交易中的机器学习：理论、模型、实践和算法交易 - 页 2018 1...201120122013201420152016201720182019202020212022202320242025...3399 新评论 Aleksey Vyazmikin 2020.10.13 12:24 #20171 Maxim Dmitrievsky: 比如，这篇文章想...勾勒出该方法的要点。我还是不明白你在做什么 :D我坚持认为，特征应该由模型本身从时间序列（如果有的话）中自动提取。而且不需要手动做任何事情。增量已经足够了。问题是架构。例如在NLP（神经语言处理）中，神经网络本身决定了单词序列的上下文，即时间序列样本之间的联系。 遗传树和CatBoost的联系很弱，我打算写的那篇文章是关于CatBoost的。推迟写作的原因是我发现预测器的指标稳定性有问题，并投入了所有的力量来纠正它，同时，新的预测器也已经完成。到本周末，我计划开始计算过程（否则服务器闲置时很麻烦），我将努力在月底前写出文章的第一部分。这篇文章将介绍我在CatBoost上制作模型的厨房。 遗传树的情况更复杂，还不会有文章介绍，但方法是我们从树上选择对历史上的一部分数据进行稳定分类的叶子--事实上是所有样本中0.5%-3%的反应，这样的叶子越多越好，现在大约有1000个用于购买和销售的叶子，此外，我还寻找也能过滤所选叶子的叶子，也就是说，我进行了额外的训练，增加其准确性。根据叶子的相似性进行分组（还有一些工作要做），然后在每组内对它们的反应在历史上进行加权，并确定产生 一组叶子的信号 的阈值。一个额外的过滤器是基于所有叶子或只有叶子组的反应的遗传树。这种方法可以显著提高不平衡抽样中的分类完整性，在我的案例中，有3个目标，其中目标 "0 "约为65%。 叶子的选择标准和汇总方法方面的工作有很大的改进潜力，因此，模型可以有更高的质量。 Aleksey Nikolayev 2020.10.13 12:29 #20172 Aleksey Vyazmikin: 预测因素与此有什么关系？ 一定是糊涂了，想到了自己的) Aleksey Vyazmikin 2020.10.13 12:35 #20173 Maxim Dmitrievsky: 我认为，这些特征应该由模型本身从时间序列中自动提取（如果有的话）。而且不需要手动做任何事情。增量已经足够了。问题是架构。例如，如在NLP（神经语言处理）中，神经网络本身决定了单词序列中的上下文，即时间序列样本之间的连接。 我同意关于架构，我们需要一个完全不同的架构，我们需要一套网络。 1. 识别图像。 2.确定图像的空间排序 3. 在放置在空间的图像中寻找模式 现在我有自己的大脑解决1和2网络的问题--组成预测器，并与CatBoost 的第三个任务做。要将这些网络合二为一是很困难的，也许要尝试与每个方向分别合作，然后再将这些网络联合起来？ Maxim Dmitrievsky 2020.10.13 12:43 #20174 阿列克谢-维亚兹米 金。 现在我正在用我的大脑解决1号和2号网络的问题--组成预测器，而CatBoost正在处理第三个任务。将这些网络合并成一个网络是很困难的，也许可以尝试分别与每个方向合作，然后再将这些网络合并？你必须注意创新，他们在不断改进。现代网格有完全相同的任务，要同时做所有的事情。 手动搜索预测器就像用镐头敲打石头一样。而且，正如大家所看到的，这几乎是行不通的 Aleksey Vyazmikin 2020.10.13 13:02 #20175 Maxim Dmitrievsky: 你必须留意新产品，他们在不断地改进。现代网格有完全相同的任务，要同时做所有的事情。 手动搜索预测器就像用镐头敲打石头。而且，正如大家所看到的，这几乎是行不通的 它必须是一个非常复杂的架构，才能同时做所有的事情，而架构越复杂，需要的处理能力就越多。 然而，如果有能力的需要（有旧的服务器和GPU），我准备为他们提供的想法;) Maxim Dmitrievsky 2020.10.13 13:55 #20176 Aleksey Vyazmikin: 架构越复杂，需要的处理能力就越多。然而，如果对电源有需求（有旧的服务器和GPU），我准备为这个想法提供电源；) 并不复杂，你只需要了解 我根本不需要任何动力。我的笔记本上的LSTM在几分钟内就学会了，不用任何显卡。关于权力是一个神话。 Mikhail Mishanin 2020.10.13 14:15 #20177 Aleksey Vyazmikin: 架构越复杂，需要的处理能力就越多。然而，如果有对电源的需求（有旧的服务器和GPU），我准备为这个想法提供它；）。 准备好当面提出一个想法了吗？ Aleksey Vyazmikin 2020.10.13 14:18 #20178 Maxim Dmitrievsky: 并不复杂，你只需要弄清楚。你根本不需要任何动力。我可以在笔记本电脑上学习LSTM，不需要任何显卡，只需几分钟。关于权力是一个神话。 不是复杂的架构不起作用，你自己说的。不复杂的需要静止性...。循环。 哇，几十分钟的时间真酷，它的网络拓扑结构是什么，有几层，神经元？ Aleksey Vyazmikin 2020.10.13 14:18 #20179 dr.mr. mom: 准备好当面听取意见了吗？ 