Mihail Marchukajtes: 同样，你在使用一个函数进行归一化。试着用简单的数学减法来做，或者你可以用雷舍托夫的公式。double x0 = 2.0 * (v0 + minimum) / maximum - 1.0.那么就不会有互换和反换的问题。我不知道这个函数是如何进行这种正常化的....。
你在说什么，你是喝醉了还是怎么了？:) 我向你要了你的文章和你的算法。
我将复制它
Бегло прочитал статью нашего михи) Уже второй раз, первый раз читал давно, нечего тогда не понял... Попробую кратко изложить его подход если я что то не понял то пусть он меня поправит...
1) Из цены выделяем точки которые (математически/логически) одинаковые (кластера), у михи это сигнал торг. системы секвента но по факту это может быть что угодно - пересечение машек, черная свеча в 10 утра итп. он собственно и сам об этом говорит что может быть что угодно.
Человеческим языком : мы просто субъективно сокращаем размерность в данных , уменьшаем степени свободы, для АМО (алгоритм машинного обучения). И это наверное правильно.
2) далее миха учитывает "контекст рынка" отчеты там всякие , открытый интерес и рассматривает сигнал от системы секвента в контексте "контекста рынка" (сори за каламбур) и на каждую такую комбинацию тренирует сеть..
Человеческим языком: "контекст рынка" - это тоже по сути кластер и тут тоже может быть что угодно. В ситуации когда один кластер(п.1) есть вложенный в другой кластер(п.2) мы еще сильнее сокращаем размерность, на порядки. И теперь уже на полученных сжатых данных мы обучаем АМО . И это тоже наверное правильно.
3)Обучаем АМО1 классификации на три класса "бай", "сел", "не знаю" (миха обучал на "бай" и на "сел" отдельно но я не вижу смысла)
4)На "новых данных 1" смотрим ошибку распознавания АМО1 и создаем новые метки в классах типа "бай/не угадала" или "бай/угадала" или "сел/не знаю"5) Обучаем второй АМО2 на данных и ответах от первой АМО16) На "новых данных 2" смотрим ошибку распознавания АМО2
Человеческим языком: Вторым АМО2 мы предсказываем правильно ли угадает АМО1 свой класс
правильно миха?? смотри я в 10 строчек всю твою статью уместил))
micha！你是否会回答我在前一页的问题？ 我是否正确理解了你的陈述？
如果你从一个目标建立增量，它将是正常化的，位于实际值范围内，可以转移到0:1范围。
如果我们谈论的是预测，目标必须往后移一个滞后期，这样今天我们就可以考虑到明天。同样，你可以只取斜率符号，把它带到0：1的范围。但你只知道方向，而不知道预报的深度。这也需要来自电网的额外资源。一般来说，ZigZag（如果是他的话）并不是一个真正的好目标，因为对于分类来说，它没有意义，但对于预后来说，最好采取另一个，有最后价值的那个。
根据我的工作，我的目标确实也没有极端的价值。这就是当前信号的结果是不知道的，因为它正在进行中。这就是为什么我缩进了1（强制）2个额外的信号，以了解该模型的一般工作情况。虽然我在训练前有测试期，但我仍然缩进了2个信号，但没有更多。
这不可能，你似乎不在这个圈子里。
micha！你到底要不要回答我在最后一页的问题？
同样，你在使用一个函数进行归一化。试着用简单的数学减法来做，或者你可以用雷舍托夫的公式。double x0 = 2.0 * (v0 + minimum) / maximum - 1.0.那么就不会有互换和反换的问题。我不知道这个函数是如何进行这种正常化的....。
你在说什么，你是喝醉了还是怎么了？:) 我向你要了你的文章和你的算法。
我将复制它
这是不可能的，你似乎不了解情况。
有一只松鼠在那里 :)
我叫你mikha时很奇怪，而且是用一个小字母:-(
这都是错误的。从背景来看，这篇文章已经过时了。在任何情况下，我都无法用它获得改善。我试图通过改变语境使输入数据成倍增加，从而编织成输入数据，但我没能得到质的提高，但我也没能完成这个方向的工作。也就是说，如果可能的话，我将在背景下更新我的经验。
让我们按顺序看一下。
1）所有正确的我们在不改变时间间隔的情况下从数学上减少样本。另外，如果训练后的网络 质量令人满意，我们可以通过简单的条件消除不必要的数据，从而增加时间间隔。
2）市场背景只有九个州。因此，我们可以建立九个模型，每个模型都经过训练，在其特定时期的背景下工作。但这里又出现了另一个数据过时的问题。这意味着，如果一个模型在三天前的白天工作，那么当我们今天打开它时，它不会考虑到昨天的情况，这对市场很重要。这就是使用上下文的致命弱点所在，这就是为什么我试图通过乘法将其编织到输入数据中，但在这里也没有成功。但我还是要摆弄一下。
3）这是个烂摊子。一切都堆积起来了。让我解释一下。该序列有两个买入和卖出信号，这些信号是相互独立的。如果我们从基本策略中只提取买入信号，我们将得到一个更稳定的基本策略，买入信号是相互依赖的。这意味着我们不能得到两个相差几个柱子的信号，不像使用完整序列，买入信号的出现不取决于卖出信号的出现。
关于在优化器Rechetov的训练（我希望没有人认为我在那里推广我的文章），但我从中得到了很多想法。训练两个多项式，也就是两个网格，其中答案相同的是YES，答案相同的是NO，答案不同的是NO。样本被分为两个chatsy traine和test，其中对于一个多义词traine来说，另一个是test，反之亦然。交叉训练。但最终，如果我们从一个网络中提取测试部分，从另一个网络中提取测试部分，这将是我们的整体训练集。
4)5)6)的确，我试图做多层次模型，第一层次的输入，第二层次的输出来自第一层次，等等。我记得，马克西姆甚至在科学上称这种方法，但我现在不做了，因为太麻烦了。目前，仅仅是第一层就足够了。我认为这种方法适用于更高层次的任务。好吧，假设我的TS现在工作了1周。通过这种方法，我认为我们可以增加TS的寿命，但不会很明显。也就是说，下一级将试图隐藏下一级的错误。如果我没有理解错的话。
是的，我一直在喝酒。我找了几瓶啤酒来谈。Trickster?????，到底在哪里？我为他想了一些办法...:-)
我叫你mikha时很奇怪，而且是用一个小字母:-(
无罪)
你不是，你似乎已经脱离了这个圈子。
伙计，你现在越来越年轻了.....我知道，所以仔细听我在这里倒数第二遍告诉你（最后一遍将是一个视频）。正是因为有你这样的人，我才想做一个视频，这样我就不用每次都解释存在的本质了。有一个价格形成的因果模型。不是时间性的，而是因果性的。因此，价格变化的原因是以下因素。
首先，期权主义者通过扭曲波动率的微笑来形成市场的预期。然后根据这个预期或互联网（眼镜店可能搞错了），有一个交易量，有一个delta。成交量显示参与者的数量delta表示交易量+持仓量的方向。只有这样，价格才会根据交易量而变化，也只有这样，指标才会改变你所有试图用于价格预测的数值。就是说，你在试图预测原因。那么，我们当中有谁是失联的呢????
在这里，对于SI来说，所有这些数据都是存在的，但对于比特币来说，它是存在的？因此，请不要...di....因为我对你没有足够的胆量。学习基本知识，先生们.....这就是为什么我的方法可行，而不像你的方法。你的也可能是可行的，但如果不是基于上述模型，你的工作中出现随机性的概率就很高。有什么问题吗？