Does it seem like you had missed getting rich during the recent crypto craze? Fret not, the international financial markets continue their move rightwards every day. You still have your chance. But successful traders all agree emotions have no place in trading — if you are ever to enjoy a fortune attained by your trading, better first make...
我基本上是在为机器人寻找零件，为自己写视频。
说实话，我还没有一篇文章直接借用了非常有用的东西，只是从各个地方借鉴了一点。是的，很明显，并不总是有东西可借......。
但是关于CatBoost--它可能不太适合时间序列，就像其他模型一样--所有这些模型都没有考虑到采样历史上模式（表）的可重复性，它在采样过程中的分布--这非常重要。
可以理解的是，并不总是有东西可以借...
但关于CatBoost--它似乎不太适合时间序列，以及其他模型--它们都没有考虑到样本历史上模式（表）的可重复性，它在样本上的分布--这非常重要。
在什么意义上，它没有考虑到一些模式的取样不足？
是有可能积累起来的。
实际上，它本身就非常酷，非常方便，而且它一直在改进。他们说它几乎在所有方面都超过了xgboost。但这仍然是一个开放的问题--对于时间序列 来说，什么是更好的？
它在哪些方面没有考虑到一些模式的采样不足呢？
有可能积累起来
据我所知，CatBoost一般在抽样算法中采取随机窗口的方式来计算分割到64个值（只是不知道这是否适用于分类预测因子或所有）。
问题是，大多数算法并不关心是否在1/10的样本中发生了叶子的激活，或者是否分布在所有的样本上--我认为分布应该是在所有的样本上（比如说每1/5不低于10-15%），你需要在通过统计时考虑经济指标--我通过单独检查表来做到这一点。
总的来说，它本身非常酷，对用户友好，+它一直在改进。据说它几乎在所有方面都超过了xgboost。然而，这仍然是一个开放性的问题--对于时间序列NS或提升来说，什么是更好的？
正如我之前所说，根据开发人员的意见，如果预测器彼此相似，在相同的测量单位中，那么NS更好，但我没有返回者，但你应该尝试NS。
正如我之前所说，根据开发人员的说法，如果预测因子彼此相似，在相同的单位中，那么NS更好，但我没有复发只是，但你会尝试NS。
我想试试NS。 准确地说，经常性的和他们的修改对增量是有好处的，我以后会试试。
复发的和他们的修改对增量有好处，我以后会尝试。
一切皆有可能，你应该试试。
至于最后一个视频--我不同意代码不会改变兴趣--如果一个人只是在python和MO中尝试他的力量，会更有趣的观看，问题可能是在优点。虽然，观众可能很难理解，是的，并不是所有的东西都是这样的，一目了然。
关于小说--尝试不同的线性公式来选择增量，而不仅仅是随机的，这样不是更好吗？也许我应该有三个偏移量为1到10的回报和30个偏移量为10到50的回报。
一个小小的批评）马克西姆我不***理解.....
提示，要理解你在那里变出的东西，你需要看到代码。因此，将每个视频的代码发布在博客或某个地方，只是开放源代码，没有任何文件。
在代码中加上注释。然后，你将能够在实践中应用代码的碎片，并推理出一些东西。但现在只是视频剪辑与大声的反思）。
P.S. 那个可以调整图表比例的 库是什么，只在浏览器中工作？
不是所有的事情都可以用代码完成...
例如，放置挂单（它们的一些变体）。
有点批评的意思）马克西姆我不***理解.....
提示，你需要看到代码，以了解你在那里变出的东西。因此，将每个视频的代码发布在博客或某个地方，只是开放源代码，没有任何文件。
在代码中加上注释。然后，你将能够在实践中应用代码的碎片，并推理出一些东西。但现在只是视频剪辑与大声的反思）。
P.S. 调整图表比例的 库是什么，只在浏览器中工作？
我将疯狂地回答所有的代码，时间是不够的。
我以后会抛出一些中间的版本。
https://kernc.github.io/backtesting.py/