交易中的机器学习：理论、模型、实践和算法交易 - 页 619

新评论
 
阿纳托利-扎因奇科夫斯基。

我不明白关于数量的问题，1万个国家的例子对于培训来说还不够吗？

这可能是也可能是不够的。这取决于你所教的内容和你如何教它。

在我的第一个版本中，~10000根本就不算什么。而在后者，在改变了与NS相同的教学模式后，一切都很好。

 
阿纳托利-扎因奇科夫斯基。

在这种情况下，静态的100条模型将被阉割，而且我相信它不会导致对可能模式的预期搜索(

我并没有告诉你要喂养同样的酒吧。=)
我的意思是，架构应该是恒定的，在每一个新的案例中，你会把 "关注 "窗口向前推进。这样一来，特定数据集的序列性和一体性将被追踪。

一个学习刻度：i是当前的指数。输入=[i-100，i]，输出=[i+1，i+6]。而相应地，我每次都是新的。
 
阿列克谢-特伦特夫。
我并没有告诉你要为同样的酒吧服务。=)
我的意思是，架构应该是恒定的，在每一个新的案例中，你将把 "注意 "窗口向前移动。这样一来，特定数据集的序列性和一体性将被追踪。

一个学习刻度：i是当前的指数。输入=[i-100，i]，输出=[i+1，i+6]。而相应地，我每次都是新的。

好吧，让我解释一下。例如，我们有5个价格回落的入口和1个价格回落的出口，通过逐条移动窗口，我们在这5条中寻找第6条的模式。我们事先并没有规定这5条的组合看起来是一样的。现在想象一下，每次的组合看起来都一样，神经网络的答案是什么？我不认为你需要回答这个问题。现在进一步说，在我的情况下，事实证明，组合总是相同的，但长度不同，无法切割。对长度的依赖对前进并不关键，但我认为它也很重要，所以我不能削减长度。我想我会把那些较短的加长，但这样就会失去它们的外观，这就是最初的赌注。可能是完全混淆了.....

 

如果不削减，那么就需要几个神经网络，100个由200个和250个组成。

 
亚历山大_K2。
马克西姆，你给输入神经网络输入什么？冯-科尔登输入增量，而你呢？

也是），有不同的滞后，我还想增加分布的时刻

和延迟。一个有反馈的网络。事实上，有2个网络。

但我最近很懒...可能是因为我读了太多的书...在1.5周内完成三本千页的书 :D

 
阿纳托利-扎因奇科夫斯基。

也许是因为你使模型的长度固定，你没有得到正确的结果？ 我通过增加一个简单的循环来增加模型的长度来摆脱它，现在我在任何时候都能得到一个好的图片。 但水的前进仍然有相同的50/50，现在我正在寻找方法来重新排序...


投资组合是非稳定的，它不会从西格玛到西格玛，它定期裂开......然后它重新计算，再次裂开。

如果在一些指数/股票之间不存在全球性的决定因素，那么交易一个投资组合就像交易一个符号，但有额外的成本

或分解 一个符号，从中创建一个投资组合，交易一个符号 ))

 
elibrarius。

如果你不削减它，那么你需要几个神经网络，100乘以200和250


谢谢你的建议，这可能更正确，但在机器人中只是把几个网络的信号而不是一个。

 
阿纳托利-扎因奇科夫斯基。

谢谢你的建议，这可能会更好，但在一个机器人中只是把几个网络的信号，而不是一个...

为什么是几个？来自于数据发送长度的那个。你不能从第二个不同长度的人那里得到答案。

不合群。但一个接一个--是的。

 
elibrarius:

为什么是几个？从提交数据的长度来看。你不能从另一个不同长度的人那里得到答案。

所以你不能得到一个合奏。但每次都是一个，是的。


我说错了，你是对的。逻辑将是这样的，模型被建立，模型长度被确定，与当前模型长度相匹配的训练过的网络 被启动。只是最终机器人中会同时有几个网络，以及按长度划分的模型。

 
马克西姆-德米特里耶夫斯基。

嗯，投资组合的非平稳性，它不是从西格玛到西格玛，而是定期裂开......然后你重新计算，它再次裂开。

比方说，如果没有像一些指数/股票之间的全球决定性，那么交易组合就像交易一个符号，但有额外的成本。


完全正确，但你的优势在于，你可以将投资组合设置为每小时都可以进行分析，而不需要等待这样的形式出现在一个货币对上。 让我以另一种方式说，例如，我只分析历史上的10个柱子来预测未来的1个柱子，神经网络会从这10个柱子中找到数百个模式，但我建议在一个模式上训练神经网络，然后再向前推进

1...612613614615616617618619620621622623624625626...3399
新评论