Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 1810
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
EVET! aynen öyle ve başka bir şey değil
Katılmıyorum, ama hiçbir şey dayatmayacağım ...
Katılmıyorum, ama hiçbir şey dayatmayacağım ...
Görsel olarak farklı enstrümanlarda 3 gün boyunca mümkündür. Her durumda, önce diziyi inceler ve sonuçlar çıkarırız. Ve gerçek hayatta bir kaybı düzeltmektense testte öğrenmek her zaman daha iyidir)
Duygular olmadan test etmek daha iyidir)))) Ticaret yapmak için daha da iyidir))))))
Dürüst olmak gerekirse, tahmin edicilerin konusu açıklanmadı. Ayrıca modellerin mantığı, hangilerinin ne zaman uygulanması gerektiği ve seçimlerinde kriterin ne olduğu.
Sonuç için verilerin nasıl hazırlanacağına ilişkin öneriler önemsizdir. Onsuz başlamasan bile
Modellerin mantığı, seçim kriteri ve veri hazırlama kilit konulardır, kimse işe yarayan bir çözüm sunmayacaktır. Eğer ortaya çıkarsa, o zaman çalışmıyor.
İnsan olarak iyi olup olmaması önemli değil, sadece üzerinde durduğumuz konunun kuralları olduğunu kabul etmelisiniz.
Duygular olmadan test etmek daha iyidir)))) Ticaret yapmak için daha da iyidir))))))
Dürüst olmak gerekirse, tahmin edicilerin konusu açıklanmadı. Ayrıca modellerin mantığı, hangilerinin ne zaman uygulanması gerektiği ve seçimlerinde kriterin ne olduğu.
Sonuç için verilerin nasıl hazırlanacağına ilişkin öneriler önemsizdir. Onsuz başlamasan bile
Burada açıklanmıyor, maalesef şu anki hali. Sonuçları karşılaştırmak dışında, belirli bir seri için hangi modelin daha iyi olduğunu belirleme konusunda hiçbir çalışma ve sonuç yoktur)
Modellerin mantığı, seçim kriteri ve veri hazırlama kilit konulardır, kimse işe yarayan bir çözüm sunmayacaktır. Eğer ortaya çıkarsa, o zaman çalışmıyor.
Eh, muhtemelen pek öyle değil. Sadece matematiksel yöntemler var ve bunların kullanımı daha önce herkes tarafından erişilemezdi, şimdi mevcut. Ama bak, seç ve dene dışındaki çözümler öyle değil. Maksimum olabilirlik elbette bir yöntemdir, ancak özneldir ve sorun, analiz için önemli olan parametrelerin seçiminin öznelliğidir.
Mantıkları, modelleri ve tahmin edicileri özellikleri ve uygulamalarının mantığı ile tartışmak daha iyidir.
Ve işe yarıyor, hayır, önemli değil. %100 olmadığı kanıtlandı. Ve bir tanesi bile boşaltmak için yeterlidir)))) Asıl mesele eller !!!!! ya da kuyruk
lütfen...
Mutlak olarak 200 veya 300 .
ZZ dengede mi? hangi gruplarla ilgilendiğini söyle
Ya da belki biraz R öğrenin? ;)
5 satır kod ve istediğini aldın
Aykırı değerleri azaltmak için hata dengesine (+1 doğru giriş ve -1 yanlış giriş) bakmamız veya en azından dengeyi normalleştirmemiz gerektiğini düşünüyorum.
R benim için öğrenmesi çok zor bir iş, MQL'ye hiç benzemiyor ve ben bir programcı olmaktan çok uzağım. Evet ve MQL gibi normal bir yardım yok.
Örnekleme verimliliğiyle ilgilendiğinizi gördüm. Ben de bu konuyla ilgileniyorum, özellikle kırılımı benden daha iyi yapmanın mümkün olup olmadığını anlamak istiyorum. Tahmini değerlerin descriteization olmadan ve descriteization ile olduğu bir seçim yapabilirim, böylece paketin etkinliğini kontrol edebilirsiniz, yani. Yapay ayrıklaştırmadan sonra benim mantıklı olandan daha iyi öğrenebiliyorsa, paket bir kişiden daha verimlidir.
Aykırı değerleri azaltmak için hata dengesine (+1 doğru giriş ve -1 yanlış giriş) bakmamız veya en azından dengeyi normalleştirmemiz gerektiğini düşünüyorum.
R benim için öğrenmesi çok zor bir iş, MQL'ye hiç benzemiyor ve ben bir programcı olmaktan çok uzağım. Evet ve MQL gibi normal bir yardım yok.
Örnekleme verimliliğiyle ilgilendiğinizi gördüm. Ben de bu konuyla ilgileniyorum, özellikle kırılımı benden daha iyi yapmanın mümkün olup olmadığını anlamak istiyorum. Tahmini değerlerin descriteization olmadan ve descriteization ile olduğu bir seçim yapabilirim, böylece paketin etkinliğini kontrol edebilirsiniz, yani. Yapay ayrıklaştırmadan sonra benim mantıklı olandan daha iyi öğrenebiliyorsa, paket bir kişiden daha verimlidir.
Evet ben de hiç programcı olmadım, üstelik C# öğrenerek başladığımı, hiçbir şey anlamadım ve bıraktım, sonra bir şekilde R denedim ve her şey yolunda gitti diyeceğim :)
Ayrıklaştırma kesinlikle kalitede herhangi bir artış vermeyecek, ayrıca daha erken bir düşüş olacak, asıl şey çok fazla değil ..
Binlerce bölmeli sayısal değişkenleri kategorik değişkenlere çevirmek için ayrıklaştırmaya ihtiyacım var, ki burada sadece 20 seviye olacak.
