交易中的机器学习：理论、模型、实践和算法交易 - 页 1068 1...106110621063106410651066106710681069107010711072107310741075...3399 新评论 Maxim Dmitrievsky 2018.09.16 07:27 #10671 FxTrader562: 顺便说一下，我正在尝试使用1000个功能，现在培训已经进行了1个小时。你可以只设置一个代理CRLAgents *ag1=new CRLAgents("RlExp1iter",1,100,50,regularize,learn)。 并在库中设置 #define _models 1 所以它将是快速的 FxTrader562 2018.09.16 07:28 #10672 Maxim Dmitrievsky: 当然，你可以为每个预测器使用不同的值，这只是一个简单的例子，每个接近的值=1个分歧的预测器值所以数字100或1000或500等在代码copyclose 和声明中都必须是相同的，对吗？ Maxim Dmitrievsky 2018.09.16 07:28 #10673 FxTrader562:所以数字100或1000或500等在代码copyclose和声明中都必须是相同的，对吗？是 FxTrader562 2018.09.16 07:38 #10674 马克西姆-德米特里耶夫斯基。是好的，但在你目前的示例代码和实现中，我不确定在训练期间到底发生了什么，以及代理和模型之间的区别是什么:) 我希望你在发表文章时能解释这一点。我的意思是一个代理在做什么，一个模型在做什么，使用内核... Maxim Dmitrievsky 2018.09.16 07:41 #10675 FxTrader562:好的，但在你目前的示例代码和实现中，我不确定在训练期间到底发生了什么，以及代理和模型之间的区别是什么:) 我希望你在发表文章时能解释这一点。我的意思是一个代理在做什么，一个模型在做什么，使用内核...每个RL代理可以有唯一的预测器，那么我们对所有代理的结果进行平均。 现在忘了吧，因为我们做的是gdmh FxTrader562 2018.09.16 07:47 #10676 Maxim Dmitrievsky: 每个RL代理可以有唯一的预测器，那么我们对所有代理的结果进行平均。现在，我们正在考虑这个问题，因为我们正在制作Gdmh。是的，没错......你可以尝试使用GDMH，并让我知道，如果你在实施过程中取得进展或陷入困境，因为无论如何，在看到LIVE结果后，我们可以对算法做出一些结论。 顺便说一下，在优化和训练公式的情况下，尽量使用自然对数。根据我的经验，使用Mathpow() 的指数似乎可以相当快地收敛一个解决方案。 Maxim Dmitrievsky 2018.09.16 07:50 #10677 FxTrader562:是的，没错......你可以尝试使用GDMH，并让我知道，如果你在实施过程中取得进展或陷入困境，因为无论如何，在看到LIVE结果后，我们可以对算法做出一些结论。 顺便说一下，在优化和训练公式的情况下，尽量使用自然对数。根据我的经验，使用指数的Mathpow()似乎可以相当快地转换一个解决方案。你也可以使用三角多项式。这将是类似 "递归特征消除 "的东西，实际上不是gdmh...中等的东西 ) 因为gdmh它的线性二次元算法，但我们使用RDF FxTrader562 2018.09.16 08:05 #10678 马克西姆-德米特里耶夫斯基。也可以使用三角多项式。这将是类似于 "递归特征消除 "的东西，实际上不是gdmh...中等的东西 )我不知道......我必须阅读才能理解:))......事实上，我对GDMH一无所知，你昨天才告诉我，我刚刚学会并写了代码......我想我学得很快:))))) 我指的是，当你对一个随机函数 进行近似求解时，通过使用自然对数或指数一般会迅速收敛......为什么？ 因为这就是自然对数或ln或指数（）或e的定义和目的下面是我所指的一个示例代码。double x=MathRandomUniform(0,1,unierr)。double likelyhood = 1/(1+exp(MathPow(x,3)))。 我对GDMH有些了解......但RDF仍然不是100%清楚。我只是想实现蒙特卡洛而不是RDF，但是如果我们可以通过RDF来实现，那么我就不觉得蒙特卡洛有什么用。你认为蒙特卡洛和RDF哪个更好？ 但我将在此总结一下我对这个算法的期望。 1.它将把指标或收盘价分解成m个小块，并在训练中创建多项式或近似函数。 2.当我们在交易中运行它时，对于每一个蜡烛，它将检查过去的训练数据，并找到与我们当前价格相匹配的多项式，并预测接下来会发生什么，它应该进行迭代。 Maxim Dmitrievsky 2018.09.16 08:10 #10679 FxTrader562:我不知道......我必须阅读才能理解：））。 我指的是，当你对一个随机函数 进行近似求解时，通过使用自然对数或指数一般会迅速收敛......为什么？ 因为这就是自然对数或ln或指数（）或e的定义和目的下面是我所指的一个示例代码。double x=MathRandomUniform(0,1,unierr)。double likelyhood = 1/(1+exp(MathPow(x,3)))。 我对GDMH有些了解......但RDF仍然不是100%清楚。我只是想实现蒙特卡洛而不是RDF，但是如果我们可以通过RDF来实现，那么我就不认为蒙特卡洛有什么用。你认为蒙特卡洛和RDF哪个更好？ 但我将在此总结一下我对这个算法的期望。 1.它将把指标或收盘价分解成m个小块，并在训练中创建多项式或近似函数。 2.当我们在交易中运行它时，对于每一个蜡烛，它将检查过去的训练数据，并找到与我们当前价格相匹配的多项式，并预测接下来会发生什么，它应该进行迭代。RDF直接近似代理的polisy，另一方面，用Monte Carlo或TD和Markov链的q-learning做了太多的迭代，所以它可能需要更长的时间。 1,2是的，完全正确 FxTrader562 2018.09.16 08:14 #10680 马克西姆-德米特里耶夫斯基。RDF直接逼近代理的多义性，另一方面，用蒙特卡洛或TD的q-learning做了太多的迭代，所以它可能需要更长的时间。 1,2是的，完全正确。所以你的意思是RDF比Monte Carlo更好更快，而Monte Carlo绝对需要在蜡烛收盘时做出即时交易决定....，所以我们在创建外汇版本的道路上是正确的。 的 "ALPHA ZERO"...让我们看看:))))))))) 1...106110621063106410651066106710681069107010711072107310741075...3399 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
顺便说一下，我正在尝试使用1000个功能，现在培训已经进行了1个小时。
你可以只设置一个代理CRLAgents *ag1=new CRLAgents("RlExp1iter",1,100,50,regularize,learn)。
并在库中设置 #define _models 1
所以它将是快速的
当然，你可以为每个预测器使用不同的值，这只是一个简单的例子，每个接近的值=1个分歧的预测器值
所以数字100或1000或500等在代码copyclose 和声明中都必须是相同的，对吗？
所以数字100或1000或500等在代码copyclose和声明中都必须是相同的，对吗？
是
是
好的，但在你目前的示例代码和实现中，我不确定在训练期间到底发生了什么，以及代理和模型之间的区别是什么:)
我希望你在发表文章时能解释这一点。我的意思是一个代理在做什么，一个模型在做什么，使用内核...
