为使测试仪正常工作，您需要准备一个包含 ['开仓'、'点差] 列的数据帧，并将一个格式为 x (n,2) 的 numpy 数组 与每个新条形图的买入/卖出概率预测一起输入信号。测试器通过循环工作，以下是使用测试器的初始化示例
symbols = ['EURUSD','GBPUSD']
points = [1 / mt5.symbol_info(s).point for s in symbols]
trade_agent = Agent()
for s, p in zip(symbols, points):
trade_agent.create_symbol(s, p,max_positions=6)
for index, row in dataset.iterrows():
sig = signal[index]
prices = list(row.filter(like='open'))
spreads = list(row.filter(like='spread'))
if index != len(dataset) - 1:
trade_agent.refresh(prices, [sig], spreads)
else:
trade_agent.stop = True
交易逻辑和手数可在符号 对象的 transcript_sig 方法中调整。
def transcript_sig(self,sig):
act = 0
lot = 1
revers = 0if len(sig)==4:
pass
else:
act = sig
if revers<=0.5:
if np.argmax(act) == 0:
return'buy',lot
if np.argmax(act) == 1:
return'sell',lot
else:
if np.argmax(act) == 0:
return'sell',lot
if np.argmax(act) == 1:
return'buy',lot
return self.last_action,lot
.
有很多方法，你可以在 github 上找到实现方法，我看到过一个用于 python 的方法。
有很多方法，你可以在 github 上找到实现方法，我看到过一个用于 python 的方法
解决方案可能有很多，但这些解决方案的质量如何，在实际任务中效果如何？
如果阿列克谢想思考和倾听，用我的 script.... 只需两分钟。
有趣的价值判断。你没听到我写给你的话。你需要举个例子吗？
有趣的价值判断。你没听到我写给你的话。你想举个例子吗？
是的，我读到了......在我很久没有看到的不多的几行文字上出现了如此多的思维错误......
举个例子吧）。
你知道什么是相关性吗？你在胡说八道，我都开始发抖了。
这就是我说的一个例子--一个黄色修剪过的样本和一个完整的绿色样本--想想看。
这就是我所说的一个例子--一个黄色镶边的样本和一个完整的绿色样本--请深思。
你还没有意识到没有人明白你的标志是什么意思，也许你应该说明涂鸦的含义？))
我觉得你应该更克制一些。把生活中的挫折留给酒友或牧师吧。
显然，Pn 是预测因子，K 是相关系数。这个例子说明了如果另外 50%的数据改变了一致性，该系数会如何变化。您的方法只能适用于相关性不变的静态数据，而我们的情况并非如此。因此，我建议您在窃笑之前先思考一下。
所以，我建议你在冷嘲热讽之前先想清楚。
关于思考....
问题是，为什么要对 0、1...0、2...0、7...0、8 等符号的相关性进行各种变体，从而增加算法本已繁重的工作？
即使是生成的随机噪声也能与预测器产生 0.6 或 0.8 的相关性，很少有更大的相关性......。
由此可见，相关性阈值小于 0.8 是很愚蠢的，但你却决定做一个完整的超采样，这说明你根本没有考虑过自己在做什么....。
所以我有权笑，我是这么认为的......
显然，Pn 是预测因子，K 是相关系数。
显然...))))) 这是一个文士....什么是显而易见，我都不好意思问了？ 我该用什么解码算法才能让它显而易见？
你到底有没有想过自己在说什么？
你的方法只适用于具有不变依赖性的静态数据，而这里的情况并非如此。
这不是我的方法，而是你的方法，它最初是被篡改过的，有三个人告诉过你。
关于 Thinking....
问题是，为什么要搜索符号相关性的所有变体，从 0、1...0、2...0、7...0、8，从而增加算法本已庞大的工作量？
即使是生成的随机噪声也能与预测器产生 0.6 和 0.8 的相关性，很少有更大的相关性......
由此可见，相关性阈值小于 0.8 是很愚蠢的，但您却决定做一个完整的超采样，这说明您根本没有考虑过自己在做什么....。
我只是说我在做实验并得出结论。
显然。)))))))) that's the beejeezus...我都不好意思问什么是显而易见？ 我应该用什么解码算法才能让它显而易见？
从讨论的背景来看，这是显而易见的。
这不是我的方法，是你的方法，而且一开始就很恶心，已经有三个人告诉你了。
你的方法是什么？我的方法是什么？我不明白你在说什么。
尤其是你，你声称模型不能在样本上训练--你错了。
记忆是一个有权重训练的 NS，每一步都要重新训练，权重要稍微移动一点......不多，所以滞后。
你不能把它转移到终端上
我试过了，不管用，一切又都归结到标志上。
如果您有兴趣，我正在设计一个多货币测试仪，有点差、原始手数和开仓平仓小数手数。
为使测试仪正常工作，您需要准备一个包含 ['开仓'、'点差] 列的数据帧，并将一个格式为 x (n,2) 的 numpy 数组 与每个新条形图的买入/卖出概率预测一起输入信号。测试器通过循环工作，以下是使用测试器的初始化示例
交易逻辑和手数可在符号 对象的 transcript_sig 方法中调整。
测试结果保存在字典 trade_history_data 中，包括整体测试结果和每个符号的 trade_symbol_ data。
self.trade_history_data = {'step': [], 'acc_profit': [], 'acc_balance': [], 'acc_equity': [], 'lots_open': [], 'R2_balance': [0,0,0,0]}如果有人想优化或更改某些内容，欢迎查看列表）。