交易中的机器学习:理论、模型、实践和算法交易 - 页 1299 1...129212931294129512961297129812991300130113021303130413051306...3399 新评论 Maxim Dmitrievsky 2019.02.07 13:45 #12981 阿列克谢-维亚兹米 金。我也在做类似的事情--问题还是关于预测因素和选择标准(目标)。现在(许多个月后)我将完成所有关于预测器的想法,并回到这个话题。而结果大致上是有的,我之前已经发布了这种模型的工作原理,但我需要不同的样本,有不同的散点,最好是来自不同的模型。 那么AutoML用什么作为预测器和目标呢?那么,目标应该是已知的,预测因子在自动机上被转换,模型被搜索到了 当(如果)我了解到更多的情况时,我会写的。 我正在等待谷歌将TensorFlow更新到2.0,希望能支持Python 3.7。我喜欢谷歌的一切,而这个套餐是适合所有场合的,它拥有一切。 Aleksey Vyazmikin 2019.02.07 13:59 #12982 Maxim Dmitrievsky: 那么,目标应该是已知的,预测器在机器上被转换,模型也被重写。当(如果)我了解到更多的情况时,我会写的。我正在等待谷歌将TensorFlow更新到2.0,希望能支持Python 3.7。我喜欢谷歌的一切,而这个套餐是适合所有场合的,它拥有一切。当你弄清楚的时候再写,对预测因素非常感兴趣,如果他们在那里公开规定。在我们的案例中,目标也是困难的,因为对资金的模型进行了额外的估计,这对固定的TP和SL来说是好的,在其他情况下,即使从预测能力的角度来看,一个好的模型也可能失败。在任何情况下,我在估计模型时都会考虑到分类平衡的曲线,并检查缩减和其他标准,如正常平衡,因为我希望整个样本的分类准确性一致。 我还没有python,没有它我也可以做很多事情,我有很多想法,需要实现。 Maxim Dmitrievsky 2019.02.07 14:06 #12983 阿列克谢-维亚兹米 金。当你弄清楚后再写,如果公开规定在那里,预测因素是非常有趣的。在我们的案例中,目标也是困难的,因为有一个额外的评估模型的资金,对于那些固定的TP和SL,它是好的,对于其他情况,即使一个好的模型在预测能力方面,也会失败。在任何情况下,我在估计模型时都会考虑到分类平衡的曲线,并检查缩减和其他标准,如正常平衡,因为我希望整个样本的分类准确性一致。 而且我还没有安装Python--有很多事情我不需要它就可以做,我有很多想法需要实现。我的意思是,预测器也是你的,但由AutoML本身转换,命中率也是如此。 Aleksey Vyazmikin 2019.02.07 15:19 #12984 马克西姆-德米特里耶夫斯基。我的意思是,预测因子也是你的,但它们是由AutoML自己转化的,而且是自动选择的。本质上没有什么有趣的东西,只是一个提供额外功能的封装器 :) Maxim Dmitrievsky 2019.02.07 22:27 #12985 阿列克谢-维亚兹米 金。然后基本上没有什么有趣的东西,只是一个提供额外功能的包装器 :)这是为了摆脱 常规 不像有些文章建议手动完成所有的数据挖掘程序,这在非平稳市场中是很荒谬的。 我已经多次写过我的观点,即统计方法在非平稳市场中不起作用(即统计学和MO书籍中描述的经典方法)。 Aleksey Vyazmikin 2019.02.07 23:15 #12986 马克西姆-德米特里耶夫斯基。这是为了摆脱 常规 相对于一些文章建议手动完成所有的数据挖掘程序,这在非平稳市场中是荒谬的。 我已经反复写过我的观点,即统计方法在非平稳市场中不起作用(即统计学和MO书籍中描述的经典方法)。好吧,还是得自己想办法--目标和预测因素。我想有一些研究是关于从结构上找到过度训练的模型的迹象或什么。对我来说,重要的是学会找到一个在独立于训练和测试的样本中起作用的模型(或者反之--这将不起作用),但这里也出现了 "起作用是什么意思?"的问题,它并不含糊。