交易中的机器学习:理论、模型、实践和算法交易 - 页 1538 1...153115321533153415351536153715381539154015411542154315441545...3399 新评论 Maxim Dmitrievsky 2019.09.21 18:34 #15371 mytarmailS: dtw,频谱分析...一堆... 我设法创建了一个算法,知道如何看到相同的模式,无论其大小,也就是说,该算法只看一个图表,并在1分钟和周线 图上看到该模式,它可以做出真正的预测,但我仍有很多工作要做。 我已经开始阅读关于DTW的文章,但我不知道如何将其应用于芬兰的图表,也不知道我需要它做什么)但这是一个有趣的话题,我想 Igor Makanu 2019.09.21 18:38 #15372 马克西姆-德米特里耶夫斯基。 我开始读一些关于DTW的东西,但不明白如何将其应用于金融行,以及为什么我需要它),但主题很有趣,我想 语音和音乐文件是用DTW压缩的,它们也是VR的。 ;) Maxim Dmitrievsky 2019.09.21 18:49 #15373 伊戈尔-马卡努。 语音和音乐文件是用DTW压缩的,而这些文件也是VR的。 ;) 但为什么要用DTW压缩金融文件呢 :) Igor Makanu 2019.09.21 18:55 #15374 马克西姆-德米特里耶夫斯基。 但为什么要挤时间呢?) 我已经研究过这个问题,用我自己的话说,是这样的。 关于DTW 的事情是这样的--它是一种用于压缩BP的适当算法--BP,而不是任何数据--任何东西。 好吧,如果我们知道如何正确地压缩数据--我们会得到数据包吗?- 或者让它成为数据模式--正是这些数据模式使你能够创建语音识别算法 这就是我所看到的DTW 的使用方法。 原则上,你可以将 DTW应用于金融BP,我认为如果转换后没有数据损失(即反向转换是可能的),那么尝试将其应用于金融BP是有意义的,正如他们所说,但如果呢? SZS: 几年前读过一篇文章https://habr.com/ru/post/135087/ Maxim Dmitrievsky 2019.09.21 18:59 #15375 伊戈尔-马卡努。 嗯,我已经研究过这个问题,用我自己的话说,是这样的。 这就是DTW 的价值--它是压缩BP的正确算法--正是BP,而不是任何数据。 好吧,如果我们知道如何正确地压缩数据--我们会得到数据包吗?- 或者让它成为数据模式--正是这些数据模式使你能够创建语音识别算法 这就是我所看到的DTW 的使用方法。 原则上,你可以将 DTW应用于金融BP,我认为如果转换后没有数据损失(即反向转换是可能的),那么尝试将其应用于金融BP是有意义的,就像他们说的那样,但如果呢? SZS: 几年前读过一篇文章https://habr.com/ru/post/135087/ 好吧,我们可以在以后的某个时候研究一下,是的。为了从返回的mb中提取相同的模式 另一方面,拥有一个神经网络是没有意义的 Igor Makanu 2019.09.21 19:08 #15376 马克西姆-德米特里耶夫斯基。 另一方面,拥有一个神经网络是没有意义的。 我不知道,我放弃了研究这一切,这很有趣,但我认为,应该有更简单的方法来了解市场上的情况。 关于NS,你知道数据处理比配置或NS类型更重要,我认为,DTW是对BP的正确处理(当准确处理BP时!!!),数据的一致性才是最重要的 在语音处理中,大约有相同的dtw - 重要的是字母的一致性/顺序?;) UPD。 如果在NS的训练中,只是简单地提供一个BP数据的滑动窗口(条形),那么,我认为,这是一个错觉,通过NS的输入 - 正是因为我们画了1,2,3...N的输入,NS将认为数据是按我们想要的顺序输入的,里面所有的输入将被混合起来,我认为,这将不是一个滑动窗口的NS Maxim Dmitrievsky 2019.09.21 19:14 #15377 伊戈尔-马卡努。 我不知道,我放弃了研究这些东西,它很有趣,但我认为,应该有更简单的方法来了解市场上的情况。 关于NS,你知道DTW比配置或NS的类型更重要,我认为,DTW是对BP的正确处理(在处理BP时!!),数据的一致性才是最重要的!"。 在语音处理中,大约有相同的dtw - 重要的是字母的一致性/顺序?;) 对这些事情不了解,据我所知,递归和卷积神经网络已经使用了很长时间。例如,谷歌的seq2seq(神经语言处理)算法。在这种背景下,DTW不会显得很淡,我不想在椅子上不必要地挤压我的指关节 :) Igor Makanu 2019.09.21 19:18 #15378 马克西姆-德米特里耶夫斯基。 我对这些事情不了解,据我所知,递归和超精确的神经网络早已被用于此。例如,谷歌的seq2seq算法。 在这种背景下,DTW会不会看起来很淡,我可不想在椅子上捏着指关节做无谓的时间 :) 我读到了关于递归和超精确,好吧,就像它一样,但所有的例子都是关于图片识别的,在那里他们开始用调色板压缩的方式做一些技巧,比如产生 反馈在处理调色板方面非常好,数据在处理字体和位图方面非常有用,很难把它们都读出来。 Maxim Dmitrievsky 2019.09.21 19:28 #15379 伊戈尔-马卡努。 我读到了关于递归和超精确,好吧,就像它一样,但所有的例子都是关于图片识别的,在那里他们开始用调色板压缩的方式做一些技巧,比如产生 eeeeee heck,声波比图片更接近BP--也不是静止的,而图片在处理过程中似乎因压缩信息而损失更多,而不是试图恢复--这就像NS学习得更快、更好。 NLP和seq2seq,这些都是针对语音声音之类的。 Igor Makanu 2019.09.21 19:37 #15380 马克西姆-德米特里耶夫斯基。 NLP和seq2seq,这些都是针对语音的,等等。 我完全没有听说过他们,虽然我读了很多材料!我明天会看看的,谢谢。 1...153115321533153415351536153715381539154015411542154315441545...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
dtw,频谱分析...一堆...
