交易中的机器学习:理论、模型、实践和算法交易 - 页 1439 1...143214331434143514361437143814391440144114421443144414451446...3399 新评论 Forester 2019.04.14 13:59 #14381 马克西姆-德米特里耶夫斯基。 现实上,在catbust下重写整个TS来尝试......也有很多麻烦。但事实是,在小数据集上的学习森林泛化得很好,例如,在2-5k的样本上,只增加2次,在相同的数据上,完全重新培训。这是一个事实。试过短数据集,有几周有30%的误差,下一周有60-70%的误差。也就是说,平均为50%。 Maxim Dmitrievsky 2019.04.14 14:00 #14382 埃利布留斯。试过短的数据集,有时一个星期的误差是30%,接下来是60-70%。平均为50%。例如,如果我训练了一个月,用新的数据训练一年,效果也差不多。我训练了2-3个月--已经不起作用了......一些狗屁。 和模型误差是一样的 Forester 2019.04.14 14:02 #14383 马克西姆-德米特里耶夫斯基。例如,如果我训练了一个月,用新的数据训练一年,效果也差不多。我训练了2-3个月--它不再起作用了......某种意义上的胡说八道 这些结果是在你的自学系统上吗? Maxim Dmitrievsky 2019.04.14 14:05 #14384 elibrarius。 这是在你的自学系统这些结果吗?是的,在这上面,有一些技巧。我将揭示一个问题--在模型中添加中间样本。例如,有一个信号,打开一个买入交易,只要它是开放的,在每一个新的酒吧 添加另一个样本与相同的买入标记,与新的读数的芯片,分别。这将大大减少误差。某种重复的样本。 在一些模型中,它可能不会减少误差,但在我的模型中,它确实如此。 Forester 2019.04.14 14:08 #14385 马克西姆-德米特里耶夫斯基。是的,在这上面,有一些技巧。我将揭示一个问题--在模型中添加中间样本。例如,有一个信号,打开一个买入交易,只要它是开放的,在每一个新的酒吧 添加另一个样本与相同的买入标记,与新的读数的芯片,分别。这将大大减少误差。某种重复的样本。 嗯,这有点像在第一次运行时选择一个目标。其余的周期基本上只是跟着老师学习,从第一次运行开始。 有了这一招,你会测试出更多的变化。 Maxim Dmitrievsky 2019.04.14 14:13 #14386 elibrarius。 好吧,这是在第一次运行时的一种目标匹配。其余的周期基本上只是跟着老师学习,从第一次运行开始。 有了这一招,你将测试更多的变化。我不太明白。相反,它是一种重复的样本。通常情况下,你只是提供买入和卖出信号,而不关心这些信号之间的市场表现。如果你添加了中间的支持样本,那么模型会自动进行更好的分类。 例如,如果我实际上有1000个样本-信号,那么加上中间的强化,就是5千或更多 Maxim Dmitrievsky 2019.04.14 14:40 #14387 阿列克谢-维亚兹米 金。修剪必须控制完整性,即剪到样本覆盖率至少为0.5-1%。什么?"只是根据经验切断到合适的深度。 Aleksey Vyazmikin 2019.04.14 15:12 #14388 马克西姆-德米特里耶夫斯基。什么的完整性?"只是根据经验切入到适当的深度列表中应该至少包含样本中的某个百分比的例子,如果少于这个百分比,你就把分叉的地方切掉。例子越多,规律性的可能性就越大--这里的一切都很简单。 Aleksey Vyazmikin 2019.04.14 15:16 #14389 马克西姆-德米特里耶夫斯基。是的,在这上面,有一些技巧。我将揭示一个问题--在模型中添加中间样本。例如,有一个信号,打开一个买入交易,只要它是开放的,在每一个新的酒吧 添加另一个样本与相同的买入标记,与新的读数的芯片,分别。这将大大减少误差。某种重复的样本。 也许在某些模型中它不会减少误差,但在我的模型中它会。我开始采用这种方法,但相反,我试图找到从进入点到退出点的正确分类曲线的平滑度,但我的方法需要大量的计算能力--所以我不得不放弃它。你有相反的情况,这很有趣,有可能出现反趋势......我只是在想,我怎样才能实现类似于MO的东西,在我的信号中起作用--我不知道如何训练,但那里显然有一些潜力。 