而模型分析的自动化并不是一件困难的事情,至少在catbust中,你所需要的是卸载到不同的文件中,然后只需解析它们,可以像我一样用MT,也可以用你自己的软件。 Maxim Dmitrievsky 2019.02.07 23:23 #12987 阿列克谢-维亚兹米 金。好吧,还是要靠你来想出目标和预测因素。我想有一些研究是关于通过结构或其他东西来寻找过度训练的模型的特征。对我来说,重要的是学会找到一个在独立于训练和测试的样本中起作用的模型(或者反之--这将不起作用),但这里也出现了 "起作用是什么意思?"的问题,它并不含糊。而模型分析的自动化是很容易的,至少在catbust中,你所需要的是卸载到不同的文件中,然后只需解析它们,可以像我一样用MT,也可以用你自己的软件。现在对你来说似乎是这样,因为你还没有尝过更甜的胡萝卜。 如果你学习而不是幻想,你会及时到达那里。 因为你的幻想,与谷歌或dipmind团队在人工智能领域的幻想相比,只是沧海一粟。所以你必须采取现成的。 如果他们写道,模型应该这样用,那样用,那么就是这样。没有什么可幻想的,因为重要的是了解已经发明的东西 Aleksey Vyazmikin 2019.02.07 23:34 #12988 马克西姆-德米特里耶夫斯基。你现在这么想,因为你还没有尝到比胡萝卜更甜的味道。 如果你学习而不是幻想,你会及时到达那里... 因为你的幻想就像google或dipmind的幻想一样,在人工智能领域,只是沧海一粟。这就是为什么你必须把它从架子上拿下来。我不明白思想的深度。你写道,目标和预测者必须为该软件拿出你自己的,如果是这样,那么我写道,那么就没有什么意义了,因为你可以自己做所有的事情,会知道它是如何工作的,什么是要改进和解决的。 关于声明的第二部分,我同意,但我更愿意采取我所理解的工作方式。 Maxim Dmitrievsky 2019.02.07 23:41 #12989 阿列克谢-维亚兹米 金。我不明白思想的深度。你自己写道,目标和预测者都需要为该软件拿出你自己的,如果是这样,那么我写道,那就没有什么意义了,因为你可以自己做所有的事情,你会知道它是如何运作的,哪些地方需要改进和修正。 关于声明的第二部分,我同意,但我更愿意采取我所理解的工作。AutoML被作为整个过程(或几乎整个过程)自动化的一个例子,这就是思想的深度。逻辑链直接来自于最初的帖子。你正在把自己带入一个死胡同。 举这个例子是为了解释什么是归纳,而不是像你这样手工提取知识。它甚至说,机器在几乎所有阶段都比人做得更好。 我怀疑你是否了解catbust的工作原理。 Aleksey Vyazmikin 2019.02.07 23:55 #12990 马克西姆-德米特里耶夫斯基。autoML被作为整个过程(或几乎整个过程)自动化的一个例子,这就是思想的深度。逻辑链是直截了当的,从最初的信息开始。你正在把自己带入一个死胡同。 举这个例子是为了解释什么是归纳,而不是像你这样手工提取知识。它甚至说,机器在几乎所有阶段都比人做得更好。 我怀疑你是否了解catbust的工作原理。好吧,试试吧,如果你想告诉我。如果可能的话,将我的选择和ML的选择进行比较,如果可能的话,我不需要做太多的工作。 是的,我并没有彻底理解猫咪的工作原理,但我已经有了操作的知识和经验,而所有这些都需要时间,这导致了全面的理解。在没有足够信息的情况下,从零开始,试图在我的工作中使用它,嗯,这对我来说是不舒服的。即使是catbust,我也要搜索和理解所有的东西,翻译,所以很好,有那些更了解它的人,我有一个人可以问代码的技术方面。 1...129212931294129512961297129812991300130113021303130413051306...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
我也在做类似的事情--问题还是关于预测因素和选择标准(目标)。现在(许多个月后)我将完成所有关于预测器的想法,并回到这个话题。而结果大致上是有的,我之前已经发布了这种模型的工作原理,但我需要不同的样本,有不同的散点,最好是来自不同的模型。
那么AutoML用什么作为预测器和目标呢?
