交易中的机器学习：理论、模型、实践和算法交易 - 页 2621

新评论
 
mytarmailS #:
对于PythonPonyGE2，有一个软件包，但我是在Pke上做的，所以我不能说它是什么以及如何 做的。
我把名字搞错了。
语法演变或符号回归都能发挥作用
 
Valeriy Yastremskiy #:
一系列的事件/规则是有效的，但每个规则都有维度，一个长的序列有诅咒。
这种方法最酷的地方在于，你可以控制...
例如，设置一个条件，一个规则必须至少重复200次，你就不会有维度的诅咒了。
 
mytarmailS #:
我对这些名字愚蠢地做了什么？
语法演变或符号回归都是可行的。
象征性的回归，是的。
 
偏差和方差的权衡中的符号回归看起来强烈地偏向于增加方差。这当然不是放弃的理由，但可能会有麻烦，因为价格离SB很近。
 
Aleksey Nikolayev #:
符号回归在偏差和方差之间的权衡，看起来非常偏向于增加方差。这当然不是放弃的理由，但可能会有麻烦，因为价格离SB很近。

这只是一个框架，你可以在此基础上创建规则，我的建议中没有任何关于价格、近似、回归的内容......

 
mytarmailS #:

无论有多少个模型，如果他们看了最后的10根蜡烛，那就没有用了，即使是GPT-3的所有内脏。

你有一台发电机，你没有电源...

我的5分钱。- 在训练过程中，非重复的神经元（条形）的重量是模糊的。有影响的重量保持在最经常确认的神经元上。因此，在固定的条数下，只有重要的条数才有权重。算是一个数字。

 
Dmytryi Voitukhov #:

我的5分钱。- 在学习过程中，非重复的神经元（条形）的重量是模糊的。有影响的权重保持在最经常确认的神经元上。因此，在固定的条数下，只有重要的条数才有权重。算是一个数字。

凌晨3点，你在做什么，迪米特里？)
 
Dmytryi Voitukhov #:

我的5分钱。- 在学习过程中，非重复的神经元（条形）的重量是模糊的。有影响的权重保持在最经常确认的神经元上。因此，在固定的条数下，只有重要的条数才有权重。算是一个数字。

同样，在一棵树上也是如此。在例如100个佯攻/单杠中，有5-10个顶级分球会挑选一些重要的分球，而不会使用其他的分球。如果你把树一直分裂下去，最后的分裂（和使用的特征/条）会使整体结果发生非常小的变化。也就是说，结果与NS中大致相同，只是计算速度更快。
 
如果一个人要交易，给ML什么是好的，什么是坏的，会怎么样？
 
BillionerClub #:
如果一个人交易并给予ML什么是好的，什么是坏的呢？

这是一个好主意，只是我认为它在这里很重要。

- 要建立大量的统计数据。

- 对于一个人来说，交易一件事（一个系统）。

- 该人保持客观，有系统地进行交易。


在这种情况下，我认为，将获得一个良好的标记，因此有可能从中获得正常的利益。

1...261426152616261726182619262026212622262326242625262626272628...3399
新评论