Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 1200
Alım-satım fırsatlarını kaçırıyorsunuz:
- Ücretsiz alım-satım 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
son birkaç ayın en akıllı yazısı! ...düşünmelisin, uzun zamandır spor yapmıyorum, vücudu hazırlaman gerek, tatil yaklaşıyor!
peki, olasılığı elde etmek için araştırmaya ihtiyacınız var (bizim durumumuzda deneyler, test), başka bir yol yok, yalnızca Veri madenciliği yardımcı olacaktır, ancak çoğu için YouTube derslerine bakmadım, hepsini hatırlıyorum bu bir ders değil, o zaman Python (((
2. çeyrek mb'de ng'den sonra uzun boylu önce pitonlamaya başlayacağız))
Yardımcı olur mu bilmiyorum! Korelasyon deneyebilirsin. İhtiyacınız olan eğri şeklinde almak istediğiniz ideal sonucu hayal edin, ardından en iyi modeli bulma sürecinde korelasyonu hesaplayarak mevcut sonucu ideal (sizin için ideal eğri) ile karşılaştırın. İdeale en yakın korelasyona sahip model, hedeflediğiniz modele en yakın olan olacaktır.
Fikir için teşekkürler, ancak bu mümkün değil çünkü ideal çok soyut - ne olması gerektiği açık değil. İlk bakışta, her yineleme iyileştirmeler, hatta iyileştirmede belirli bir artış sağlamalıdır, ancak bu banal bir fikir ve şimdi ML için yazılım geliştiricilerinin bunu neden uygulamadığı açık değil. Ya bu modeli oluşturan ürünü rekabetsiz hale getirecek çok uzun bir eğitimdir ya da fikrin gerçek testleri yapılmış ve hiçbir avantajı ortaya çıkmamıştır.
burada terver üzerinden kalıp arama üzerine makaleler var, nedense birkaç bilgi normu var
ve Bayes tarafından neredeyse hiç yok ve nerede varsa, bir çırpıda çözeceksiniz.
Bayes ile ilgili temel sorun, doğru ön dağıtımı seçmektir. Bizim durumumuzda, her şey durağan olmama nedeniyle karmaşıktır - zamana bağımlılık görünebilir.
Açık görünüyor - büyük bir tarih üzerine a priori ve küçük bir tarih üzerine a posteriori inşa etmek. Sorun, durağan olmama koşullarında tarihin bu bölümlerinin doğru tahsisindedir.
İşte terver aracılığıyla kalıp arama ile ilgili makaleler bir nedenden dolayı birkaç bilgi normu var
Neden olmasın - tonlarca, yasaklayıcı, ustalaşmak imkansız. Adı GARCH. Orada, model üç bölümden oluşuyor:
Teori anlamında mutluluk için başka neye ihtiyaç var?
Belki de bu yüzden her yerde mevcut değildir, çünkü her şey çeşitli garches çerçevesinde toplanmıştır (bir şekilde linkler gönderdim - 100'den fazla farklı garches)?
Bayes ile ilgili temel sorun, doğru ön dağıtımı seçmektir. Bizim durumumuzda, her şey durağan olmama nedeniyle karmaşıktır - zamana bağımlılık görünebilir.
Açık görünüyor - büyük bir tarih üzerine a priori ve küçük bir tarih üzerine a posteriori inşa etmek. Sorun, durağan olmama koşullarında tarihin bu bölümlerinin doğru tahsisindedir.
Evet, bu açık ve dahası, bunu MO aracılığıyla zaten yaptım (anlayış seviyeme göre). İkinci model, her adımdan sonra ilkinin sinyallerini düzeltir. Her şeyin çok kolay, hızlı ve uyarlanabilir olduğu ortaya çıktı .. ancak daha fazla araştırmaya ihtiyaç var. Ve vay, bunun için teoriyi bile ayarladım (Bayesian, akıllı gibi)
Neden olmasın - tonlarca, yasaklayıcı, ustalaşmak imkansız. Adı GARCH. Orada, model üç bölümden oluşuyor:
Teori anlamında mutluluk için başka neye ihtiyaç var?
Belki de bu yüzden her yerde mevcut değildir, çünkü her şey çeşitli garches çerçevesinde toplanmıştır (bir şekilde linkler gönderdim - 100'den fazla farklı garches)?
ya da belki kafanızda karşılaştırmak zor.. örneğin koşullu olasılıklar, ortak olasılıklar vs. garch ile belirlendiklerini söyleyebilir miyiz?
yani, sadece arama alanını ayarlamak istersem, tabiri caizse, benim için buradan oraya farklı kombinasyonlarda, örneğin artışlarla, zaman aralıklarıyla veya başka bir şeyde kalıpları arayın.
Python'da benzer bir şey istiyorum (aynı zamanda pratik olacak)
bunun gibi bir şey: https://www.mql5.com/ru/articles/3264Evet, bu açık ve dahası, bunu MO aracılığıyla zaten yaptım (anlayış seviyeme göre). İkinci model, her adımdan sonra ilkinin sinyallerini düzeltir. Her şeyin çok kolay, hızlı ve uyarlanabilir olduğu ortaya çıktı .. ancak daha fazla araştırmaya ihtiyaç var. Ve vay, teoriyi bile buna uydurdu (Bayesian, akıllı gibi)
Bir önceki dağıtım oluşturmanın başka bir açık yolu daha var. "Limitte / ortalamada" fiyatların SB gibi davrandığı gerçeğinden hareket edersek, bu dağılımı SB üzerine kurabiliriz. Nadir durumlarda bu analitik olarak yapılabilir, ancak genellikle Monte Carlo. Yöntem daha karmaşıktır ve öncekinden daha iyi olduğu gerçeği değildir.
Bir önceki dağıtım oluşturmanın başka bir açık yolu daha var. "Limitte / ortalamada" fiyatların SB gibi davrandığı gerçeğinden hareket edersek, bu dağılımı SB üzerine kurabiliriz. Nadir durumlarda bu analitik olarak yapılabilir, ancak genellikle Monte Carlo. Yöntem daha karmaşıktır ve öncekinden daha iyi olduğu gerçeği değildir.
normal olarak, fumble :) veya başka bir Alexei, model sinyallerinin eğitimli örnek üzerindeki dağılımlarının eğrilerini gösterdiği gibi, a priori için normal temel.
hepsi sağlam şeylernormalde, fumble :) veya başka bir Alexey, model sinyallerinin eğitimli örnek üzerindeki dağılımlarının eğrilerini gösterdiği gibi, a priori için normal temel.
hepsi sağlam şeylerHer şey, hem keskin hem de sürünen olabilen durağan olmama nedeniyle bozulur.
normalde, fumble :) veya başka bir Alexey, model sinyallerinin eğitimli örnek üzerindeki dağılımlarının eğrilerini gösterdiği gibi, a priori için normal temel.
hepsi sağlam şeylerBenden bahsediyorsak, test örneğinde ve sınav örneğinde eğriler gösterdim - eğitimin devam ettiği örneğe bile bakmıyorum ...