Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 1074
![MQL5 - Linguagem para estratégias de negociação inseridas no terminal do cliente MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
A primeira linha de seleção está totalmente correta agora. Segunda linha devemos combinar todas as melhores variáveis entre si em loop, e aprender RDF com cada combinação de características. Também aqui podemos aplicar diferentes transformações polinomiais
é assim que eu vejo as coisas.
Demorei muito tempo para entender seu primeiro código para implementar isto:))))...então agora por favor não me dê outro código:))
Sempre que você quiser transformar uma característica como preço próximo...por favor, certifique-se de coletá-la em uma variável a partir de dados de preços novos ou dados antigos treinados da matriz...que você deve fazer.:)))
Depois, basta chamar a função"CalculateNeuron(ker,degree)" com a variável e depois, quando receber a nova funcionalidade actualize-a na Matrix ou o que quiser fazer:))
Quero dizer, toda a tarefa de transformação de recursos usando GMDH será feita dentro da função que eu entendo corretamente...Agora, como você alimenta os valores e recupera os valores que são sua escolha... )))))
Bem, dá-me só mais tempo... Eu ainda não entendo nada, mas fique tudo bem :)
demasiados combinatórios aqui
mas na saída tudo deve estar claro - apenas uma matriz n-dimencional com características e fórmulas selecionadasBem, se você já entendeu seu código anterior (que eu entendi um pouco até agora :))... então devem ser apenas 2 minutos de trabalho para você :)))... porque eu não estou fazendo nada aqui... apenas copiando seu código anterior e substituindo-o por GMDH :))
Mas se você quiser fazer de outra maneira... você pode tomar seu próprio tempo:))))
Claro que não posso garantir a minha implementação do GMDH:)))... e não podemos saber nada até executarmos a EA final em modo de negociação AO VIVO:)))))... nem mesmo os resultados dos testes de retaguarda parecem ser confiáveis...
Então você pode tentar seu próprio caminho ou você pode apenas me avisar no caso de precisar do código para "(CalculateNeuron(ker,degree)" para implementar
Se funcionar, posso até expandir os componentes de base para 20 ou 30... e pode ser lento durante o treinamento e pode ser lento na negociação também devido a múltiplos para loops...mas como vai verificar apenas um valor de grau de cada vez e, portanto, podemos esperar uma velocidade média...
Para você, talvez você possa entender.
Ok, vou tentar...mas vou fazer 100 perguntas diferentes sobre este código também e você deve estar pronto para responder:)))...
Porque você deve entender que é completamente sua abordagem e também, você está tentando codificar de uma maneira diferente que não tem ligação com seu código anterior e, portanto, eu não tenho como entender até entender exatamente o que você está tentando fazer nesta versão... Então vai levar mais algum tempo para entender e então, eu vou tentar criar uma ponte para a GMDH...
usamos seleção genética para gdmh
para isso, devemos primeiro aprender RDF com cada recurso separadamente, você entende isso?
O que você quer dizer com seleção genética da GDMH?
No meu conhecimento do GMDH, para cada conjunto de características ou inputs, ele dará uma saída como uma soma de todos os inputs quebrando em pedaços de características. Então se você der uma característica você terá uma saída e mesmo se você der 100 características você terá uma saída SOMENTE como soma de pedaços quebrados de todas as características anteriores e isso é tudo é GMDH
1.Se você der APENAS uma característica como entrada, ela dará uma saída= característica1*peso1
ou
2.Se você der uma característica e todas as características anteriores (nova característica ou características treinadas do RDF), então ele apenas transformará a característica atual para a nova característica output=feature1*w1+feature2*w2+feature3*w3+....m componentes das características base
SO aqui se você quiser transformar uma nova funcionalidade, então crie um array para armazenar as funcionalidades treinadas do RDF e então, passe-o para a função "CalculateNeuron(ker,degree)". mas você precisa passar mais um elemento de array para esta função.
você pode apenas fornecer o esquema da sua visão gmdh? passo a passo
Dê-me algum tempo...Eu lhe fornecerei o código fonte completo tanto da biblioteca GMDH quanto da EA implementada usando seu código anterior...Eu estou apenas procurando por ele agora:)))
Tenho andado a bisbilhotar em todos os níveis com "MO". (aqueles MOs estão à procura de níveis de ressalto antecipados), às vezes os sinais não saem maus
E às vezes o sistema fica louco numa tendência
===================
Não sei a razão pela qual, como filtrar, alguém o tem feito ou sou o único no campo?
não precisamos de resumir os preditores com '+', porque não utilizamos o linerar solver. Em vez disso, nós apenas adicionamos novos inputs, passo a passo, aumentando o número de características e suas combinações
Getetic significa que trabalhamos apenas com os melhores preditores em cada passo de transformação, não com cada preditor. Por isso, seleccionamos apenas n melhor em cada passo
Não há problema então, você apenas cria um array dinâmico e a cada passo passa esses elementos de array como entradas para a função "Neuron function()", mas você precisa adicionar mais uma entrada a essa função.
Eu estou usando as entradas do "Calsignal()" onde você copia os preços de fechamento... Então ao invés disso você apenas adiciona os elementos do array em cada etapa do treinamento de RDF e então, libera o array.Você o obteve?
Eu vou colar os códigos no meu próximo post. Por favor, copie e, em seguida, apague o post.
GMDH EA:
não precisamos de resumir os preditores com '+', porque não utilizamos o linerar solver. Em vez disso, nós apenas adicionamos novos inputs, passo a passo, aumentando o número de características e suas combinações
Getetic significa que trabalhamos apenas com os melhores preditores em cada passo de transformação, não com cada preditor. Por isso, seleccionamos apenas n melhor em cada passo
Por favor, copie o código e avise-me...eu vou apagar o código: