交易中的机器学习：理论、模型、实践和算法交易 - 页 2385 1...237823792380238123822383238423852386238723882389239023912392...3399 新评论 mytarmailS 2021.04.08 07:27 #23841 Maxim Dmitrievsky: 我想Alexey建议计算能力，他喜欢计算长的东西，也许你应该做一个合作项目:) 没有矢量的R仍然会很慢。你可以使用某种快速数据库 我已经把慢的部分矢量化了，算法的逻辑应该优化，我现在正在想办法，我已经试过5次加速了，我已经重写了代码... 更多的迹象是如此的少，如此的原始，我也应该用它做一些事情，我不太喜欢目标的那个...... 哦，该死...这就像一次修理，自我只能从... Forester 2021.04.08 07:44 #23842 mytarmailS: 当然你不知道）），即使你知道，也不会对我有任何影响）。试试吧，但结果最多就是和随机森林一样，也就是没有...摔跤的输出是被触发的规则的总和，规则没有被过滤掉和拒绝，被拒绝的规则大约是100%)没有检查规则的可重复性（可能只有一个反应）或充分性（是否有效）；规则只是 被延伸 到数据上（模型适合数据）。模型随机地逼近训练样本，希望交叉验证能有所帮助，但由于客观原因（市场上的重要事件太少），它不会这样做。我尝试了一种不同的方法，我不对数据进行模型拟合，而是形成假设并检查它们。1）我以规则的形式形成可信的（已经过滤的） 假设。2) 假设在小数据上得到检验3）在小数据上检验过的假设，在大数据上检验。事实上，一百万条合理的规则中只剩下一条未经训练的读者很难理解这两种方法的区别，但它们之间的区别是鸿沟 某种哲学。没有具体的东西... Valeriy Yastremskiy 2021.04.08 07:58 #23843 elibrarius: 某种哲学。没有具体的东西... 好吧，为什么呢，路径是提前宣布的，一切都严格按照计划进行。生成规则并检查它们并不是通常的方法，在这种方法中，规则是根据问题的逻辑/目标来选择的。也就是说，通常情况下，规则最初是为解决方案生成的。这导致了那些不符合逻辑但却能产生结果的规则的丧失。 mytarmailS 2021.04.08 08:10 #23844 elibrarius: 某种哲学。没有具体的东西... 许多事情对我们来说是不可理解的，不是因为我们的概念薄弱；而是因为这些事情不在我们概念的范围之内。 Valeriy Yastremskiy: 为什么呢，这条道路早些时候就已经宣布了，而且一切都严格按照计划进行。生成规则并对其进行检查不是通常的方法，在这种方法中，规则是根据任务的逻辑/目标来选择的。也就是说，通常情况下，规则最初是为解决方案生成的。这导致了那些不符合逻辑但却能产生结果的规则的丧失。 +++ Forester 2021.04.08 08:16 #23845 mytarmailS: 许多事情我们不明白，不是因为我们的概念薄弱；而是因为这些事情不在我们理解的范围之内。 +++ 多一点哲学））。 Aleksey Nikolayev 2021.04.08 08:20 #23846 典型的情况是，这种方法的结果可以被传统地称为 "反仓鼠"--意思是说，仓鼠被看到了，但没有被看到。这对于类似于SB实现的行来说是非常典型的。 Valeriy Yastremskiy 2021.04.08 08:26 #23847 Aleksey Nikolayev: 这种方法的典型结果可以被传统地称为 "反仓鼠"--意思是仓鼠被看到但没有被看到。这是很典型的类似于SB实现的行。 我不同意。大量的规则和选择逻辑的问题当然是存在的。这两种方法的目标都是一样的。 而那条路是完全错误的，好吧，我们正在检查规则和纠正路径))))。 Maxim Dmitrievsky 2021.04.08 08:29 #23848 我有一些其他的MO抽象，应该可以准确地找到真正的模式（如果有的话），但它并不确定我在谷歌上找不到任何共济会或五角大楼的参考资料，所以我暂时把它保密。 我在拍摄向日葵种子时想到了这个抽象的概念。 Valeriy Yastremskiy 2021.04.08 08:42 #23849 Maxim Dmitrievsky: 我有一些其他的MO抽象，应该可以准确地找到真正的模式（如果有的话），但它并不确定我在谷歌上找不到任何共济会或五角大楼的参考资料，所以我暂时把它保密。 攫取葵花籽时发明的抽象概念 我似乎忘记了：真正的SB模式（如果有的话）)))) Aleksey Vyazmikin 2021.04.08 08:42 #23850 Maxim Dmitrievsky: 我想阿列克谢建议计算能力，他喜欢做长时间的计算，也许你可以做一个合作项目:) 在没有矢量化的情况下，它在R上仍然会很慢。你可以使用一些快速数据库 此外，我多年来一直在做这种方法。 然而，我现在把它搁置了一下，因为它真的非常慢，这使得它无法快速改变目标（寻找一个好的目标），而且个别规则也停止工作，无论你如何在历史上检查它们。 马克西姆，你能不能帮帮忙，用python编写一个脚本，从CSV文件中循环创建模型（或100个模型），然后用标准的CatBoost 工具对它（它们）进行预测器有效性分析，然后在某些条件下禁止/允许使用预测器（CatBoost可以做到），并再次创建新模型。这种方法将允许分配重要的预测因素，从而改进模型。我也在使用类似的方法，但这对我来说真的很不方便，因为在添加/删除预测器后，我必须手动重新启动循环。 1...237823792380238123822383238423852386238723882389239023912392...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
我想Alexey建议计算能力，他喜欢计算长的东西，也许你应该做一个合作项目:)
没有矢量的R仍然会很慢。你可以使用某种快速数据库我已经把慢的部分矢量化了，算法的逻辑应该优化，我现在正在想办法，我已经试过5次加速了，我已经重写了代码...
更多的迹象是如此的少，如此的原始，我也应该用它做一些事情，我不太喜欢目标的那个......
哦，该死...这就像一次修理，自我只能从...
当然你不知道）），即使你知道，也不会对我有任何影响）。
试试吧，但结果最多就是和随机森林一样，也就是没有...
摔跤的输出是被触发的规则的总和，规则没有被过滤掉和拒绝，被拒绝的规则大约是100%)
没有检查规则的可重复性（可能只有一个反应）或充分性（是否有效）；规则只是 被延伸 到数据上（模型适合数据）。
模型随机地逼近训练样本，希望交叉验证能有所帮助，但由于客观原因（市场上的重要事件太少），它不会这样做。
我尝试了一种不同的方法，我不对数据进行模型拟合，而是形成假设并检查它们。
1）我以规则的形式形成可信的（已经过滤的） 假设。
2) 假设在小数据上得到检验
3）在小数据上检验过的假设，在大数据上检验。
事实上，一百万条合理的规则中只剩下一条
未经训练的读者很难理解这两种方法的区别，但它们之间的区别是鸿沟
某种哲学。没有具体的东西...
好吧，为什么呢，路径是提前宣布的，一切都严格按照计划进行。生成规则并检查它们并不是通常的方法，在这种方法中，规则是根据问题的逻辑/目标来选择的。也就是说，通常情况下，规则最初是为解决方案生成的。这导致了那些不符合逻辑但却能产生结果的规则的丧失。
某种哲学。没有具体的东西...
为什么呢，这条道路早些时候就已经宣布了，而且一切都严格按照计划进行。生成规则并对其进行检查不是通常的方法，在这种方法中，规则是根据任务的逻辑/目标来选择的。也就是说，通常情况下，规则最初是为解决方案生成的。这导致了那些不符合逻辑但却能产生结果的规则的丧失。
+++
+++
多一点哲学））。
这种方法的典型结果可以被传统地称为 "反仓鼠"--意思是仓鼠被看到但没有被看到。这是很典型的类似于SB实现的行。
我不同意。大量的规则和选择逻辑的问题当然是存在的。这两种方法的目标都是一样的。
而那条路是完全错误的，好吧，我们正在检查规则和纠正路径))))。
我有一些其他的MO抽象，应该可以准确地找到真正的模式（如果有的话），但它并不确定
我在谷歌上找不到任何共济会或五角大楼的参考资料，所以我暂时把它保密。
我在拍摄向日葵种子时想到了这个抽象的概念。我有一些其他的MO抽象，应该可以准确地找到真正的模式（如果有的话），但它并不确定
我在谷歌上找不到任何共济会或五角大楼的参考资料，所以我暂时把它保密。
攫取葵花籽时发明的抽象概念我似乎忘记了：真正的SB模式（如果有的话）))))
我想阿列克谢建议计算能力，他喜欢做长时间的计算，也许你可以做一个合作项目:)
在没有矢量化的情况下，它在R上仍然会很慢。你可以使用一些快速数据库此外，我多年来一直在做这种方法。
然而，我现在把它搁置了一下，因为它真的非常慢，这使得它无法快速改变目标（寻找一个好的目标），而且个别规则也停止工作，无论你如何在历史上检查它们。
马克西姆，你能不能帮帮忙，用python编写一个脚本，从CSV文件中循环创建模型（或100个模型），然后用标准的CatBoost 工具对它（它们）进行预测器有效性分析，然后在某些条件下禁止/允许使用预测器（CatBoost可以做到），并再次创建新模型。这种方法将允许分配重要的预测因素，从而改进模型。我也在使用类似的方法，但这对我来说真的很不方便，因为在添加/删除预测器后，我必须手动重新启动循环。