那么,目标应该是已知的,预测因子在自动机上被转换,模型被搜索到了
当(如果)我了解到更多的情况时,我会写的。
我正在等待谷歌将TensorFlow更新到2.0,希望能支持Python 3.7。我喜欢谷歌的一切,而这个套餐是适合所有场合的,它拥有一切。
那么,目标应该是已知的,预测器在机器上被转换,模型也被重写。
当(如果)我了解到更多的情况时,我会写的。
我正在等待谷歌将TensorFlow更新到2.0,希望能支持Python 3.7。我喜欢谷歌的一切,而这个套餐是适合所有场合的,它拥有一切。
当你弄清楚的时候再写,对预测因素非常感兴趣,如果他们在那里公开规定。在我们的案例中,目标也是困难的,因为对资金的模型进行了额外的估计,这对固定的TP和SL来说是好的,在其他情况下,即使从预测能力的角度来看,一个好的模型也可能失败。在任何情况下,我在估计模型时都会考虑到分类平衡的曲线,并检查缩减和其他标准,如正常平衡,因为我希望整个样本的分类准确性一致。
我还没有python,没有它我也可以做很多事情,我有很多想法,需要实现。
当你弄清楚后再写,如果公开规定在那里,预测因素是非常有趣的。在我们的案例中,目标也是困难的,因为有一个额外的评估模型的资金,对于那些固定的TP和SL,它是好的,对于其他情况,即使一个好的模型在预测能力方面,也会失败。在任何情况下,我在估计模型时都会考虑到分类平衡的曲线,并检查缩减和其他标准,如正常平衡,因为我希望整个样本的分类准确性一致。
而且我还没有安装Python--有很多事情我不需要它就可以做,我有很多想法需要实现。
我的意思是,预测器也是你的,但由AutoML本身转换,命中率也是如此。
我的意思是,预测因子也是你的,但它们是由AutoML自己转化的,而且是自动选择的。
本质上没有什么有趣的东西,只是一个提供额外功能的封装器 :)
然后基本上没有什么有趣的东西,只是一个提供额外功能的包装器 :)
这是为了摆脱 常规
不像有些文章建议手动完成所有的数据挖掘程序,这在非平稳市场中是很荒谬的。
我已经多次写过我的观点,即统计方法在非平稳市场中不起作用(即统计学和MO书籍中描述的经典方法)。这是为了摆脱 常规
相对于一些文章建议手动完成所有的数据挖掘程序,这在非平稳市场中是荒谬的。
我已经反复写过我的观点,即统计方法在非平稳市场中不起作用(即统计学和MO书籍中描述的经典方法)。好吧,还是得自己想办法--目标和预测因素。我想有一些研究是关于从结构上找到过度训练的模型的迹象或什么。对我来说,重要的是学会找到一个在独立于训练和测试的样本中起作用的模型(或者反之--这将不起作用),但这里也出现了 "起作用是什么意思?"的问题,它并不含糊。而模型分析的自动化并不是一件困难的事情,至少在catbust中,你所需要的是卸载到不同的文件中,然后只需解析它们,可以像我一样用MT,也可以用你自己的软件。
好吧,还是要靠你来想出目标和预测因素。我想有一些研究是关于通过结构或其他东西来寻找过度训练的模型的特征。对我来说,重要的是学会找到一个在独立于训练和测试的样本中起作用的模型(或者反之--这将不起作用),但这里也出现了 "起作用是什么意思?"的问题,它并不含糊。而模型分析的自动化是很容易的,至少在catbust中,你所需要的是卸载到不同的文件中,然后只需解析它们,可以像我一样用MT,也可以用你自己的软件。
现在对你来说似乎是这样,因为你还没有尝过更甜的胡萝卜。
如果你学习而不是幻想,你会及时到达那里。
因为你的幻想,与谷歌或dipmind团队在人工智能领域的幻想相比,只是沧海一粟。所以你必须采取现成的。
如果他们写道,模型应该这样用,那样用,那么就是这样。没有什么可幻想的,因为重要的是了解已经发明的东西你现在这么想,因为你还没有尝到比胡萝卜更甜的味道。
如果你学习而不是幻想,你会及时到达那里...
因为你的幻想就像google或dipmind的幻想一样,在人工智能领域,只是沧海一粟。这就是为什么你必须把它从架子上拿下来。
我不明白思想的深度。你写道,目标和预测者必须为该软件拿出你自己的,如果是这样,那么我写道,那么就没有什么意义了,因为你可以自己做所有的事情,会知道它是如何工作的,什么是要改进和解决的。
关于声明的第二部分,我同意,但我更愿意采取我所理解的工作方式。
我不明白思想的深度。你自己写道,目标和预测者都需要为该软件拿出你自己的,如果是这样,那么我写道,那就没有什么意义了,因为你可以自己做所有的事情,你会知道它是如何运作的,哪些地方需要改进和修正。
关于声明的第二部分,我同意,但我更愿意采取我所理解的工作。
AutoML被作为整个过程(或几乎整个过程)自动化的一个例子,这就是思想的深度。逻辑链直接来自于最初的帖子。你正在把自己带入一个死胡同。
举这个例子是为了解释什么是归纳,而不是像你这样手工提取知识。它甚至说,机器在几乎所有阶段都比人做得更好。
我怀疑你是否了解catbust的工作原理。
autoML被作为整个过程(或几乎整个过程)自动化的一个例子,这就是思想的深度。逻辑链是直截了当的,从最初的信息开始。你正在把自己带入一个死胡同。
举这个例子是为了解释什么是归纳,而不是像你这样手工提取知识。它甚至说,机器在几乎所有阶段都比人做得更好。
我怀疑你是否了解catbust的工作原理。
好吧,试试吧,如果你想告诉我。如果可能的话,将我的选择和ML的选择进行比较,如果可能的话,我不需要做太多的工作。
是的,我并没有彻底理解猫咪的工作原理,但我已经有了操作的知识和经验,而所有这些都需要时间,这导致了全面的理解。在没有足够信息的情况下,从零开始,试图在我的工作中使用它,嗯,这对我来说是不舒服的。即使是catbust,我也要搜索和理解所有的东西,翻译,所以很好,有那些更了解它的人,我有一个人可以问代码的技术方面。