Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 1537
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
argümanlar?
Hangi argümanlar gereklidir - varsayılan olarak parametre 6, ayarlar tablosundan gelir.
Garip, çünkü ağacın derinliği daha çok tahminciler arasındaki tamamlanmış ilişkilere bağlı, bu nedenle, grafiklere bakılırsa, bu iki bağımsız ilişkiden toplam karmaşıklığın yaklaşık 200'ünün iyi bir model oluşturması şaşırtıcı.
Hangi argümanlar gereklidir - varsayılan olarak parametre 6, ayarlar tablosundan gelir.
Garip, çünkü ağacın derinliği daha çok tahminciler arasındaki tamamlanmış ilişkilere bağlı, bu nedenle, grafiklere bakılırsa, bu iki bağımsız ilişkiden toplam karmaşıklığın yaklaşık 200'ünün iyi bir model oluşturması şaşırtıcı.
Bu yüzden verilerin dışa aktarıldığını söylüyorum. Orman üzerlerinde yeniden eğitildi (belki ormanın bu özelliğini özellikleri kategorilere ayırarak düzeltmek mümkün olacaktır). Şimdi 6 ayarladım - trende yeniden eğitim önemli, Akurasi 0.9'un altında.
6 benim için çok fazla, 2-4 iyi
Ormanla analoji doğrudandır, orada ağaçların derinliği sınırlı değildir.Bu yüzden verilerin dışa aktarıldığını söylüyorum. Orman üzerlerinde yeniden eğitildi (belki ormanın bu özelliğini özellikleri kategorilere ayırarak düzeltmek mümkün olacaktır). Şimdi 6 ayarladım - trende yeniden eğitim önemli, Akurasi 0.9'un altında.
6 benim için çok fazla, 2-4 iyi
Ormanla analoji doğrudandır, orada ağaçların derinliği sınırlı değildir.Anlamıyorum, daha önce artımlar şeklinde tahminleriniz olduğunu söylediniz, oysa onlardan kategorik tahmin ediciler yapmak istiyorsunuz?
Ağacın görünümünden, aslında pek bir şey değişmez - ağaçları parçalara ayırdım, orada ağacın birçok bireysel yaprağı aslında tek bir uzun yaprakta birleştirilir ve bu yaprakların çok büyük bir kısmı çoğaltılır veya anlamsızdır. ara değerler / kesilebilir bağlantılar. Genel olarak benim örneğimde ağacın derinliğinin ağaç sayısını etkilediğini gördüm ve sonuç 4 bölmeli bir ağaçta da aynı şekilde elde edilebilir.
Anlamıyorum, daha önce artımlar şeklinde tahminleriniz olduğunu söylediniz, oysa onlardan kategorik tahmin ediciler yapmak istiyorsunuz?
Ağacın görünümünden, aslında pek bir şey değişmez - ağaçları parçalara ayırdım, orada ağacın birçok bireysel yaprağı aslında tek bir uzun yaprakta birleştirilir ve bu yaprakların çok büyük bir kısmı çoğaltılır veya anlamsızdır. ara değerler / kesilebilir bağlantılar. Genel olarak benim örneğimde ağacın derinliğinin ağaç sayısını etkilediğini gördüm ve sonuç 4 bölmeli bir ağaçta da aynı şekilde elde edilebilir.
İlk önce kategorilere ayırın, örneğin 20 aralık kategorisine. Sonra karar verene kadar tek sıcak kodlama (hayali işaretler aracılığıyla) veya başka bir şey. Sonuç olarak, her özellik ikili veya bunun gibi bir şey olacaktır.
orman için daha farklı değerler, daha fazla yeniden eğitim. Eğitim setindeki bir artışla, fazla takma artar. Catbust yapmaz. Bu nedenle, orman için, kategorilere ayırarak sürekli özellikler için seçeneklerin sayısını azaltmaya çalışın. Bunun yardımcı olup olmayacağından emin değilim, göreceğiz.
önyargı-varyans takası ya da her neyse.
İlk önce kategorilere, örneğin 20 aralığa bölün. Sonra karar verene kadar tek sıcak kodlama (hayali işaretler aracılığıyla) veya başka bir şey. Sonuç olarak, her özellik ikili veya bunun gibi bir şey olacaktır.
