神出鬼没。
这些话为读者打开了多年来成卷的哲学论著的书页。
那么,没有人愿意做机器举重?
神出鬼没。
这些话为读者打开了多年来成卷的哲学论著的书页。
那么,没有人愿意做机器举重?
每笔交易都有风险和其他条件,机器学习使用的是旧数据,也就是说,它在不存在的东西上操作。
更确切地说,是为了之前的事情。
而在这一点上,我们寻找一种可持续的依赖性。
我们正在寻找他们。
更确切地说,是为了之前的事情。
而在这一点上,我们寻找一种可持续的依赖性。
我们正在寻找他们。
每笔交易都有风险和其他条件,机器学习使用的是旧数据,也就是说,它在不存在的东西上操作。
你有新的数据吗?所以你甚至不看图表,有旧数据?是吗?
总之,在这里。为了刺激一下这个话题,我承诺谁能正确解决给定的问题,就给谁转5个学分。
发出一组信息性的输入。
社区因为我的论坛活动而把它们给了我,我会把它们放回系统中,但我们会得到一些有趣的讨论。
阿列克谢
每笔交易都有风险和其他条件,机器学习使用旧数据,即在不存在的东西上操作。
总是从过去学习。
我们在一张图上找了几个世纪。既上,我们看到'三个士兵',然后我们看到'头和肩膀'。这些数字中有多少我们已经看到了,而且我们相信这些数字,我们交易...
而如果任务是这样设置的。
1.自动找到这样的数字,不是对所有的图表,而是对某个特定的货币对,是最近发生的,而不是三个世纪前的日本大米交易。
2)我们自动搜索这种数字的初始数据--模式。
为了回答第一个问题,让我们考虑称为 "随机森林 "的算法。 该算法将一种或几种货币的报价、指标、价格增量--人类发明的一切,作为其操作的输入数据。10-5-100-200 ...输入变量。然后,它采用与一个时间点相对应的一整套变量值,寻找这些输入变量的组合,使其在历史数据上与某个结果相对应,例如,一个BUY订单。而另一组组合则是另一个订单--卖出。一棵单独的树对应于每个这样的集合。经验表明,对于一个18000条的输入集(大约3年),该算法可以找到200-300棵树。这是一套模式,几乎类似于 "头和肩膀",以及士兵的整个嘴巴。
这种算法的问题是,这种树可以捡到一些未来没有遇到的具体细节。这在论坛中被称为 "超拟合",在机器学习中被称为 "过拟合"。我们知道,一大堆输入变量可以分为两部分:与输出变量有关的变量和与噪音无关的变量。所以伯纳科夫试图剔除那些与产出无关的东西。
PS。
当建立一个趋势TS(买入,卖出)任何种类的马车都是与噪音有关的!
大家下午好
我知道论坛上有机器学习和统计爱好者。我建议大家在这个主题下进行讨论(不含holivars),分享并丰富我们自己在这个有趣领域的知识库。
对于初学者来说,俄语中有一个很好的理论资源:https://www.machinelearning.ru/。
关于信息特征选择方法的文献综述:https://habrahabr.ru/post/264915/。
我提出问题一。我稍后将公布其解决方案。桑桑尼奇已经看过了,请不要告诉我答案。
导言:要建立交易算法,就必须知道哪些因素将成为预测价格、趋势或开仓方向的基础。选择这些因素并不是一件容易的事,它是无限复杂的。
附件中是我制作的人工 csv 数据集存档。
数据包含 20 个前缀为 input_ 的变量和一个最右边的输出变量。
输出变量取决于输入变量的某个子集(子集 可以包含 1 到 20 个输入)。
任务:使用任何方法(机器学习)选择输入变量,用于确定现有数据中输出变量的状态。
解决方案可以以:input_2、input_19、input_5(示例)的形式发布在这里。您还可以描述发现的输入和输出变量之间的依赖关系。
谁能做到,谁就做得好 )我将提供现成的解决方案和解释。
阿列克谢