def Long(i): # сделка Long
print('long')
profLS.append(SD.history[i+5][c.c] - SD.history[i][c.c] )
return i + 5
def Short(i): # Сделка Short
print('short')
profLS.append(SD.history[i][c.c] - SD.history[i+5][c.c] )
return i + 5while i < LenHist:
x = []
for j in range(0, 20): #Подготовка данных для НС
x.append((SD.history[i-j][c.c]/SD.history[i][c.c]-1)*1000)
out = MLP.Predict([x]) # запрашиваем прогноз НС
ifout >= 3.0:
i = Long(i)
tmp.append('L')
elif out <= -3.0:
i = Short(i)
tmp.append('S')
i += 1
也就是说,对准是由弗拉基米尔建议的方法捡到的?
这可能不完全是我想象的那样。我不知道,我还没有用过它,我必须阅读帮助。
有什么地方可以读到这些参数吗?这些重量不仅可以送入助推器,还可以送入森林和NS的箱子。显然,该方法在所有国防部系统中是通用的。
当在30000行上训练时,测试看起来比在80000行上训练时更好。在80000点时,交易量较少,误差也较大。我试着按比例减少重量(从新鲜的1到旧的0.5),结果几乎一样。第一个减少旧数据影响的实验显示没有改善。
显然,正如马克西姆所指出的那样,它仍然是为了对准分散,通过弗拉基米尔所述的方法。
是的,我说的是对于那些需要将预测器分区移到树的较低层次的行,减少权重的可行性。如果我们考虑到市场已经发生了变化,仅仅给较新的数据加权可能是有意义的。
有什么地方可以读到这些参数吗?
以前没有注意到这个东西
在NS上做了一个TS的原型。根据NS预测开盘,预测时间 - 5米。开盘后5分钟内就完成了交易。没有对该交易进行监督。
这里是第一个结果。
x - 交易号码,y - 以点为单位的利润。佣金等不在考虑之列。测试的间隔时间为3.5个月。
没有必要在第60个交易之前进行交易,是到前一个期货收盘为止,在那里预测的可能性不大。我怀疑,急剧的跳跃是日间的差距。
还有Python代码。这再简单不过了。
以前没有注意到这个东西
我在xgboost 网站上找不到,不过有一个 "参数调整 "部分,都是关于偏差-变异的权衡。
这与我的想法有点类似。
不使用它,只是好奇。
在NS上做了一个TS的原型。开盘后5分钟就完成了交易(预测时间)。没有对交易进行监督。
这里是第一个结果。
通过x - 交易号码,通过y - 以点为单位的利润。佣金等不在考虑之列。测试的间隔时间为3.5个月。
没有必要在第60个交易之前进行交易,是到前一个期货收盘为止,在那里预测的可能性不大。我怀疑,急剧的跳跃是日间的差距。
还有Python代码。这再简单不过了。
考虑到通宵关门,不在10点开门,看起来很有意思?
看起来很有趣,但你是否考虑到晚上关门而不是在10点开门?
没有任何东西被考虑在内。历史的连续流动 直接向国家安全局汇报。我们根据NS预报开放,在5米内关闭。
在xgboost网站上找不到这样的设置,好在有一个 "参数调整 "部分,都是关于偏差-变异权衡的。
这与我的想法有点类似。
我不使用它,我只是好奇。
在xgb.train小说的PDF描述包中,它说。
就这样了。
ELM也有同样的。我在别的地方见过。
xgb.train函数的PDF描述包中说。
这就是全部。
问了做助推器的人,也许他以后会给你一个答案。
没有什么是可以说明的。连续流动的历史 直接在NS上关闭。我们根据天气预报开放,在5米内我们愚蠢地关闭。
训练时,我在他们身上取得了很好的效果,但结果是在10点前停下来不回撤的情况下关门是不真实的。