Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 3070
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
Pazarlık yapmıyorum. Benden öğretmemi istediniz - bana işaretleri verin, öğreteyim ve test edeyim. Eğer iyi çıkarsa, size kaynak kodunu vereceğim.
Eğer normal işaretler varsa, bunlardan çok fazla olamaz. 6 bin işaretli veri kümelerine ihtiyacım yok, bunun için zamanım yok
Yoksa başka şeyler yaparım.
Tek satırda işaretlerim yok - bunları python'da yeniden üretmek için daha fazla zaman harcayacaksınız. Yaklaşımın etkinliğini verilerim üzerinde test etmek ve ardından tahminci hesaplama kodunu uygulayıp uygulamayacağıma karar vermek daha mantıklı.
Diğerlerine göre çok "iyi" tahmincilerim olsaydı, bunları halka açık hale getirmek için acele etmezdim :) Bunu yapabilirsiniz - bana kabul edilebilir bir sonucu olan bir model alın ve oradan modeldeki önemine göre (tanımının yollarından birine göre) 20 tahmin ediciyi çıkarın.
Ayrıca, önerilen yöntemin ikili tahmin ediciler üzerindeki etkinliği ile de ilgileniyorum - bunlar tahmin edicilerin kuantum segmentleridir ve bu teknolojinin yeniden üretilmesi o kadar hızlı değildir, bu nedenle bir dizi tercih edilebilir - ancak burada büyük hacimli tahmin edicilerle sonuçla ilgileniyorum.
Bir şey ilginç olacaksa, o zaman zaten tahmin edicileri hesaplama mantığına ve bunların uygulanmasına girmek için zaman ve çaba harcayabiliriz.
Tek satırlık özelliklerim yok - bunları python'da yeniden üretmek için daha fazla zaman harcayacaksınız. Yaklaşımın etkinliğini verilerim üzerinde test etmek ve ardından tahminci hesaplama kodunu uygulayıp uygulamayacağıma karar vermek daha mantıklı.
Diğerlerine göre çok "iyi" tahmincilerim olsaydı, bunları kamuya açık hale getirmek için acele etmezdim :) Bunu yapabilirsiniz - bana kabul edilebilir bir sonucu olan bir model alın ve oradan modeldeki önemine göre (tanımının yollarından birine göre) 20 tahmin ediciyi çıkarın.
Ayrıca, önerilen yöntemin ikili tahmin ediciler üzerindeki etkinliği ile de ilgileniyorum - tahmin edicilerden kuantum segmentleri ve bu teknolojinin yeniden üretilmesi o kadar hızlı değil, bu yüzden bir dizi tercih edilebilir - ancak burada büyük hacimli tahmin edicilerle sonuçla ilgileniyorum.
Bir şey ilginç olacaksa, o zaman zaten tahmin edicileri hesaplama mantığına ve bunların uygulanmasına girmek için zaman ve çaba harcayabiliriz.
Çok havasız. Kendi özellik hesaplamalarınızdan 10-20 örnek verin. Farklı periyotlara sahip bir tane olabilir. İşaretleri hesaplamak için giriş formülleri üzerinde.
Büyük hacimli ikili özellikler sayılmayacaktır.
Bu 3 bin modelden en iyi birkaç sonuç:
Farklı etiket örneklemeleriyle bile aynı "modeller" bulunmuş gibi görünüyor. Tüm grafikler benzer. Diğer çiplerde başka resimler olacaktır.
Buna ek olarak, önerilen yöntemin tahmin edicilerden kuantum segmentleri olan ikili tahmin ediciler üzerindeki etkinliği ile de ilgileniyorum,
Fişi 16 kuanta bölmek (örneğin) ve sonra 0 ve 1 ile 16 fişe bölmek mi?
Birincil çipin değerleri gerekli kuantumda ise 1, başka herhangi bir kuantumda ise 0 mı?
Bu, bir fişi 16 kuanta bölmek (örneğin) ve daha sonra 0 ve 1 ile 16 fişe bölmek midir?
Birincil özelliğin değerleri gerekli kuantumda ise 1, başka herhangi bir kuantumda ise 0 mı?
Buradaki fikir, 16 segment arasından potansiyeli olan birkaç segmenti seçmektir. Kodlama konusunda, evet, durum böyle.
Maxim Dmitrievsky #:
NOKTALI ÇIZGININ SOLUNDAKI OOS
Çok havasız. Kendi özellik hesaplamalarınızdan 10-20 örnek verin. Farklı dönemlere sahip bir tane olabilir. Girdi, özelliklerin hesaplanması için formüldür.
Büyük hacimli ikili işaretleri dikkate almayacağım.
Bu 3 bin modelden bazı en iyi sonuçlar:
Farklı etiket örneklemelerinde bile aynı "örüntüler" bulunmuş gibi görünüyor. Tüm grafikler benzer. Diğer çiplerde başka resimler de olacaktır.
Göstergeleri deneyin - python için ta kütüphanesi var.
OOS (girdi verileri) nasıl oluşturuldu?
Klasik şekilde, kapanış fiyatlarında bir dizi özellik
Göstergeleri deneyin - python için bir ta kütüphanesi var.
hangileri sizin? sadece zamanınızı boşa harcayın)
Buradaki fikir, 16 segment arasından potansiyeli olan birkaç segmenti seçmektir. Kodlama hakkında, evet, bu doğru.
Daha sonra 1 özelliği 16 kuanta bölebilir, bunları numaralandırabilir ve kategorik olarak işaretleyebilirsiniz. Ağaç benzer şekilde her kategori/kuantum için kontrol edecektir (==0 veya ==1 veya ==2 ....). İlginç olmayan kuantumları da bir kategoriye koyabilirsiniz.
Sonuç 1'de 1 olacaktır. Ya da neredeyse, ilginç olmayan kuantum pahasına, ağacın en iyisi olarak bölünmüş olarak seçeceği ortaya çıkabilir.
Artı tarafı, sadece 1 çip, daha hızlı hesaplamalar. Dosya boyutları ve bellek tüketimi önemli ölçüde azalacaktır.
15 yıllık OOS
Bu yaklaşımın meraklı, ancak yine de özelliklere duyarlı olduğu ortaya çıktı. Geri dönenler üzerinde bu şekilde çalışmıyor.