Ivan Negreshniy 2019.04.14 15:35 #14390 马克西姆-德米特里耶夫斯基。我不太明白。相反,它是一种重复的样本。通常情况下,你只是提供买入和卖出信号,而不关心这些信号之间的市场表现。如果你增加中间的支持样本,模型的分类效果会更好。 例如,如果我有1000个样本-信号,那么加上中间支持,就是5千或更多。我也注意到并应用了它,但就我的理解,它之所以有效是因为数据是垃圾,而这样的技巧有助于在一系列异常值上进行训练。如果你不这样做,模型适合一个经纪人,甚至有时在同一终端的一些数据重载更新后停止工作。 1...143214331434143514361437143814391440144114421443144414451446...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
现实上,在catbust下重写整个TS来尝试......也有很多麻烦。但事实是,在小数据集上的学习森林泛化得很好,例如,在2-5k的样本上,只增加2次,在相同的数据上,完全重新培训。这是一个事实。试过短数据集,有几周有30%的误差,下一周有60-70%的误差。也就是说,平均为50%。
试过短的数据集,有时一个星期的误差是30%,接下来是60-70%。平均为50%。
例如,如果我训练了一个月,用新的数据训练一年,效果也差不多。我训练了2-3个月--已经不起作用了......一些狗屁。
和模型误差是一样的例如,如果我训练了一个月,用新的数据训练一年,效果也差不多。我训练了2-3个月--它不再起作用了......某种意义上的胡说八道
这是在你的自学系统这些结果吗?
是的,在这上面,有一些技巧。我将揭示一个问题--在模型中添加中间样本。例如,有一个信号,打开一个买入交易,只要它是开放的,在每一个新的酒吧 添加另一个样本与相同的买入标记,与新的读数的芯片,分别。这将大大减少误差。某种重复的样本。
在一些模型中,它可能不会减少误差,但在我的模型中,它确实如此。是的,在这上面,有一些技巧。我将揭示一个问题--在模型中添加中间样本。例如,有一个信号,打开一个买入交易,只要它是开放的,在每一个新的酒吧 添加另一个样本与相同的买入标记,与新的读数的芯片,分别。这将大大减少误差。某种重复的样本。
有了这一招,你会测试出更多的变化。
好吧,这是在第一次运行时的一种目标匹配。其余的周期基本上只是跟着老师学习,从第一次运行开始。
有了这一招,你将测试更多的变化。
我不太明白。相反,它是一种重复的样本。通常情况下,你只是提供买入和卖出信号,而不关心这些信号之间的市场表现。如果你添加了中间的支持样本,那么模型会自动进行更好的分类。
例如,如果我实际上有1000个样本-信号,那么加上中间的强化,就是5千或更多修剪必须控制完整性,即剪到样本覆盖率至少为0.5-1%。
什么?"只是根据经验切断到合适的深度。
什么的完整性?"只是根据经验切入到适当的深度
列表中应该至少包含样本中的某个百分比的例子,如果少于这个百分比,你就把分叉的地方切掉。例子越多,规律性的可能性就越大--这里的一切都很简单。
是的,在这上面,有一些技巧。我将揭示一个问题--在模型中添加中间样本。例如,有一个信号,打开一个买入交易,只要它是开放的,在每一个新的酒吧 添加另一个样本与相同的买入标记,与新的读数的芯片,分别。这将大大减少误差。某种重复的样本。
也许在某些模型中它不会减少误差,但在我的模型中它会。我开始采用这种方法,但相反,我试图找到从进入点到退出点的正确分类曲线的平滑度,但我的方法需要大量的计算能力--所以我不得不放弃它。你有相反的情况,这很有趣,有可能出现反趋势......我只是在想,我怎样才能实现类似于MO的东西,在我的信号中起作用--我不知道如何训练,但那里显然有一些潜力。
我不太明白。相反,它是一种重复的样本。通常情况下,你只是提供买入和卖出信号,而不关心这些信号之间的市场表现。如果你增加中间的支持样本,模型的分类效果会更好。
例如,如果我有1000个样本-信号,那么加上中间支持,就是5千或更多。我也注意到并应用了它,但就我的理解,它之所以有效是因为数据是垃圾,而这样的技巧有助于在一系列异常值上进行训练。如果你不这样做,模型适合一个经纪人,甚至有时在同一终端的一些数据重载更新后停止工作。