В статье оценивается доступные сегодня 179 классификаторов, принадлежащих к 17 семействам (дискриминантный анализ, Байес, нейронные сети, машины векторов поддержки SVM , деревья решений, основанные на...
Для тех, кто хочет на русском языке почитать: Хараламбос Марманис, Дмитрий Бабенко Алгоритмы интеллектуального Интернета. Передовые методики сбора, анализа и обработки данных источник К. В. Воронцов. Математические методы обучения по прецедентам (теория обучения машин) источник Мерков А.Б. Введение в методы статистического обучения...
这在原则上并不重要。预测能力为零，....
这就像看股票，用利润除以缩水。
而且预测越好，SR越高
那么，预测有什么关系呢？这就像用眼睛看股票，用利润除以缩水，这就是关于SR
而且预测越好，SR越高。
而在这种情况下。那么是的。完全同意....
你能告诉我，你在这里写道：https://www.mql5.com/ru/blogs/post/160258，射频是所提出的分类器中最好的，我同意这一点。那么第三代外交官的情况呢（有自动编码器），你有过任何比较性的测试吗？
关于GARCH ，据我所知，它是一个预测波动率的线性模型，它不预测市场方向，还是我错了？
GARCH是一个波动率模型，它可以预测下一个蜡烛的方向和大小。时间框架可能不同：M5，M30，D1，任何。但通常情况下，它是一个浅层的TF，直到高频交易。
我觉得GARCH很有吸引力，因为为了使用它，我需要分析最初的报价，以证明训练有素的GARCH在历史上和未来会有相同的表现。
这个想法是为了对抗非平稳性（可变的平均值和可变的平均值偏差），这被认为是专家顾问未来表现的主要邪恶。
该模型本身有三个组成部分。
最初，价格增量的计算。然后为这个增量写出公式。
1.对于平均的行为
2.对于偏离平均值的行为（波动性）。有大量的变体，包括指数型和阈值型变体（我指的是模型的线性）。
3.平均数的分布规律。
如果有可能 "正确 "选择 所有这些部分的参数，那么残差应该是正态分布的，这就保证了模型在未来的行为与历史数据相似。
大概是这样，非常粗略。
你能告诉我，你在这里写道：https://www.mql5.com/ru/blogs/post/160258，射频是所提出的分类器中最好的，我同意这一点。而第三代外交官（带自动编码器）呢，你有过任何比较测试吗？
我听说diplinking有点不同，它是关于自动搜索SIMPLE特征的，在分层结构中，如图片或文字，其中的角和线是简单的数字，有更复杂的形状，等等。至于时间序列 就不太一样了。所以，如果深度卷积神经网络能冷静地找到图片上的猫和人脸，并不意味着它能冷静地预测市场，况且所有的 "深度 "对用户来说都是一个巨大的麻烦，它甚至对那些用C++从头开始重新创建整个网络的人来说也是一个巨大的麻烦，很多参数都非常不稳定，结果是随机的。你必须与它打交道很多年。但这不是我的IMHO，我从来没有试过，可能也不会。
这不是一个糟糕的结果，而是非常棒的，我相信即使是文艺复兴也没有像他们每天的TB级数据那样的东西。看一下numer.ai 上的实时分数，想想为什么他们至少有45%的错误率（logloss~0.69）而你只有30%。
但是你说的是真的，你已经创建了你的合成目标函数，它在功能上以一种巧妙的方式（显然对你来说并不明显）与特征相结合，你在洛恩和测试上有如此漂亮的扫描，一切看起来都是正确的......但是为什么你还没有成为亿万富翁，尽管如果你在预测下一个蜡烛颜色时有30%的错误，你可以在大约一年内轻松成为一个富翁，因为你预测的不是未来而是通过指标将过去与未来混在一起。尝试预测一个纯粹的未来回归者，一切都会水到渠成。
先生，你说了很多，但你没有说任何实质性的东西，而你被立即提供给大家看，而不是对大家吼，ZZ有什么问题，需要什么。
https://ru.stackoverflow.com/a/683632/1084
我听说diplanning有点不同，它都是自动搜索SIMPLE特征，在层次结构中，如图片或文字，其中的边缘是角落和线条，其形状简单，更复杂，等等。至于时间序列就不太一样了。所以，如果深度卷积神经网络能冷静地找到图片上的猫和人脸，并不意味着它能冷静地预测市场，况且所有的 "深度 "对用户来说都是一个巨大的麻烦，它甚至对那些用C++从头开始重新创建整个网络的人来说也是一个巨大的麻烦，很多参数都非常不稳定，结果是随机的。你必须与它打交道很多年。但这不是我的IMHO，我从来没有试过，可能永远不会。
这并不像你说的那么糟糕。
这不是很困难，从这几条开始（1、2、3、4）。它不会一下子全部起作用，也不会有意义，但它会很有用。
祝好运
我听说diplanning有点不同，它都是自动搜索SIMPLE特征，在分层结构中，如图片或文字，边缘有角和线条，形状简单，比较复杂，等等。至于时间序列就不太一样了。所以，如果深度卷积神经网络能冷静地找到图片上的猫和人脸，并不意味着它能冷静地预测市场，况且所有的 "深度 "对用户来说都是一个巨大的麻烦，它甚至对那些用C++从头开始重新创建整个网络的人来说也是一个巨大的麻烦，很多参数都非常不稳定，结果是随机的。你必须与它打交道很多年。但这不是我的IMHO，我从来没有试过，可能永远不会。
我明白了，我想实际上这里没有人，也没有比较:)我将寻求信息，最终不被愚弄，如果事实证明，外交不比树林有优势。由于那里的组成部分是一个MLP，因此很可能它不...
顺便说一下，任何有2层以上的东西都被称为diplerning，有2个隐藏层的MLP也是diplerning。我指的是深网，弗拉基米尔在上述链接的文章中描述了深网。
虽然他们说预测因素是最重要的，因为模型的工作原理是一样的......但这是理论，在实践中发现，模型的选择也是非常重要的，例如速度和质量之间的折衷，因为NS通常是长...
在实践中，通过libu的P-MT5混合太慢，而且不方便，我需要一个原生的，不需要任何左旋的软件，或者从MT5直接连接到P服务器，但原生的更好。我想在mql上用C++重写我需要的神经网络，仅此而已。
啊，忘了加上IMHO
咳咳......我一直在思考，思考......。
有很多模型，从经典的ARMA/GARCH ，到完全的突破，如CNN/LSTM，中间的某个地方是大家最喜欢的MLP/RF/XGB ，等等。例如，我们可以交换/销售通用格式的训练有素的模型，在任何地方都可以阅读，不需要专门的库和培训，谁试图传递给别人的东西不是微不足道的模型，可能明白我的意思）））。
然后我意识到，数字。ai --解决了这个问题!他们实际上发给他们的不仅仅是预测，而是一个哑巴现成的模型，采样有足够的准确性。 其实应该是这样的，否则你怎么能事先得到未来的小说，给他们一个答案，小说是实时的，你不可能事先知道它们。但是，如果我们用一个点的网格填充N维空间，那么一个新的点，离网格最近的一个(几个)，按索引立即作为数组的一个元素 被搜索到。而任何简单而棘手的模型都可以被卷进这样的模型中，在不暴露其秘密的情况下轻松转移和使用。
尊敬的数字。ai，这个想法很好。
我提议仔细考虑如何在我们悲惨的社区中使用它)))