작동하지 않을 것이라는 점을 즉시 알 수 있습니다.
비선형 회귀 는 기계 학습 모델을 말하며 모델의 주요 문제는 과적 합입니다. 위에 이미 작성된 대로 차트의 현재 부분에 다시 맞추는 것 입니다. 이 모델은 지속적으로 새로운 데이터에 맞게 조정되므로 특정 영역에서는 효율성이 0에 가까운 경향이 있습니다. 이러한 일이 발생하지 않도록 하려면 교차 검증 및 샘플 테스트를 사용해야 합니다. 주제를 어느 정도 연구한 사람이라면 테스터를 실행하지 않아도 이 채널이 실제 데이터에서 작동하지 않을 것이라는 점을 즉시 알 수 있습니다.
N차 다항식의 차분 방정식에는 이러한 단점이 없습니다. 조만간 이 방정식의 채널도 확인할 것입니다.
고전 EMA의 공식을 취하면 이것은 1차 차등 방정식이지만(그러나 2차 차수 - 특정 차수는 눈금자 또는 패턴) 직선, 아르키메데스 지렛대의 완전한 아날로그. 보간. 이전에 계산된 포인트와 마지막 가격 값에 따라 계산된 포인트에 인접한 포인트가 생성되며 더 이상 다시 그려지지 않습니다.
2차 다항식의 경우 이미 이전에 계산된 두 점과 마지막 가격(시작점 또는 끝에서 두 번째 막대의 중앙값을 취함)으로 점이 처음 두 개에 인접하게 만들어지고 다시 그려지지 않습니다. 등. 공식을 뒤집으면 외삽할 수 있습니다. 즉, 계산된 세 개의 인접 점을 사용하여 두 번째 차수의 다항식을 기반으로 처음 세 개에서 주어진 거리로 네 번째 점을 구성할 수 있습니다. 그리고 이 점 역시 다시 그려지지 않습니다.
필요한 경우 구성선의 가시성 모드를 켤 수 있습니다(이는 주기에서 주어진 하나까지의 모든 인접 지점 계산). 이러한 구성선은 각각의 새 가격에서 이미 다시 그려집니다.
고전 EMA의 공식을 취하면 이것은 1차 차등 방정식이지만(그러나 2차 차수 - 특정 차수는 눈금자 또는 패턴) 직선, 아르키메데스 지렛대의 완전한 아날로그. 보간. 이전에 계산된 포인트와 마지막 가격 값에 따라 계산된 포인트에 인접한 포인트가 생성되며 더 이상 다시 그려지지 않습니다.
2차 다항식의 경우 이미 이전에 계산된 두 점과 마지막 가격(시작점 또는 끝에서 두 번째 막대의 중앙값을 취함)으로 점이 처음 두 개에 인접하게 만들어지고 다시 그려지지 않습니다. 등. 공식을 뒤집으면 외삽할 수 있습니다. 즉, 계산된 세 개의 인접 점을 사용하여 두 번째 차수의 다항식을 기반으로 처음 세 개에서 주어진 거리로 네 번째 점을 구성할 수 있습니다. 그리고 이 점 역시 다시 그려지지 않습니다.
필요한 경우 구성선 가시성 모드를 켤 수 있습니다. 이러한 구성선은 각각의 새 가격에서 이미 다시 그려집니다.
이 방정식은 거래 예측을 약속하지 않으며 전체 기록을 기반으로 주어진 다항식 또는 사인 곡선의 곡선만 작성합니다.
실제로 회귀와 마찬가지로 거래 예측을 약속하지 않습니다. :)
이제 내 주요 아이디어는 특정 데이터가 있는 임의의 포리스트를 통해 가장 유익한(현재) 기능을 자동으로 선택하는 것입니다. 간격과 자동 재훈련 .. 왜냐하면 전체 히스토리를 취하면 모델이 너무 거칠어지고 조금만 취하면 항상 다시 훈련되기 때문입니다 .. 그리고 기능 중요도 를 통해 기능의 품질과 양을 변경하면 교차 검증을 수행하면 주기적으로 필요한 패턴을 캡처할 수 있습니다.
그러나 이것은 출혈이 너무 커서 이것에 연루된 것을 오랫동안 후회했지만 되돌릴 수 없습니다. :)
이제 내 주요 아이디어는 특정 데이터가 있는 임의의 포리스트를 통해 가장 유익한(현재) 기능을 자동으로 선택하는 것입니다. 간격과 자동 재훈련 .. 왜냐하면 전체 히스토리를 취하면 모델이 너무 거칠어지고 조금만 취하면 항상 다시 훈련되기 때문입니다 .. 그리고 기능 중요도 를 통해 기능의 품질과 양을 변경하면 교차 검증을 수행하면 주기적으로 필요한 패턴을 캡처할 수 있습니다.
