交易中的机器学习：理论、模型、实践和算法交易 - 页 1951

新评论
 
Maxim Dmitrievsky:

我今天做了一个艰难的决定--我放弃了聚类，因为它是d :)

即使是季节性模式，用手拉出来也比用它拉出来好（就新数据的稳定性而言）。

因为合众监管几乎是不可能控制的，所以它自己生活。可能只适用于快速数据分区

我打算给umap一个尝试，看看它是什么。

任何人都有兴趣去探究，一个产生机器人的东西。

然后就去山里或海里。在夏天结束之前。

 
elibrarius:

然后到山里或到海边。在夏天结束之前

我有一个另一种方法的想法）我还不想去海里，到处都是鳕鱼。

 
Rorschach:

对于一个有1个神经元和100个输入的网络。左边是所有输入，中间是最后10个。右边是10个神经元100个输入。

网格的权重，左边是ma(100)100的输入，右边是ma(50)100的输入，相交。


这提供了什么信息？

 
Maxim Dmitrievsky:

我今天做了一个艰难的决定--我放弃了聚类，因为它是D :)

哇！！多么出乎意料））记得有人告诉过你，D）这个，好像很多次））聪明的家伙可能，我不记得名字了......。

马克西姆-德米特里耶夫斯基。

我已经计划给umap一个旋转，看看它是怎么回事。

只要确保 学习理论，甚至不是关于算法本身，而是关于降维，它是什么，有什么用，你应该如何正确使用它，什么不应该，等等。

否则，输出将是一个垃圾，我几乎可以保证这一点。

 
mytarmailS:

呜呼！！多么出乎意料））记得有人告诉过我，D.）这个，好像甚至很多时候））。

只要确保 你研究过理论，甚至不是算法本身，而是降维，它是什么，有什么用，你应该如何正确使用它，什么不应该，等等。

否则，产出将是一个垃圾，我几乎可以保证这一点。

直到你亲自尝试，正如他们所说的...

 
Maxim Dmitrievsky:

这提供了什么信息？

上面的图表显示，网格使用了最近的1.2个输入（也就是1.2个以前的价格值）。

在较低的图表上，它使用尽可能多的价格来计算MA，如果ma(50)，这正是网络使用的输入数量。

上层网的训练很差，它有大约60%的准确率，下层网给出了99%。

上方试图通过之前的条形图的增量来确定下一个条形图的方向（预测）。

下网只是确定价格的方向和当前条形图上的Ma交叉点，增量输入（不做预测）。

 
Rorschach:

上面的图表显示，网格使用了最近的1.2个条目（也就是1.2个以前的价格值）。

在较低的图表上，它使用尽可能多的价格来计算MA，如果ma(50)，这正是网络使用的输入数量。

上层网络训练不足，其准确率约为60%，下层网络则为99%。

а.你可以简单地看一下

 
mytarmailS:

但一定 要研究理论，甚至不是关于算法本身，而是关于降维，它是什么，它的作用是什么，你应该如何正确使用它，如何不应该，等等。

我有一种感觉，这对你没有什么帮助。这就是信息压缩。如果你压缩垃圾，它将是压缩的垃圾。
如果你在2500中加入1个好的垃圾芯片，算法不会注意到它，它对最终结果的影响如果不超过1/2500，那么就不会太大。即使是1/100，你也不会在图表上注意到它。
我唯一期望的是，高度相关的特征将某种程度上合并成一个。

 

检查一下MT5市场顶部的机器人，它的交易是季节性的。

名字以 "P "开头

并思考如何做一个反面教材。对我来说，它的工作并不顺利，但该主题是有效的。

 
Maxim Dmitrievsky:

а.你可以简单地看一下

它在哪里？
1...194419451946194719481949195019511952195319541955195619571958...3399
新评论