交易中的机器学习：理论、模型、实践和算法交易 - 页 2658

新评论
 
Valeriy Yastremskiy #:

图表上只有增量和时间。导数也没有提供任何新信息。奇怪的是，聚类失败了。

在变换的情况下，它会以不同的方式将它们与目标联系起来。可能会有不同的结果。聚类，事实上，不应该给出任何东西:)你当然可以用类在聚类中的分布来炫耀，但到目前为止，我并没有得到任何有意义的东西。也就是说，我以牺牲聚类为代价，对原始 zataset 进行了修正，按理说示例会按类更好地分布。但就目前的情况来看，还很难预测一个簇的出现
 
Maxim Dmitrievsky #:
在转换的情况下，将它们与目标的关系不同。可能会有不同的结果。事实上，聚类不应该带来任何结果：）当然，我可以用类聚类来炫耀，但到目前为止，我还没有得到任何有意义的结果。也就是说，我对原始的 zataset 进行了修正，但牺牲了聚类，按理说示例会更好地按类分布。但现在还很难预测聚类的出现。

我认为这不是难，而是无法预测。找出当前的状态，将它们归类，并跟踪它们在现实生活中的出现，这就是你在逻辑上能做到的最大限度。

 
Valeriy Yastremskiy #:

我认为这并不难，但无法预测。找出当前的状态，将它们归类，并跟踪它们在现实生活中的出现，这就是你在逻辑上能做到的最大限度。

好吧，这就好比把增量除以 >、<0，然后苦思冥想如何写出 TS：)
 
Valeriy Yastremskiy #:

图表上只有增量和时间。导数没有提供任何新信息

没有办法)))))

你所描述的是复杂结构的第一块基石。

这就好比说，屏幕上除了像素之外什么都没有，导数什么都不给，但这不是真的....。

对了，你忘了加上价格本身
 
mytarmailS #:
没有办法)))))

您所描述的是复杂结构的最初构件。

这就好比说，屏幕上除了像素什么都没有，衍生物什么都没有，但这不是真的....。

对了，你忘了加上价格本身。
我说错了，它们并不能提供预测数据，当然只能提供对状态的估计，而且显然可以获得对静止性的概率估计。这很重要。
 
Valeriy Yastremskiy #:
我说错了，它们并不能提供预测数据，但可以提供对状态的估计，而且显然可以获得对静止性的概率估计。这很重要。
为什么不呢？想象一下，你每天能从普通像素中获得多少信息。
 
mytarmailS #:
是啊，为什么不呢？想象一下，你每天能从普通像素中获得多少信息？
很好的对比 )
 
Maxim Dmitrievsky #:
很好的对比 )
我同意，比较得很好，但有一点需要澄清，上一组像素几乎不可能预测下一组像素会是什么样子。或者说，如果我们回到我们的 "公羊"，我们完全可以对之前的一段历史进行大量不同的分析和论证，但这实际上并不能让我们预测下一段历史会是怎样的。
 
如果有人能学会在下一分钟开盘时预测 240 分钟后价格是涨是跌（即 4 小时蜡烛图的颜色），概率至少为 55/45 - 这就是阿尔法。
 
sibirqk #:
我同意，比较得很好，但有一点需要澄清，上一组像素几乎无法预测下一组像素会是什么 。

你不知道自己在说什么。

当你玩赛车游戏时，难道你不会预测下一帧会发生什么吗？ 难道你不会预测下一帧的转弯处会比现在更近，但你现在必须转弯或刹车，否则就会boom....？预测

所有这些都是由像素决定的，我们的大脑从中建立模型，再从模型中建立其他模型，再建立其他模型......如此反复多次，然后我们才意识到，这里有道路、转弯、速度、方向盘等....。


因此，问题不在于像素，也不在于回报率，而在于我们为市场建立的原始模型，这些模型的最大限度就是一个像素乘以一个像素，在 5-10 个像素的滑动窗口中观察它）这就是整个故事。也就是说，抽象模型的第一层以上不会上升，而这一层可能需要 1000 个......


所以，不要责骂回报率或像素，你需要用你的头脑多思考，当然你也需要知识....。

1...265126522653265426552656265726582659266026612662266326642665...3399
新评论