好的，但在你目前的示例代码和实现中，我不确定在训练期间到底发生了什么，以及代理和模型之间的区别是什么:)
我希望你在发表文章时能解释这一点。我的意思是一个代理在做什么，一个模型在做什么，使用内核...
每个RL代理可以有唯一的预测器，那么我们对所有代理的结果进行平均。
现在忘了吧，因为我们做的是gdmh
每个RL代理可以有唯一的预测器，那么我们对所有代理的结果进行平均。
现在，我们正在考虑这个问题，因为我们正在制作Gdmh。
是的，没错......你可以尝试使用GDMH，并让我知道，如果你在实施过程中取得进展或陷入困境，因为无论如何，在看到LIVE结果后，我们可以对算法做出一些结论。
顺便说一下，在优化和训练公式的情况下，尽量使用自然对数。根据我的经验，使用Mathpow() 的指数似乎可以相当快地收敛一个解决方案。
是的，没错......你可以尝试使用GDMH，并让我知道，如果你在实施过程中取得进展或陷入困境，因为无论如何，在看到LIVE结果后，我们可以对算法做出一些结论。
顺便说一下，在优化和训练公式的情况下，尽量使用自然对数。根据我的经验，使用指数的Mathpow()似乎可以相当快地转换一个解决方案。
你也可以使用三角多项式。这将是类似 "递归特征消除 "的东西，实际上不是gdmh...中等的东西 )
因为gdmh它的线性二次元算法，但我们使用RDF也可以使用三角多项式。这将是类似于 "递归特征消除 "的东西，实际上不是gdmh...中等的东西 )
我不知道......我必须阅读才能理解:))......事实上，我对GDMH一无所知，你昨天才告诉我，我刚刚学会并写了代码......我想我学得很快:)))))
我指的是，当你对一个随机函数 进行近似求解时，通过使用自然对数或指数一般会迅速收敛......为什么？ 因为这就是自然对数或ln或指数（）或e的定义和目的
下面是我所指的一个示例代码。
double x=MathRandomUniform(0,1,unierr)。
double likelyhood = 1/(1+exp(MathPow(x,3)))。
我对GDMH有些了解......但RDF仍然不是100%清楚。我只是想实现蒙特卡洛而不是RDF，但是如果我们可以通过RDF来实现，那么我就不觉得蒙特卡洛有什么用。你认为蒙特卡洛和RDF哪个更好？
但我将在此总结一下我对这个算法的期望。
1.它将把指标或收盘价分解成m个小块，并在训练中创建多项式或近似函数。
2.当我们在交易中运行它时，对于每一个蜡烛，它将检查过去的训练数据，并找到与我们当前价格相匹配的多项式，并预测接下来会发生什么，它应该进行迭代。
我不知道......我必须阅读才能理解：））。
我指的是，当你对一个随机函数 进行近似求解时，通过使用自然对数或指数一般会迅速收敛......为什么？ 因为这就是自然对数或ln或指数（）或e的定义和目的
下面是我所指的一个示例代码。
double x=MathRandomUniform(0,1,unierr)。
double likelyhood = 1/(1+exp(MathPow(x,3)))。
我对GDMH有些了解......但RDF仍然不是100%清楚。我只是想实现蒙特卡洛而不是RDF，但是如果我们可以通过RDF来实现，那么我就不认为蒙特卡洛有什么用。你认为蒙特卡洛和RDF哪个更好？
但我将在此总结一下我对这个算法的期望。
1.它将把指标或收盘价分解成m个小块，并在训练中创建多项式或近似函数。
2.当我们在交易中运行它时，对于每一个蜡烛，它将检查过去的训练数据，并找到与我们当前价格相匹配的多项式，并预测接下来会发生什么，它应该进行迭代。
RDF直接近似代理的polisy，另一方面，用Monte Carlo或TD和Markov链的q-learning做了太多的迭代，所以它可能需要更长的时间。
1,2是的，完全正确
RDF直接逼近代理的多义性，另一方面，用蒙特卡洛或TD的q-learning做了太多的迭代，所以它可能需要更长的时间。
1,2是的，完全正确。
所以你的意思是RDF比Monte Carlo更好更快，而Monte Carlo绝对需要在蜡烛收盘时做出即时交易决定....，所以我们在创建外汇版本的道路上是正确的。
的 "ALPHA ZERO"...让我们看看:)))))))))