Bu, tekrarlanacak kurallar oluşturmak için gereklidir ....
Neden tüm bunlara ihtiyacım var? Ormanlar oylama prensibi ile çalışır, çıktıda olasılık ağaçların oylarının toplamıdır, genellikle algoritmanın yüksek bir olasılık gösterdiği ancak tahminin kötü olduğu, ancak olasılığın yüksek olduğu ve tahminin olduğu olur. iyi, bu yüzden belirli bir anda oylamaya hangi kurallara katıldığımı bilsem, sanki dürüst kuralları ve gürültüyü yalıtabileceğimi görüyorum ...
Evet ben de hiç programcı olmadım, üstelik C# öğrenerek başladığımı, hiçbir şey anlamadım ve bıraktım, sonra bir şekilde R denedim ve her şey yolunda gitti diyeceğim :)
Ayrıklaştırma kesinlikle kalitede herhangi bir artış vermeyecek, ayrıca daha erken bir düşüş olacak, asıl şey çok fazla değil ..
Binlerce bölmeli sayısal değişkenleri kategorik değişkenlere çevirmek için ayrıklaştırmaya ihtiyacım var, ki burada sadece 20 seviye olacak.
Bu, tekrarlanacak kurallar oluşturmak için gereklidir ....
Neden tüm bunlara ihtiyacım var? Ormanlar oylama prensibi ile çalışır, çıktıda olasılık ağaçların oylarının toplamıdır, genellikle algoritmanın yüksek bir olasılık gösterdiği ancak tahminin kötü olduğu, ancak olasılığın yüksek olduğu ve tahminin olduğu olur. iyi, bu yüzden belirli bir anda oylamaya hangi kurallara katıldığımı bilsem, sanki dürüst kuralları ve gürültüyü yalıtabileceğimi görüyorum ...
Benim durumumda, ayrıklaştırma sonucu iyileştirir ve evet, tahmincilerim 2'den 20'ye kadar değerlerle neredeyse tümü kategorik anlamlara daha yakındır.
Aslında böyle bir modeli değerlendirmek için, oylamaya katılan yaprakların aktivasyon noktalarının benzerliğini kontrol etmek ve benzer örnekleme noktalarında sürekli aktif olan yaprakların ağırlığını kaldırmak/birleştirmek/azaltmak gerekir. Bu tür gürültülü ağaçlar, fazla bellek nedeniyle hikayeye iyi adapte olacaktır.
İdeal olarak, her sayfa bir anlam içermeli ve bir sonraki onu eklemeli, ancak aynı zamanda kendine ait bir şeyi tanımlamalı, örneğin, biri önümüzde bir topumuz olduğunu belirledi, diğeri rengini belirledi - bu belirli bir oyun türüne ait topun nasıl sınıflandırıldığıdır. Basitleştirilmiş.
Ormanı ağaç indeksleri ile yapraklara ayırın ve numunedeki her yaprağın aktivasyonuna bakın, ardından çöpü atın.Vladimir, lütfen bana R'de AMO'yu nasıl öğretebileceğinizi söyleyin, örneğin, sınıflandırma veya regresyon değil, daha belirsiz bir şey ..
örneğin , ticarette karı maksimize etmek veya örneğin bir tür öncü işlevi sentezlemek için nasıl görünmesi gerektiğini ve hangi değerleri alması gerektiğini bilmiyorum , ama benim için önemli değil, Ben sadece lead'in ne olduğunu açıklayabilirim ve AMO'nun kendisinin oluşturduğu lead fonksiyonunda lead kriterini maksimize etmesine izin verebilirim.
Bu genellikle nasıl yapılır? Yoksa tamamen bir optimizasyon sorunu mu ve AMO'nun bununla hiçbir ilgisi yok mu?
1. Herhangi bir model, hiper parametre optimizasyonu gerektirir. Varsayılan ayarlarla sonuç en iyi olmayacaktır. Optimize ederken, sizin için önemli olan bir kriter belirleyin. Literatürdeki tüm örneklerde bu kriterler istatistiksel metriklerdir (Acc, F1, vb.). Bizim durumumuzda, bu kriterler ticarette her zaman beklenen sonuca yol açmaz (garip bir şekilde). Örneğin, belirli bir süre (genellikle 1 hafta) için çubuk başına ortalama ödülü bir optimizasyon kriteri ve modelin kalitesinin bir göstergesi olarak kullanıyorum. Minimum değerden az değilse (örneğin 5 nokta 4 karakter), o zaman çalışmaya devam ederiz. Düşerse, modeli yeni verilerle tamamlarız. Yalnızca Bayes optimizasyonu, seçenekler sunar.
Çalışma sürecindeki model, değişen piyasa koşulları dikkate alınarak sürekli olarak yeniden eğitilmelidir. Bir modeli çok büyük bir geçmiş veri aralığı üzerinde eğitip daha sonra yeniden eğitmeden uzun süre kullanabilmeniz büyük bir yanılsamadır.
2. Belirli bir işlevi sentezleyin, hangisi olduğunu bilmiyorum - bu alandan, yapın, ne olduğunu bilmiyorum. Genetik programlamayı uygulayan birkaç paket vardır. Şu anda elimizde kesin bir isim yok. Ama bu çok zor bir bölüm. Denemek
3. Ayrıklaştırma. Ayrıklaştırmanın temel amacı, tahmin edici ve hedef oranını mümkün olduğunca doğrusal hale getirmektir. Bu durumda elbette bir bilgi kaybı söz konusudur. Ancak bazı durumlarda iyi sonuçlar verir.
İyi şanlar