그러나 이것은 출혈이 너무 커서 이것에 연루된 것을 오랫동안 후회했지만 되돌릴 수 없습니다. :)
여기에서 우리는 이미 신경망으로 올라갔지만 거기에는 채널이 표시되지 않습니다. :) 비록 그들이 코드에 있을 수 있지만.
그러나 관성 또는 정현파 선을 고려하여 구축된 선에 시각적 채널을 부착하는 것은 가능합니다. )
비선형 회귀는 기계 학습 모델 을 말하며 모델의 주요 문제는 과적합입니다. 위에 이미 작성된 대로 차트의 현재 부분에 다시 맞추는 것입니다. 이 모델은 지속적으로 새로운 데이터에 맞게 조정되므로 특정 영역에서는 효율성이 0에 가까운 경향이 있습니다. 이러한 일이 발생하지 않도록 하려면 교차 검증 및 샘플 테스트를 사용해야 합니다. 주제를 어느 정도 연구한 사람이라면 테스터를 실행하지 않아도 이 채널이 실제 데이터에서 작동하지 않을 것이라는 점을 즉시 알 수 있습니다.
비선형 회귀 는 기계 학습 모델을 말하며 모델의 주요 문제는 과적 합입니다. 위에 이미 작성된 대로 차트의 현재 부분에 다시 맞추는 것 입니다. 이 모델은 지속적으로 새로운 데이터에 맞게 조정되므로 특정 영역에서는 효율성이 0에 가까운 경향이 있습니다. 이러한 일이 발생하지 않도록 하려면 교차 검증 및 샘플 테스트를 사용해야 합니다. 주제를 어느 정도 연구한 사람이라면 테스터를 실행하지 않아도 이 채널이 실제 데이터에서 작동하지 않을 것이라는 점을 즉시 알 수 있습니다.
N차 다항식의 차분 방정식에는 이러한 단점이 없습니다. 조만간 이 방정식의 채널도 확인할 것입니다.
N차 다항식의 미분 방정식에는 이러한 단점이 없습니다. 조만간 이 방정식의 채널도 확인할 것입니다.
그것은 무엇입니까? ) 미분 방정식, 그리고 그것들이 박탈되는 이유는 무엇입니까?
그것은 무엇입니까? ) 미분 방정식, 그리고 그것들이 박탈되는 이유는 무엇입니까?
고전 EMA의 공식을 취하면 이것은 1차 차등 방정식이지만(그러나 2차 차수 - 특정 차수는 눈금자 또는 패턴) 직선, 아르키메데스 지렛대의 완전한 아날로그. 보간. 이전에 계산된 포인트와 마지막 가격 값에 따라 계산된 포인트에 인접한 포인트가 생성되며 더 이상 다시 그려지지 않습니다.
2차 다항식의 경우 이미 이전에 계산된 두 점과 마지막 가격(시작점 또는 끝에서 두 번째 막대의 중앙값을 취함)으로 점이 처음 두 개에 인접하게 만들어지고 다시 그려지지 않습니다. 등. 공식을 뒤집으면 외삽할 수 있습니다. 즉, 계산된 세 개의 인접 점을 사용하여 두 번째 차수의 다항식을 기반으로 처음 세 개에서 주어진 거리로 네 번째 점을 구성할 수 있습니다. 그리고 이 점 역시 다시 그려지지 않습니다.
필요한 경우 구성선의 가시성 모드를 켤 수 있습니다(이는 주기에서 주어진 하나까지의 모든 인접 지점 계산). 이러한 구성선은 각각의 새 가격에서 이미 다시 그려집니다.
수식 예.
나눗셈 공식(첫 번째 및 세 번째)은 보간(구간 내부의 점 찾기)입니다.
나눗셈이 없는 공식은 외삽(원래 간격 외부의 점 찾기)입니다.
엄격하지 않은 경우:
고전 EMA의 공식을 취하면 이것은 1차 차등 방정식이지만(그러나 2차 차수 - 특정 차수는 눈금자 또는 패턴) 직선, 아르키메데스 지렛대의 완전한 아날로그. 보간. 이전에 계산된 포인트와 마지막 가격 값에 따라 계산된 포인트에 인접한 포인트가 생성되며 더 이상 다시 그려지지 않습니다.
