Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 1189
![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
Konuda bilgi kriterleri ( Bayesian veya Akaike) ile ilgili bir şey göremedim. Belki de varsayılan olarak kullanılırlar (MO için uygulanan paketlerde)?
kullanılan çapraz entropi veya günlük kaybı
sırasıyla çok sınıflı ve ikili sınıflandırma için
rms regresyon problemleri için. (rms) ve benzeri
anladım bu Akaike
kullanılan çapraz entropi veya günlük kaybı
sırasıyla çok sınıflı ve ikili sınıflandırma için
rms regresyon problemleri için. (rms) ve benzeri
anladım bu Akaike
Evet öyle görünüyor.
tahmin edici ön işleme için test edilmiş PCA ve LDA (eşdoğrusallıktan kurtulma). Beklendiği gibi, bu yeni veriler üzerinde çalışmaz. Model trende biraz daha iyi eğitilmiş olsa da bileşenlerin kendileri atlamaya başlar. Ancak bileşenlerin kendilerinin yeni veriler üzerinde tahmin edilemez bir şekilde davranması nedeniyle, her şey aynı ve daha da kötüleşiyor. Genel olarak, klasik makine öğrenimi tekniklerinin çoğu piyasada geçerli değildir.
Durağan olmama nedeniyle, bazen güncel olmayan geçmişi atmak gerekir:
1) Numunenin kullanılmayan kısmını atmak için doğru bir algoritmaya ihtiyacımız var (discord araması)
2) Numunenin geri kalanı her zaman değişken uzunlukta ve genellikle kısa olacaktır. Burada da doğru modellere ihtiyacımız var.
Maksim Dmitrievski :
Bu, yeni makalede zaten uygulandı, ancak tam olarak istediğimiz gibi değil.
ne makalesinden bahsediyorsun
ne makalesinden bahsediyorsun
moderasyon için gönderilen, henüz yayınlanmadı
başka bir yaklaşım daha var, bunu şu anda en umut verici olarak görüyorum - çıktı değişkenlerinin numaralandırılması yoluyla kaba kuvvet modelleri
Kabaca söylemek gerekirse, sanal bir tüccar birçok kez sahte rastgele bir şekilde ticaret yapar (geçer) (Monte Carlo veya genetik gibi), ticaretini her izlediğinde ve yanlış pozisyonları düzelttiğinde, kabaca konuşursak, karlı olmayanları tersine çevirir, böylece karlı hale gelirler.
her geçişten sonra düzeltilmiş işlemlerde yeniden eğitilir. Bu, yeni makalede zaten uygulandı, ancak tam olarak istediğimiz gibi değil. Dağılma ve n-barlar üzerinde eğriltme gibi mevcut piyasa koşullarına bağlı olarak ilginç çıkış kombinasyonlarına ihtiyaç vardır. Bu tür her bir özellik için, rastgele işlemlerin örneklendiği bir dağılım seçilir, ardından kaybedilen işlemler de düzeltilir ve bunlar üzerinde eğitilir. Geçiş bulutu aracılığıyla en uygun strateji aranır (test örneğindeki minimum hatalara dayalı olarak)
Değerli uzmanlar, dikkat, Soru : Piyasanın mevcut olasılıksal özelliklerinin bağımlılıkları ve rastgele çıktıların örneklendiği dağılımlar ilginç bir şekilde nasıl organize edilir. Bu durumda hem işlem sayısı hem de model içindeki bazı bağımlılıklar değişecektir, yani. aralarından en uygun olanın özel bir optimizasyon kriterine göre seçildiği (model hatası, yeni verilerde kararlılık) birçok farklı karlı model (çözüm) elde edeceksiniz.Sermaye düşüşü verilenden daha yüksek olduğunda ve büyümesi oynaklıkla karşılaştırıldığında çok yavaş olduğunda çıkışlar makul görünüyor (düşük sapmanın dağılıma oranı)
Bu yaklaşımın durağan olmamayla başa çıkmaya nasıl yardımcı olacağı çok açık değil)
moderasyona gönderilmiş, henüz yayınlanmamıştır.
ATP, bekleyeceğim, şimdi makaleyi kaçırmayacağım!
ilginç makale http://www.long-short.pro/post/indikator-haosa-i-rezhimy-fondovogo-rynka-886
ve bir bütün olarak blog
ilginç makale http://www.long-short.pro/post/indikator-haosa-i-rezhimy-fondovogo-rynka-886
ve bir bütün olarak blog
Göstergesini kodda ifade etmeyi denediniz mi?