交易中的机器学习：理论、模型、实践和算法交易 - 页 2250

新评论
 
mytarmailS:

读到一半，笑着停在了这里


随机数。使用这些权重的神经网络可能有正确的输入-输出关系， 但为什么 这些实用的权重能发挥作用仍然是一个谜。 神经网络的这种神秘属性 ，这也是许多科学家和工程师避开它们的原因。想想计算机叛徒所宣传的所有科学虚构。


我认为作者离NS非常遥远，甚至比我还要遥远))

这本书是97年的，关于tsos。在33章中，只有这一章是关于网的。传统的智慧是，网络是黑匣子。毕竟，这是个翻译。

斜着读，相当有趣。

 
Rorschach:

根据tsos的说法，这本书是97年的。在33章中，只有这一章是关于网的。传统的看法是，网络是黑匣子。这毕竟是一种翻译。

斜着读，相当有趣。

我读了...

我有一个想法，如果我做一个离散的余弦转换器，并使网选择那些系数，其总和将给出一个纯信号......

 
mytarmailS:

阅读...

我有一个想法，如果我可以做一个离散余弦转换器，并使网络选择那些系数，其总和将给出一个干净的信号......

我昨天试了一下。

结果与LPF相同，α+β=1，α或β小于0...

然后看图--哦，是的！这就是现实，很难一目了然。

然后比较两个FFT图--虚数部分和实数部分。

我们撕扯着我们的头发，邻居们听到一个多层的伴侣。

 
mytarmailS:

阅读...

这个想法诞生了，如果你做一个离散余弦转换器，并让网络选择那些系数，其总和将给出一个干净的信号。

找到不受特定台阶约束的频率，并在窗口转移后尽可能地保持这些频率，将是很有趣的事情。

 
Rorschach:

在BPF中，频率是从定义的网格中选择的。 有趣的是，找到不受特定步骤约束的频率，并且在移动窗口时，这些频率尽可能地保留。

有可能找到它们，不需要NS，但它们（频率）在未来将不起作用......

但你可以尝试使信号 "纯净"，只留下几个重要的谐波。

 

我实现了我长期以来的愿望，即创建一个TS，其参数将由神经网络控制


最后做了一个简单的TS。两个轮子，由轮子的交叉点输入，而轮子的周期由一个神经元控制...

我获得了一个自适应滤波器))


第一个图表 是价格

第二个是由神经元控制的珠子周期

第三个余额

训练：Neuronka被训练为管理周期，以便获得最大的利润。

我马上告诉你这是一个跟踪，没有任何佣金...


经文的价值在于为新的更复杂的任务创造经验...

 

酷，而且我正在生成数字。

然后是时间序列。


 
Maxim Dmitrievsky:

酷，而且我正在生成数字。

然后是时间序列。

产生的利润要学习))))))

 
mytarmailS:

创利必须要教))))))

然后是利润。

你问我如何用模式生成系列......这就是我正在做的。

但这是一个多步骤的过程。

 
mytarmailS:

我不知道如何实现它....，也许有一个更简单的方法...

我想创建一个网络，将市场报价 作为输入，输出一个更 "可预测 "的系列

但我需要一个衡量 "可预测性 "的标准

将该系列映射到一个不同的空间（分布），其中预测性更强的部分更接近平均值

编码员。

比方说，以100-500个为一批，贴上标签。然后你从解码器上拉出分配的顶部，对它进行采样。

然后，从条件解码器中，你取类的顶端，为其定义最低的熵。嗯，这有点像武士的方式。

为什么你会得到最可预测的？ 这是因为

1...224322442245224622472248224922502251225222532254225522562257...3399
新评论