交易中的机器学习：理论、模型、实践和算法交易 - 页 1907

[Mihail Marchukajtes]

Maxim Dmitrievsky:

这是其中之一。只有12个文件夹，而不是24个。

我有错误

>> print(train_score, " ", tst_score)

1.0 0.5454545454545454

这是对马克西姆这个主题的扫盲，纯粹是肩上的责任。你刚才发给我的文件总共有12个条目。要从顶部开始，我需要有20-24个动作，然后我可以从11个输入开始（对于我的能力来说，这是最大的），然后去他们减少输入的数量并浏览它们。当我 从上到下进行优化 时，首先进行十次单人跑步，这样做是为了选择最好的跑步，并从它开始正常训练。如果我没有足够的条目，那么我通常从最底层的5个条目开始，并试图建立条目的数量，并选择前十次运行中最差的版本，以便在训练中推迟在最大的超标区域开始。在第一种情况下，我正在猛烈地节省我的资源。在第二种情况下，我选择最差的选项，并尽可能地去研究所有可能的变体。

你所得到的这种数据是胡说八道。看看我得到了什么，我相信这些结果，我只是不相信你的投入，这是对未来的窥视。马克西姆，你为什么不为这样做感到羞耻呢？ 孩子们在看着我们，你想给他们看照片，却不知道为什么没有反馈？

让我们现在就给你，我将给你发送模型和文件培训，你知道什么输入数字对应于你的指定，但如果你不显示模型工作的反馈循环，我不会为你做那么多。每个人都想知道它是如何工作的。因此，Shaitan机器并不是免费工作的。

只是一个基本的代码提取

vv0[q]=0;//12    вместо нулей подай значения своих входов
vv1[q]=0;//10
vv2[q]=0;//8
vv3[q]=0;//2
double Ress1=getBinaryClassificator1(vv0[q],vv1[q],vv2[q],vv3[q]);  //Вызов результатов полиномов 
double Ress11=getBinaryClassificator2(vv0[q],vv1[q],vv2[q],vv3[q]);

double getBinaryClassificator1(double v0, double v1, double v2, double v3) {
   double x0 = 2.0 * (v0 + 0.00352160000000379) / 0.0060209999999973896 - 1.0;
   double x1 = 2.0 * (v1 + 0.00321680000000524) / 0.006628599999996879 - 1.0;
   double x2 = 2.0 * (v2 + 0.00257640000000836) / 0.00577599999999978 - 1.0;
   double x3 = 2.0 * (v3 + 0.00197520000000417) / 0.00414859999999794 - 1.0;
   double decision = 0.6226912928759895 * x0
  -0.013192612137203167 * x0 * x1
  + 0.9920844327176781 * x2
  + 1.3060686015831136 * x0 * x2
  -3.5395778364116093 * x1 * x2
  -1.1394019349164468 * x3
  + 2.5659630606860158 * x0 * x3
  + 0.5395778364116095 * x1 * x3
  + 0.31090589270008795 * sigmoid(x0)
  + 0.009674582233948988 * sigmoid(x1)
  -0.0839929639401935 * sigmoid(x0 + x1)
  + 0.012313104661389622 * sigmoid(x2)
  + 0.30474934036939316 * sigmoid(x0 + x2)
  -0.5958663148636764 * sigmoid(x1 + x2)
  + 0.002638522427440633 * sigmoid(x0 + x1 + x2)
  -0.05013192612137203 * sigmoid(x3)
  + 0.014951627088830254 * sigmoid(x0 + x3)
  -0.13412489006156553 * sigmoid(x1 + x3)
  -0.006596306068601583 * sigmoid(x0 + x1 + x3)
  + 0.04397537379067722 * sigmoid(x2 + x3)
  + 0.1363236587510994 * sigmoid(x0 + x2 + x3)
  + 0.6952506596306068 * sigmoid(x1 + x2 + x3)
  -0.29331574318381703 * sigmoid(x0 + x1 + x2 + x3)
  + 1.0738786279683377 * sigmoid(1.0 + x0)
  -1.073438874230431 * sigmoid(1.0 + x1)
  -0.4256816182937555 * sigmoid(1.0 + x0 + x1)
  + 1.0708003518029903 * sigmoid(1.0 + x2)
  + 0.9656992084432717 * sigmoid(1.0 + x1 + x2)
  -3.1314863676341247 * sigmoid(1.0 + x3)
  -0.8500439753737907 * sigmoid(1.0 + x0 + x3)
  + 1.0281442392260334 * sigmoid(1.0 + x1 + x3)
  + 0.8544415127528584 * sigmoid(1.0 + x0 + x1 + x3)
  -0.21328056288478453 * sigmoid(1.0 + x0 + x1 + x2 + x3);
   return decision;
}
double sigmoid(double x) {
   if (MathAbs(x) < 1.0) {
      return 2.0 * signum(x) - x;
   }
   return signum(x);
}
double getBinaryClassificator2(double v0, double v1, double v2, double v3) {
   double x0 = 2.0 * (v0 + 0.00518320000001116) / 0.00871940000000327 - 1.0;
   double x1 = 2.0 * (v1 + 0.00542880000001134) / 0.01145720000000306 - 1.0;
   double x2 = 2.0 * (v2 + 0.00578500000001125) / 0.00872540000000166 - 1.0;
   double x3 = 2.0 * (v3 + 0.00496500000001143) / 0.00698900000000191 - 1.0;
   double decision = -0.17965023847376788 * x0
  + 1.7416534181240064 * x1
  + 0.5389507154213037 * x0 * x1
  + 0.5023847376788553 * x2
  -0.16653418124006358 * x1 * x2
  -0.06836248012718601 * x3
  -0.8191573926868044 * x1 * x3
  -0.029809220985691574 * sigmoid(x0)
  -0.009141494435612083 * sigmoid(x1)
  + 0.00794912559618442 * sigmoid(x0 + x1)
  + 1.7150238473767885 * sigmoid(x2)
  -1.2686804451510334 * sigmoid(x0 + x2)
  + 0.051271860095389504 * sigmoid(x1 + x2)
  + 0.05405405405405406 * sigmoid(x0 + x1 + x2)
  -1.095389507154213 * sigmoid(x3)
  -0.2444356120826709 * sigmoid(x0 + x3)
  + 0.34737678855325915 * sigmoid(x1 + x3)
  + 0.9264705882352942 * sigmoid(x0 + x1 + x3)
  + 0.16176470588235295 * sigmoid(x2 + x3)
  -0.7682829888712241 * sigmoid(x0 + x2 + x3)
  -0.16335453100158984 * sigmoid(x1 + x2 + x3)
  + 0.7551669316375199 * sigmoid(x0 + x1 + x2 + x3)
  -2.048489666136725 * sigmoid(1.0 + x0)
  -0.31756756756756754 * sigmoid(1.0 + x1)
  -0.08982511923688394 * sigmoid(1.0 + x0 + x1)
  + 1.4666136724960255 * sigmoid(1.0 + x1 + x2);
   return decision;
}
double signum(double x) {
  if (x == 0.0) {
    return 0.0;
  }
  if (x > 0.0) {
    return 1.0;
  }
  return -1.0;
}