我设法创建了一个算法,知道如何看到相同的模式,无论其大小,也就是说,该算法只看一个图表,并在1分钟和周线 图上看到该模式,它可以做出真正的预测,但我仍有很多工作要做。
我已经开始阅读关于DTW的文章,但我不知道如何将其应用于芬兰的图表,也不知道我需要它做什么)但这是一个有趣的话题,我想
我开始读一些关于DTW的东西,但不明白如何将其应用于金融行,以及为什么我需要它),但主题很有趣,我想
语音和音乐文件是用DTW压缩的,它们也是VR的。
;)
语音和音乐文件是用DTW压缩的,而这些文件也是VR的。
;)
但为什么要用DTW压缩金融文件呢 :)
但为什么要挤时间呢?)
我已经研究过这个问题,用我自己的话说,是这样的。
关于DTW 的事情是这样的--它是一种用于压缩BP的适当算法--BP,而不是任何数据--任何东西。
好吧,如果我们知道如何正确地压缩数据--我们会得到数据包吗?- 或者让它成为数据模式--正是这些数据模式使你能够创建语音识别算法
这就是我所看到的DTW 的使用方法。
原则上,你可以将 DTW应用于金融BP,我认为如果转换后没有数据损失(即反向转换是可能的),那么尝试将其应用于金融BP是有意义的,正如他们所说,但如果呢?
SZS: 几年前读过一篇文章https://habr.com/ru/post/135087/
嗯,我已经研究过这个问题,用我自己的话说,是这样的。
这就是DTW 的价值--它是压缩BP的正确算法--正是BP,而不是任何数据。
好吧,如果我们知道如何正确地压缩数据--我们会得到数据包吗?- 或者让它成为数据模式--正是这些数据模式使你能够创建语音识别算法
这就是我所看到的DTW 的使用方法。
原则上,你可以将 DTW应用于金融BP,我认为如果转换后没有数据损失(即反向转换是可能的),那么尝试将其应用于金融BP是有意义的,就像他们说的那样,但如果呢?
SZS: 几年前读过一篇文章https://habr.com/ru/post/135087/
好吧,我们可以在以后的某个时候研究一下,是的。为了从返回的mb中提取相同的模式
另一方面,拥有一个神经网络是没有意义的另一方面,拥有一个神经网络是没有意义的。
我不知道,我放弃了研究这一切,这很有趣,但我认为,应该有更简单的方法来了解市场上的情况。
关于NS,你知道数据处理比配置或NS类型更重要,我认为,DTW是对BP的正确处理(当准确处理BP时!!!),数据的一致性才是最重要的
在语音处理中,大约有相同的dtw - 重要的是字母的一致性/顺序?;)
UPD。
如果在NS的训练中,只是简单地提供一个BP数据的滑动窗口(条形),那么,我认为,这是一个错觉,通过NS的输入 - 正是因为我们画了1,2,3...N的输入,NS将认为数据是按我们想要的顺序输入的,里面所有的输入将被混合起来,我认为,这将不是一个滑动窗口的NS
我不知道,我放弃了研究这些东西,它很有趣,但我认为,应该有更简单的方法来了解市场上的情况。
关于NS,你知道DTW比配置或NS的类型更重要,我认为,DTW是对BP的正确处理(在处理BP时!!),数据的一致性才是最重要的!"。
在语音处理中,大约有相同的dtw - 重要的是字母的一致性/顺序?;)
我对这些事情不了解,据我所知,递归和超精确的神经网络早已被用于此。例如,谷歌的seq2seq算法。 在这种背景下,DTW会不会看起来很淡,我可不想在椅子上捏着指关节做无谓的时间 :)
我读到了关于递归和超精确,好吧,就像它一样,但所有的例子都是关于图片识别的,在那里他们开始用调色板压缩的方式做一些技巧,比如产生
反馈在处理调色板方面非常好,数据在处理字体和位图方面非常有用,很难把它们都读出来。
我读到了关于递归和超精确,好吧,就像它一样,但所有的例子都是关于图片识别的,在那里他们开始用调色板压缩的方式做一些技巧,比如产生
eeeeee heck,声波比图片更接近BP--也不是静止的,而图片在处理过程中似乎因压缩信息而损失更多,而不是试图恢复--这就像NS学习得更快、更好。
NLP和seq2seq,这些都是针对语音的,等等。
我完全没有听说过他们,虽然我读了很多材料!我明天会看看的,谢谢。