Bilmiyorum, amaç veri işlemeyi hızlandırmak, bu tür tahmincileri bölmemek, bir yaprak zincirinde birbirleriyle karşılaştırmamak daha olası, maalesef kayda değer bir etki görmedim. . Ve mantık, bunların karşılaştırılabilir değerler olmamasıdır, bu, rastgele seçimi eşitlemek için bir grup halinde birleştirilen tek-sıcak kodlamadır.
orman için daha farklı değerler, daha fazla yeniden eğitim. Eğitim setindeki bir artışla, fazla takma artar. Catbust yapmaz.
Numunenin oradaki eğitime bağımlılığı da açık değil - benzer çalışmaları yarım yıl veya daha önce yaptım. Aksine, karşılaştırılabilir olması gereken verilere bir bağımlılık vardır.
MO için kalıpları tanımlamak için basit ve ilginç bir yaklaşım
https://www.quanttrader.com/index.php/a-simple-algorithm-to-detect-complex-chart-patterns/KahlerPhilipp2019
mega-ilkel, modeli çok daha doğru bir şekilde tanımlamanın yolları var
mega-ilkel, modeli çok daha doğru bir şekilde tanımlamanın yolları var
Örneğin?
En az 3 aylık bir çalışma için gerçek hayatta teyit edilen (test raporları beni ilgilendirmiyor) Kâse için makul bir miktar ödemeye hazırım.
Kase'nin gerçek maliyetinin = tüccarın mevcut özkaynaklarının toplamı olduğunu düşünüyorum. Onlar. hesapta 1000$ öz sermaye var, bu da TS'nin aynı tutara mal olduğu anlamına geliyor. Kase'ye sahip olan, sinir ağı teknolojilerine ve/veya fiziksel ve matematiksel modellere, gerçek durumlara ve satmaya istekli - kişisel olarak yazacağız, tartışacağız.
Piyasada gerçekten para kazanan kişi, teknolojilerini yeşillik limonlarına, belki de yüzlerce limona satmaz ... ayrıca, eğlence uğruna, birileri "olduğu gibi" yumuşak bir "kara kutu" sunsa bile. uygun tahminler veya hazır sinyaller, ya olması gerektiği gibi çalışıyorsa, verileri ayda 10-30 bin ABD Doları arasında itmek gerekiyor ve performans kalitesi verilerden bile daha pahalı ve çok daha fazlası gerekiyor, karşılaştırmak gibi bir şey kum havuzundaki bir çocuk ve bir altın madenciliği şirketi, bir çocuk kepçeyle altın madeni kazmak istiyor ama bir şeyler yolunda gitmiyor ... belki başka bir kepçe alabilir? Bahçede böyle bir kepçe olan diğer çocuklara sorun. Büyük olasılıkla biri "yapacak", çocuklar genellikle hayalperesttir :)
Bilmiyorum, amaç veri işlemeyi hızlandırmak, bu tür tahmincileri bölmemek, bir yaprak zincirinde birbirleriyle karşılaştırmamak daha olası, maalesef kayda değer bir etki görmedim. . Ve mantık, bunların karşılaştırılabilir değerler olmamasıdır, bu, rastgele seçimi eşitlemek için bir grup halinde birleştirilen tek-sıcak kodlamadır.
Numunenin oradaki eğitime bağımlılığı da açık değil - benzer çalışmaları yarım yıl veya daha önce yaptım. Aksine, karşılaştırılabilir olması gereken verilere bir bağımlılık vardır.
İngilizce'deki bu makalede hemen hemen bununla ilgili, evet, bir değişkenin değerlerini birbiriyle karşılaştırmamak için, birçoğu olduğunda - bu sadece yeniden eğitime yol açar
belki boyundan değil ama başka biri, ben ne görüyorsam onu söylüyorum. Örneği artırıyorum - Tren'de daha güzel, testte daha kötü oluyor. Trenin boyutunun artmasıyla genelleme artmalıysa da, ormanlar için tam tersi ortaya çıkıyor.
Örneğin?
dtw, spektral analiz.. paket..
Ölçeklerinden bağımsız olarak aynı kalıpları görebilen bir algoritma oluşturmayı başardım, bir grafiğe bakan bu algoritma sadece bir grafiğe bakarak hem dakikalarda hem de haftalık grafikte kalıbı görecek ve gerçekten tahmin edebilecek, ama hala çok iş var