Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 45
![MQL5 - MetaTrader 5 müşteri terminalinde yerleşik ticaret stratejileri dili](https://c.mql5.com/i/registerlandings/logo-2.png)
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Tamam, bunlar tarihteki ticaretin çok iyi göstergeleri! Tebrikler.
Bir tahmin edicinin aralığından birkaç tahmin edici nasıl yapılır? anlamıyorum.
Oh, çok basit) kümeleme ...
1) Her tahmin ediciyi alıyoruz ve diyelim ki 50 kümeye (kümelemenin iki tipte gerçekleştirilebileceği ve yapılması gerektiği) kümelendiriyoruz. normalleştirilmiş tahmin ediciyi bir görüntü şeklinde kümelemek için küme ) karmaşıkta her şey insan görüşü gibi ortaya çıkacak, tahmin edicinin yalnızca sayısal "gerçek" değerlerini değil, aynı zamanda görüntü - kıvrımları, eğimleri de bileceğiz
2) Sütunların kümeler, 50 küme ---> 50 sütun ---> 50 tahmin edici olduğu bir tablo oluşturuyoruz , bu tahmin edicilerin önemini bazı algoritmalarla kontrol ediyoruz ve 50 tahmin ediciden sadece 1-5'inin önemli olduğunu görüyoruz. ve onları bırakıyoruz
3) sonraki tahmin ediciyi alın, kümeleyin ve 1. ve 2. adımları tekrarlayın
teorik olarak, öngörücü içindeki böyle bir seçim, büyüklük sırasına göre tanıma kalitesini artırmalıdır ...
ama dezavantajları var
1) pahalı hesaplamalar
2) Her bir tahmin edici tek tek bölünürse ve içleri diğer tahmin edicilerin içlerinden ayrı olarak değerlendirilirse, tahmin ediciler arasındaki ilişkiyi tahmin etmek imkansız olacaktır, bunun bir şekilde çözülmesi gerekir.
Oh, çok basit) kümeleme ...
1) Her tahmin ediciyi alıyoruz ve diyelim ki 50 kümeye (kümelemenin iki tipte gerçekleştirilebileceği ve yapılması gerektiği) kümelendiriyoruz. normalleştirilmiş tahmin ediciyi bir görüntü şeklinde kümelemek için küme ) karmaşıkta her şey insan görüşü gibi ortaya çıkacak, tahmin edicinin yalnızca sayısal "gerçek" değerlerini değil, aynı zamanda görüntü - kıvrımları, eğimleri de bileceğiz
2) Sütunların kümeler, 50 küme ---> 50 sütun ---> 50 tahmin edici olduğu bir tablo oluşturuyoruz, bu tahmin edicilerin önemini bazı algoritmalarla kontrol ediyoruz ve 50 tahmin ediciden sadece 1-5'inin önemli olduğunu görüyoruz. ve onları bırakıyoruz
3) sonraki tahmin ediciyi alın, kümeleyin ve 1. ve 2. adımları tekrarlayın
teorik olarak, öngörücü içindeki böyle bir seçim, büyüklük sırasına göre tanıma kalitesini artırmalıdır ...
ama dezavantajları var
1) pahalı hesaplamalar
2) Her bir tahmin edici tek tek bölünürse ve içleri diğer tahmin edicilerin içlerinden ayrı olarak değerlendirilirse, tahmin ediciler arasındaki ilişkiyi tahmin etmek imkansız olacaktır, bunun bir şekilde çözülmesi gerekir.
Yani deneyebilirsiniz. Genel olarak, böyle bir yöntem var. Bir çıktı öngörücü dağılım grafiği oluşturulur. İdeal olarak, iyi bir ilişki olacaktır. Ancak bir aralıkta (genellikle kuyruklarda) bağımlılık bulanıksa, bu gözlemler hariç tutulur.
bu yöntemin adı nedir?
r-ke'de var mı?
2 numaralı problem nasıl çözülür?
bu yöntemin adı nedir?
r-ke'de var mı?
2 numaralı problem nasıl çözülür?
Bu arada ilgilenen var mı yok mu anlamadım. 5 yıl boyunca geçerliliği kanıtlanmış, eğitimli bir robota mı ihtiyacınız var?
Çok
tatilden döndüm. Dosyaları hazırlayabilir ve gönderebilirim ve kimin ihtiyacı varsa, kendisi için geliştirecektir.
Zor olmasa da nokta nokta robotu nasıl yarattığınla ilgileniyorum...
1) Yönteminize göre seçilen özellikler
2) modeli eğitti
ve tüm?
Zor olmasa da nokta nokta robotu nasıl yarattığınla ilgileniyorum...
1) Yönteminize göre seçilen özellikler
2) modeli eğitti
ve tüm?
Bu, her zaman işe yarayan genel bir şemadır.
GBM çalıştırmasından sonra özellikleri önem açısından sıralarım. Ve farklı miktarlar deniyorum. Makine GBM aracılığıyla öğreniyor ve ben çeşitli fitness fonksiyonlarını denedim. Çapraz doğrulama kullanılır. Parametreleri de değişir. Ve hala nüanslar var.
Genel olarak, daha zorun her zaman daha iyi olmadığını söyleyen bir sonuç aldım. EURUSD'de, model yalnızca 5 tahmin edici ve yalnızca iki çapraz doğrulama kıvrımı kullanır.
Çok ilginç bir sinir ağı http://gekkoquant.com/2016/05/08/evolving-neural-networks-through-augmenting-topologies-part-3-of-4/ kendi başına ticaret yapabileceğini düşünüyor musun ve hatalarını nasıl öğreneceksin? Ve eğer öyleyse, nasıl, tartışmaya davet ediyorum
Geliştirici, ağın pekiştirmeli öğrenme algoritmasının yerini alabileceğini söylüyorsa, bu umut vericidir.
Denemeniz gerekiyor. Ama konu ilginç.
Geliştirici, ağın pekiştirmeli öğrenme algoritmasının yerini alabileceğini söylüyorsa, bu umut vericidir.
Denemeniz gerekiyor. Ama konu ilginç.
Katılıyorum, ilginç ... ama orada gerçekten hiçbir şey anlamıyorum, ideolojiden başlayıp kodun kendisiyle biten birçok şey ve bilmediğim birçok operatör var.
Birisi tüm bunları en azından ticarette nasıl uygulanacağına dair basit örneklerle açıklayabilirse, bu benim gibi cahiller için deneyler için iyi bir itici güç olacaktır.