Candlestick patterns were used to trade the rice market in Japan back in the 1800’s. Steve Nison popularised the idea in the western world and claims that the technique, which is based on the premise that the appearance of certain patterns portend the future direction of the market, is applicable to modern financial markets. Today, he has a...
Не так давно - на заре технического анализа, когда компьютеры были далеко не у каждого биржевика - появлялись люди, которые пытались предсказывать будущие цены по ими же придуманным законам и формулам. Таких людей часто называли шарлатанами. Время шло, усложнялись методы обработки информации, и теперь очень сложно найти равнодушного к...
有可能是你的显示器被颜色所迷惑，有时难以分辨，因为它没有被正确校准。
你建造了什么？没有这样的事情。
记得我告诉过你，英镑在套利图上的颜色是错误的。
你所建立的是一个秘密。
没有这样的选择。
记得我告诉你，套利图上的英镑是错误的颜色。
我所建造的东西是一个秘密。
我把所有的颜色都配好了。
不是关于市场，但非常有用，关于有效建立一个模型的一般方法（在任何阶段都可能出错，我们甚至不会意识到）。
无教师学习（聚类）和RL（强化学习）。为了减少需要优化的参数。有没有人想过如何应用聚类？ 第二种情况更复杂，你需要专门的软件包
例如：https://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-1/
https://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-2/
无教师学习（聚类）和RL（强化学习）。为了减少需要优化的参数。有没有人想过如何应用聚类？ 第二种情况更复杂，你需要专门的软件包
例如：https://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-1/
https://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-2/
我开始思考强化学习的问题。在我看来，这就是交流的需要。
我也是，我同时还在掌握Python...R是令人讨厌的。有一篇关于Kohonen层的古老文章，作者是o_o，他写了一些关于plusses的东西，等等，没有例子和发展。
https://www.mql5.com/ru/articles/1562
我也是，我同时还在掌握Python...R是令人讨厌的。有一篇关于Kohonen层的古老文章，作者是o_o，他写了一些关于plusses的东西，等等，没有例子和发展。
https://www.mql5.com/ru/articles/1562
事实上，我可以把你作为同行加入我的资料库，我将解释我的工作方案。
我用过qt和opennn，坦率地说，没有什么比mlp（opennn）发展得更久。
一般来说，我可以把你作为对应方添加到我的存储库中，我将解释它是如何工作的。
恐怕我需要先学习一下，我还不是那么好的一个程序员 :) 也许明年晚些时候吧
无教师学习（聚类）和RL（强化学习）。为了减少需要优化的参数。有没有人想过如何应用聚类？ 第二种情况更复杂，你需要专门的软件包
例如：https://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-1/
https://robotwealth.com/unsupervised-candlestick-classification-for-fun-and-profit-part-2/
我也牢牢记住了这一点。我只是无法得到我的手。
聚类也是一种有趣的方法。我认为它应该在模型训练之前使用，因为这样你可以过滤掉那些完全不相关的参数。
我也牢牢记住了这一点。我只是无法得到我的手。
特别是如果我们使用多维聚类，我们可以尝试用特征和向量来喂养，比如说，增量的滞后......把它们分成几组--哪些特征对应于未来的哪些增量
然后应用于这个集合的训练NS，例如......即像数据挖掘一样
是的，正是在训练前......或作为TS的一个单独的东西。