从所附文件中，我根据我的标记确定了输入的数字。我正在等待OMF测试的结果。

[Mihail Marchukajtes]

那么，此外，该模型估计。

预测器表示文件中的列数

258个矢量的总数。我去掉了0类，把2类重命名为0，因为它们与1类在数量上是平衡的，19.60是二次误差，或者说是直线和二次之间的差异，它应该趋于零，79.141是一般概括能力，当你到了100时，误差之间的差异就会减少，69.767是spicification。总的控制情节是75，一般普遍性是70。答案是不知道，我们得到了总样本中的77个向量，而对照组有17个。

事实上，我在训练中得到的结果更差，但在控制部分，它们要高得多。此外，这不是像你这样的测试部分，而是一个控制部分，也就是网友根本没有看到的部分。测试的时候，它在训练的时候进行训练，以便在测试的时候工作得很好，也就是说，在训练的时候，网络可能会看到测试部分。测试的那个没有。问题????

[a5l3e5x]

请告诉我如何找到一个有最大利润的订单（mql4）。

非常感谢你。

[Mihail Marchukajtes]

a5l3e5x:

请告诉我如何找到一个有最大利润的订单（mql4）。

非常感谢你。

我的朋友，没有人使用MT4，一个订单有一个利润参数。我们应该尝试所有的订单来读取这个参数并选择最大的一个。就是这样...一言以蔽之...

[Rorschach]

Mihail Marchukajtes:

对这项挑战感兴趣吗？

关于交易、自动交易系统和交易策略测试的论坛

交易中的机器学习：理论、实践、交易及其他

Rorschach, 2020.07.14 19:21

谁想练习？进入榜首，第三名退出。2和4是测试。一些澄清，1个图表增量，3个图表信号，以购买一些 "经典 "系统。顺便问一下，NS是否能够模拟ligic并带有内存指示器，类似于人字形和最大/最小指示器的东西？

[Mihail Marchukajtes]

Rorschach:

这样的任务有意思吗？

我想是的，但你是说我应该根据图片输入数字吗？

[Rorschach]

Mihail Marchukajtes:
好的，但你是要我从图片中输入数字吗？

那我就准备数据，350个例子，100个输入就可以了？

[Mihail Marchukajtes]

Rorschach:

那我就准备数据，350个例子，100个输入就可以了？

是的，一般来说，这很酷，但我坚持认为，输入应该是三倍的例子，这样算法才有东西可以选择。我想我还要做一个视频，写起来就太长了。有一个方形矩阵理论，我从这个理论中得出了这个结论......准备一个样品...

[Mihail Marchukajtes]

大家看看吧，不是为了做广告。我去参加了他们的一个开放日，并认为我应该停止自学，以防万一我没有弄好。我想得到他们知识的正式确认，可以说是。就在前几天，我读到了埃隆-马斯克和他的Neurolink，该项目将在8月提出。而这里仿佛来了一封信，所以我不明白如何下载的内容，所以看了图片。

总的来说，这个话题很有意思，所以我们能不能偷偷地在那里聚在一起，谈一谈要点？你怎么说？

[Rorschach]

Mihail Marchukajtes:
是的，这很酷，但我认为应该有三倍的例子，以便算法有很多选择。我觉得我应该再录一段视频，写起来就太长了。有一个方形矩阵理论，我从这个理论中得出了这个结论......准备一个样品...

我的结果详见这里。为了验证，我把原始系列乘以-1