交易中的机器学习:理论、模型、实践和算法交易 - 页 3203 1...319631973198319932003201320232033204320532063207320832093210...3399 新评论 mytarmailS 2023.08.24 08:49 #32021 Maxim Dmitrievsky #: 我不关心你们的信号,为什么是我们的? 为什么是我们的? Maxim Dmitrievsky 2023.08.24 08:55 #32022 mytarmailS #:为什么是我们的? 你最近太热了 你和桑尼奇,放个假吧 mytarmailS 2023.08.24 09:08 #32023 Maxim Dmitrievsky #: 你最近太热了,你和桑尼奇,放个假吧。 谢谢,我一定会考虑你的建议,按部就班地来。 fxsaber 2023.08.24 10:49 #32024 实际上,Lira 多年来一直采用 OnlyClose 模式。对邻居的心电图应用 MO 更有用。 ZY 一个逻辑问题。 在某个国家,任何东西都只能用里拉购买。所有东西(甚至工资)都有美元标价,而里拉的美元标价取决于里拉的汇率。 而现在,里拉对美元的汇率已经便宜了三倍。从理论上讲,(外国人或当地人)有可能从中赚钱吗? 让我先说一句,我们不是在谈论土耳其,而是在谈论某种理想的模式,这种模式最终应该准确地显示出实时的盈利情况。包括土耳其。 Maxim Dmitrievsky 2023.08.24 10:55 #32025 fxsaber #: 实际上,里拉多年来一直处于 "OnlyClose "模式。把 MO 应用到邻居的心电图上更有用。 在猫身上练习。我刚刚看到,如果有规律的行为,算法也能找到,它不会对噪音进行再训练。 fxsaber 2023.08.24 11:00 #32026 Maxim Dmitrievsky #: 我们正在对猫进行练习。我刚刚看到,如果有规律的行为,算法也能找到,不会因为噪音而重新训练。 当然,如果肉眼看到了,数学模型也会找到。数学模型的任务则不同,它要在肉眼看不到的地方找到规律。 Maxim Dmitrievsky 2023.08.24 11:07 #32027 fxsaber #:如果肉眼已经看到了,那么 MO 也一定能找到。IO 的任务则不同,它要在肉眼看不到的地方找到图案。 如果 MO 的结构允许专注于某些事物,那么它就不会找到它。而要做到这一点,就必须运用专家知识。因此,IO 更有可能找不到隐藏的东西。 Ivan Butko 2023.08.24 12:06 #32028 fxsaber #:如果肉眼已经看到,那么测量方法也一定能找到。而 IO 的任务则不同,它要在肉眼看不到的地方找到图案。 请告诉我,从操作员的立场来看,规律性与死记硬背有何不同? 例如,我脑子里有一个想法,5 根蜡烛线组成的形态应该是怎样的。我在图表上标记它们,运行价格导出脚本,将其输入神经网络,它就会学习这些形态应该是什么样子,不应该是什么样子(其他价格组的标签是不同的),然后我的神经网络就会在图表上标记这些形态。也就是说,我不需要写 "如果,那么",神经网络自己就能学会并理解。我用手指向它指出 "是什么 "和 "怎么做"。 但这里的任务是 "找到一种模式",它是什么,它与死记硬背的例子有什么不同? 也许找到一种模式是一项过于复杂的任务,而神经网络目前只是根据计算机的功率不断 "死记硬背"。 СанСаныч Фоменко 2023.08.24 13:40 #32029 Ivan Butko #:请告诉我,模式化与死记硬背有什么不同? 例如,我脑子里有一个想法,5 根蜡烛线组成的模式应该是怎样的。我在图表上标记它们,运行价格导出脚本,将其输入神经网络,它就会学习这些形态应该是什么样子,不应该是什么样子(其他价格组的标签是不同的),然后我的神经网络就会在图表上标记这些形态。也就是说,我不需要写 "如果,那么",神经网络自己就能学会并理解。我用手指向它指出 "是什么 "和 "怎么做"。 但这里的任务是 "找到一种模式",它是什么,它与死记硬背的例子有什么不同? 也许找到一种模式是一项过于复杂的任务,而神经网络目前只是根据计算机的功率不断 "死记硬背"。 有两种情况 1.你可以标记任何东西。未来的问题是:你的数学模型会以多大的误差找到你所标记的东西。 2.您的 "标记 "与 MO 无关,其意义不同,例如:我们组成了 "教师",即我们标记了 "科蒂 尔 "的区域,保证这些区域有原木和短裤。然后,我们给 MO 算法提供这个 "教师 "和一组输入数据,例如指标值。MO 算法会形成一些与 "教师 "值相对应的指标值集。这些就是模式。原则上,这些模式对我们来说不算什么,但最令人惊讶的是,这些模式在未来会重复出现,尽管会有一些误差。 Ivan Butko 2023.08.24 13:46 #32030 СанСаныч Фоменко #:两种情况1.您可以标记任何东西。将来的问题是:你的国防部会以怎样的错误发现你所标记的东西。2.您的 "标记 "与 MO 无关,MO 的含义与您的 "标记 "不同,例如:我们组成了一个 "教师",即我们标记了保证有原木和短裤等的区域。然后,我们给 MO 算法提供这个 "教师 "和一组输入数据,例如指标值。MO 算法会形成一些与 "教师 "值相对应的指标值集。这些就是模式。原则上,这些模式对我们来说不算什么,但最令人惊讶的是,这些模式在未来会以一定的误差重复出现。 感谢您的回复 1...319631973198319932003201320232033204320532063207320832093210...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
我不关心你们的信号,为什么是我们的?