你可以亲自去做这件事。 Maxim Dmitrievsky 2020.10.13 14:35 #20180 Aleksey Vyazmikin: 不复杂的架构是行不通的，你自己说的。不复杂的需要静止性...。循环。哇，几十分钟的时间真酷，那是什么网络拓扑结构，有几层，神经元？ 哦，伙计......这并不复杂，在这个意义上，你可以想出 通常几层就够了，你不需要在外汇市场上有多大的深度。 有更先进的VR网络，比lstm更酷。可能从那里获利，还没有检查。所有的 "经典 "如boostings和perseptrons都不适合BP。 1...201120122013201420152016201720182019202020212022202320242025...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
比如，这篇文章想...勾勒出该方法的要点。我还是不明白你在做什么 :D
我坚持认为，特征应该由模型本身从时间序列（如果有的话）中自动提取。而且不需要手动做任何事情。增量已经足够了。问题是架构。例如在NLP（神经语言处理）中，神经网络本身决定了单词序列的上下文，即时间序列样本之间的联系。
遗传树和CatBoost的联系很弱，我打算写的那篇文章是关于CatBoost的。推迟写作的原因是我发现预测器的指标稳定性有问题，并投入了所有的力量来纠正它，同时，新的预测器也已经完成。到本周末，我计划开始计算过程（否则服务器闲置时很麻烦），我将努力在月底前写出文章的第一部分。这篇文章将介绍我在CatBoost上制作模型的厨房。
遗传树的情况更复杂，还不会有文章介绍，但方法是我们从树上选择对历史上的一部分数据进行稳定分类的叶子--事实上是所有样本中0.5%-3%的反应，这样的叶子越多越好，现在大约有1000个用于购买和销售的叶子，此外，我还寻找也能过滤所选叶子的叶子，也就是说，我进行了额外的训练，增加其准确性。根据叶子的相似性进行分组（还有一些工作要做），然后在每组内对它们的反应在历史上进行加权，并确定产生 一组叶子的信号 的阈值。一个额外的过滤器是基于所有叶子或只有叶子组的反应的遗传树。这种方法可以显著提高不平衡抽样中的分类完整性，在我的案例中，有3个目标，其中目标 "0 "约为65%。
叶子的选择标准和汇总方法方面的工作有很大的改进潜力，因此，模型可以有更高的质量。
预测因素与此有什么关系？
一定是糊涂了，想到了自己的)
我认为，这些特征应该由模型本身从时间序列中自动提取（如果有的话）。而且不需要手动做任何事情。增量已经足够了。问题是架构。例如，如在NLP（神经语言处理）中，神经网络本身决定了单词序列中的上下文，即时间序列样本之间的连接。
我同意关于架构，我们需要一个完全不同的架构，我们需要一套网络。
1. 识别图像。
2.确定图像的空间排序
3. 在放置在空间的图像中寻找模式
现在我有自己的大脑解决1和2网络的问题--组成预测器，并与CatBoost 的第三个任务做。要将这些网络合二为一是很困难的，也许要尝试与每个方向分别合作，然后再将这些网络联合起来？
现在我正在用我的大脑解决1号和2号网络的问题--组成预测器，而CatBoost正在处理第三个任务。将这些网络合并成一个网络是很困难的，也许可以尝试分别与每个方向合作，然后再将这些网络合并？
你必须注意创新，他们在不断改进。现代网格有完全相同的任务，要同时做所有的事情。
手动搜索预测器就像用镐头敲打石头一样。而且，正如大家所看到的，这几乎是行不通的你必须留意新产品，他们在不断地改进。现代网格有完全相同的任务，要同时做所有的事情。
手动搜索预测器就像用镐头敲打石头。而且，正如大家所看到的，这几乎是行不通的它必须是一个非常复杂的架构，才能同时做所有的事情，而架构越复杂，需要的处理能力就越多。
然而，如果有能力的需要（有旧的服务器和GPU），我准备为他们提供的想法;)
架构越复杂，需要的处理能力就越多。
然而，如果对电源有需求（有旧的服务器和GPU），我准备为这个想法提供电源；)
并不复杂，你只需要了解
我根本不需要任何动力。我的笔记本上的LSTM在几分钟内就学会了，不用任何显卡。关于权力是一个神话。
架构越复杂，需要的处理能力就越多。
然而，如果有对电源的需求（有旧的服务器和GPU），我准备为这个想法提供它；）。
准备好当面提出一个想法了吗？
并不复杂，你只需要弄清楚。
你根本不需要任何动力。我可以在笔记本电脑上学习LSTM，不需要任何显卡，只需几分钟。关于权力是一个神话。
不是复杂的架构不起作用，你自己说的。不复杂的需要静止性...。循环。
哇，几十分钟的时间真酷，它的网络拓扑结构是什么，有几层，神经元？
准备好当面听取意见了吗？
你可以亲自去做这件事。
不复杂的架构是行不通的，你自己说的。不复杂的需要静止性...。循环。
哇，几十分钟的时间真酷，那是什么网络拓扑结构，有几层，神经元？
哦，伙计......这并不复杂，在这个意义上，你可以想出
通常几层就够了，你不需要在外汇市场上有多大的深度。
有更先进的VR网络，比lstm更酷。可能从那里获利，还没有检查。所有的 "经典 "如boostings和perseptrons都不适合BP。