2차 다항식의 경우 이미 이전에 계산된 두 점과 마지막 가격(시작점 또는 끝에서 두 번째 막대의 중앙값을 취함)으로 점이 처음 두 개에 인접하게 만들어지고 다시 그려지지 않습니다. 등. 공식을 뒤집으면 외삽할 수 있습니다. 즉, 계산된 세 개의 인접 점을 사용하여 두 번째 차수의 다항식을 기반으로 처음 세 개에서 주어진 거리로 네 번째 점을 구성할 수 있습니다. 그리고 이 점 역시 다시 그려지지 않습니다.
필요한 경우 구성선 가시성 모드를 켤 수 있습니다. 이러한 구성선은 각각의 새 가격에서 이미 다시 그려집니다.
수식 예.
나눗셈 공식(첫 번째 및 세 번째)은 보간(구간 내부의 점 찾기)입니다.
나눗셈이 없는 공식은 외삽(원래 간격 외부의 점 찾기)입니다.
궁금하지만, 예를 들어 이것이 비정상 시장을 적절하게 예측해야 하는 이유를 잘 이해하지 못합니다.
저는 현재 이 내용을 읽고 있습니다. http://blog.datadive.net/selecting-good-features-part-iv-stability-selection-rfe-and-everything-side-by-side/
궁금하지만, 예를 들어 이것이 비정상 시장을 적절하게 예측해야 하는 이유를 잘 이해하지 못합니다.
저는 현재 이 내용을 읽고 있습니다. http://blog.datadive.net/selecting-good-features-part-iv-stability-selection-rfe-and-everything-side-by-side/
이 방정식은 거래 예측을 약속하지 않으며 전체 기록을 기반으로 주어진 다항식 또는 사인 곡선의 곡선만 작성합니다.
실제로 회귀와 마찬가지로 거래 예측을 약속하지 않습니다. :)
이 방정식은 거래 예측을 약속하지 않으며 전체 기록을 기반으로 주어진 다항식 또는 사인 곡선의 곡선만 작성합니다.
실제로 회귀와 마찬가지로 거래 예측을 약속하지 않습니다. :)
이제 내 주요 아이디어는 특정 데이터가 있는 임의의 포리스트를 통해 가장 유익한(현재) 기능을 자동으로 선택하는 것입니다. 간격과 자동 재훈련 .. 왜냐하면 전체 히스토리를 취하면 모델이 너무 거칠어지고 조금만 취하면 항상 다시 훈련되기 때문입니다 .. 그리고 기능 중요도 를 통해 기능의 품질과 양을 변경하면 교차 검증을 수행하면 주기적으로 필요한 패턴을 캡처할 수 있습니다.
그러나 이것은 출혈이 너무 커서 이것에 연루된 것을 오랫동안 후회했지만 되돌릴 수 없습니다. :)
이제 내 주요 아이디어는 특정 데이터가 있는 임의의 포리스트를 통해 가장 유익한(현재) 기능을 자동으로 선택하는 것입니다. 간격과 자동 재훈련 .. 왜냐하면 전체 히스토리를 취하면 모델이 너무 거칠어지고 조금만 취하면 항상 다시 훈련되기 때문입니다 .. 그리고 기능 중요도 를 통해 기능의 품질과 양을 변경하면 교차 검증을 수행하면 주기적으로 필요한 패턴을 캡처할 수 있습니다.
그러나 이것은 출혈이 너무 커서 이것에 연루된 것을 오랫동안 후회했지만 되돌릴 수 없습니다. :)
여기에서 우리는 이미 신경망으로 올라갔지만 거기에는 채널이 표시되지 않습니다. :) 비록 그들이 코드에 있을 수 있지만.
그러나 관성 또는 정현파 선을 고려하여 구축된 선에 시각적 채널을 부착하는 것은 가능합니다. )
여기에서 우리는 이미 신경망으로 올라갔지만 거기에는 채널이 표시되지 않습니다. :) 비록 그들이 코드에 있을 수 있지만.
그러나 관성 또는 정현파 선을 고려하여 구축된 선에 시각적 채널을 부착하는 것은 가능합니다. )
글쎄, 왜, 하지만 ns의 출력에서 값에 따라 곡선을 만들고 채널을 만들 수 있습니다. 하지만 채널에서 많은 점이 보이지 않기 때문에 TS에 대한 대부분의 다른 종류의 신호는 건너뛰고 평균으로 되돌리기 위한 하나의 전략만 얻습니다.
글쎄, 왜, 하지만 ns의 출력에서 값에 따라 곡선을 만들고 채널을 만들 수 있습니다. 하지만 채널에서 많은 점이 보이지 않기 때문에 TS에 대한 대부분의 다른 종류의 신호는 건너뛰고 평균으로 되돌리기 위한 하나의 전략만 얻습니다.
안녕하세요, 맥심입니다! 바로 그 일이 일어납니다.