Хотим мы того или нет, но статистика в трейдинге играет заметную роль. Начиная с фундаментальных новостей, пестрящих цифрами, и заканчивая торговыми отчетами или отчетами тестирования, от статистических показателей никуда не деться. Вместе с тем, тезис о применимости статистики в принятии торговых решений остается одной из самых дискуссионных...
我也很开心。在随机的样本上试了一下--结果是惊人的。我还没有做过TC。
马克西姆说这是一条漫长的学习曲线。我有大约23个小时。但即使我每3个月做一次--真是垃圾)。
3个月来,它完全足够了,不再测试。
我还没有涉及到这样的细节。我的专家顾问并不复杂,我优化了12个小时,然后就把它忘了。今天我用同样的设置试了一下。
我还没有遇到过这种麻烦。专家顾问并不复杂,我优化了12个小时,然后就把它忘了。今天我用这些设置运行了它。
是的,前进是一个低劣的。我有6%的不良交易是在远期(随机抽样)。网络 - 5层,50个神经元。
你的网络是什么?
今天我决定检查一下,我的网络基于percetron。优化到2016年5-6月初,欧元兑美元,点差15点。
尾巴本身。
无论如何,我仍然对这个结果感到困惑。
我已经有很多版本的这些系统的回测,它们都是像仙股一样的回测 )这就是我们所说的重新拟合。
是的,前锋是糟糕的。我的前线有6%的失败交易。五层,50个神经元。
你的是什么?
三层,每层9个神经元。图片显示了从2004年到2016年的一个很长的部分。我选择了长篇大论来检查结果在整个区间内是否稳定。另一方面,远期的缩水是最大的,但另一方面,机器人已经开始 在远期的后半段获得利润。
狼性转发是需要的,你不能这样优化,在这种情况下,转发永远是坏的(或随机的),我已经有一堆这样的亿万富翁系统的回测版本,在转发上像硬币一样工作),这叫做过度拟合。
让我们再过半年看看。
让我们再过半年看看。
试着在新数据到来时不断检查NS的误差(在测试样本上),如果误差增加了给定的%,那么就自动重新训练NS,如此循环,在整个回测期间......但这需要快速学习,但你也不需要一个大的训练集。简而言之,要将NS作为内部优化器使用
我正试图根据这样的计划写一篇文章,也许我很快就会完成它。
试着在新数据到来时不断检查NS的错误(测试样本),如果错误增加了给定的百分比,则自动重新训练NS,并在回测的所有期间这样做...但这需要快速学习,但你也不需要大型训练集。简而言之,要将NS作为内部优化器使用
我正试图根据这样的计划写一篇文章,也许很快就能完成。
恕我直言。
试着在新数据到来时不断检查NS的错误(测试样本),如果错误增加了给定的百分比,则自动重新训练NS,并在回测的所有期间这样做...但这需要快速学习,但你也不需要大型训练集。简而言之,要将NS作为内部优化器使用
我正试图根据这样的计划写一篇文章,也许我很快就能完成。
请写一个关于伴侣的描述,为傻瓜。我开始阅读,但什么是Sugeno,Mamdani没有狗屎我无法理解)。
像文章中所说的nayva贝叶斯分类器。https://www.mql5.com/ru/articles/3264
文章中是否会有快速的优化? 我想看一下。
恕我直言。
是的,穿过随机的树林,非常快
请写一个关于伴侣器具的描述,为傻瓜。我已经开始读了,但我对杉野、马姆达尼的事一点也不明白)。
像文章中提到的奈何贝叶斯分类器。https://www.mql5.com/ru/articles/3264
因此,互联网上有很多信息:)有7个阶段,它们的描述相当冗长,但给出了链接。马姆达尼和杉野只在逻辑推理上有区别(非线性和线性)。
我只是不明白为什么要复制同样的东西