为什么是我们的?
为什么是我们的?
你最近太热了,你和桑尼奇,放个假吧。
谢谢,我一定会考虑你的建议,按部就班地来。
实际上,Lira 多年来一直采用 OnlyClose 模式。对邻居的心电图应用 MO 更有用。
ZY 一个逻辑问题。
在某个国家,任何东西都只能用里拉购买。所有东西(甚至工资)都有美元标价,而里拉的美元标价取决于里拉的汇率。
而现在,里拉对美元的汇率已经便宜了三倍。从理论上讲,(外国人或当地人)有可能从中赚钱吗?
让我先说一句,我们不是在谈论土耳其,而是在谈论某种理想的模式,这种模式最终应该准确地显示出实时的盈利情况。包括土耳其。
实际上,里拉多年来一直处于 "OnlyClose "模式。把 MO 应用到邻居的心电图上更有用。
我们正在对猫进行练习。我刚刚看到,如果有规律的行为,算法也能找到,不会因为噪音而重新训练。
当然,如果肉眼看到了,数学模型也会找到。数学模型的任务则不同,它要在肉眼看不到的地方找到规律。
如果肉眼已经看到了,那么 MO 也一定能找到。IO 的任务则不同,它要在肉眼看不到的地方找到图案。
如果肉眼已经看到,那么测量方法也一定能找到。而 IO 的任务则不同,它要在肉眼看不到的地方找到图案。
请告诉我,从操作员的立场来看,规律性与死记硬背有何不同?
例如,我脑子里有一个想法,5 根蜡烛线组成的形态应该是怎样的。我在图表上标记它们,运行价格导出脚本,将其输入神经网络,它就会学习这些形态应该是什么样子,不应该是什么样子(其他价格组的标签是不同的),然后我的神经网络就会在图表上标记这些形态。也就是说,我不需要写 "如果,那么",神经网络自己就能学会并理解。我用手指向它指出 "是什么 "和 "怎么做"。
但这里的任务是 "找到一种模式",它是什么,它与死记硬背的例子有什么不同?
也许找到一种模式是一项过于复杂的任务,而神经网络目前只是根据计算机的功率不断 "死记硬背"。
请告诉我,模式化与死记硬背有什么不同?
例如,我脑子里有一个想法,5 根蜡烛线组成的模式应该是怎样的。我在图表上标记它们,运行价格导出脚本,将其输入神经网络,它就会学习这些形态应该是什么样子,不应该是什么样子(其他价格组的标签是不同的),然后我的神经网络就会在图表上标记这些形态。也就是说,我不需要写 "如果,那么",神经网络自己就能学会并理解。我用手指向它指出 "是什么 "和 "怎么做"。
但这里的任务是 "找到一种模式",它是什么,它与死记硬背的例子有什么不同?
也许找到一种模式是一项过于复杂的任务,而神经网络目前只是根据计算机的功率不断 "死记硬背"。
有两种情况
1.你可以标记任何东西。未来的问题是:你的数学模型会以多大的误差找到你所标记的东西。
2.您的 "标记 "与 MO 无关,其意义不同,例如:我们组成了 "教师",即我们标记了 "科蒂 尔 "的区域,保证这些区域有原木和短裤。然后,我们给 MO 算法提供这个 "教师 "和一组输入数据,例如指标值。MO 算法会形成一些与 "教师 "值相对应的指标值集。这些就是模式。原则上,这些模式对我们来说不算什么,但最令人惊讶的是,这些模式在未来会重复出现,尽管会有一些误差。
两种情况
1.您可以标记任何东西。将来的问题是:你的国防部会以怎样的错误发现你所标记的东西。
2.您的 "标记 "与 MO 无关,MO 的含义与您的 "标记 "不同,例如:我们组成了一个 "教师",即我们标记了保证有原木和短裤等的区域。然后,我们给 MO 算法提供这个 "教师 "和一组输入数据,例如指标值。MO 算法会形成一些与 "教师 "值相对应的指标值集。这些就是模式。原则上,这些模式对我们来说不算什么,但最令人惊讶的是,这些模式在未来会以一定的误差重复出现。