交易中的机器学习：理论、模型、实践和算法交易 - 页 637 1...630631632633634635636637638639640641642643644...3399 新评论 Vizard_ 2018.02.02 09:30 #6361 亚历山大_K2。:))))在这种情况下，应该向巫师寻求帮助 :)))) 我唯一能说的是，正是非熵造成了趋势/平坦状态。趋势是过程的 "记忆"，其分布的 "尾巴 "和非熵是巨大的，而在平坦状态下，它几乎为0。我只和自己打交道，但我明白这个鲜有研究的参数的重要性。现在没有什么可以帮助它。趋势/舰队的转换，就像对晚餐的勺子，在时间上应该是好事。红线是实际的。同义词-模型。在这个例子中，它已经晚了。底部图片，该模型已经迟到。 Vizard_ 2018.02.02 09:36 #6362 Mihail Marchukajtes: 兄弟们，这只是我们的一小步，但这将是整个人类的一大步.....。米沙，我相信！我就知道!帅气的!你是最棒的！））。 Mihail Marchukajtes 2018.02.02 09:45 #6363 Vizard_。米沙，我相信！我就知道!帅气的!你是最棒的！）））。感谢你的支持 mate!!!!!我真的需要它。下次你对我讲话时，只要拼写正确就行了。 HandsomeGGGG!!!!听起来更扎实，.... Mihail Marchukajtes 2018.02.02 09:49 #6364 让我们继续... 有两列数值，我计算了A列中事件的概率和B列中另一事件的概率。条件很简单，就是>0。我计算了A列中大于0的事件的数量，然后除以总行数，同样我计算了B列中数值的数量，然后除以总观察数。 接下来，使用我的数值，我如何计算条件概率????。考虑到我有两列，都有40行???? Dr. Trader 2018.02.02 09:53 #6365 Mihail Marchukajtes:好吧，我从另一个角度来谈。假设我有一个100个输入的输入集。我计算了每个输入的熵，得到的结果是从-10到10。问题：哪些投入更适合于采取???? 假设我有10个低于零的输入，其余的高于零，但所有数值都在-10和10之间.....。Mihail Marchukajtes:还有......我没有办法计算出相互的信息....。或者说是条件概率，用于后续的熵和VI的计算。 谁能解释一下手指或更好的例子。 第一列40行输入变量 第二列40行输出.... 一夜之间做了很多工作，以确定假说。偶然发现了这些东西，没办法。请帮助，我将对我的假设给出我的想法...... 我没有研究过信息论，但对R中的熵有一些经验。 从本质上讲，熵越大，数据中的混乱程度越高。一个具有高熵的预测器与目标的关系相当差。反之，低熵表明预测者很容易从预测者中识别出来。 非熵是熵的反面，与熵相比，它没有带来新的知识，只是为了方便而引入。如果预测者的熵大，那么非熵就小。如果熵是小的，那么非熵就是大的。这就像热与冷、光与暗等，一个无缝地流向另一个。 但这还不是全部，还有交叉熵。这就是两个预测器在一起与目标的关系，交叉熵高就不好，低就好。在机器学习中，经常会出现这样的情况：两个具有高熵的预测器一起使用时，会产生低的交叉熵，这正是我们所需要的。即使每个预测因子本身可能与目标有不好的关联（两者的熵都很高），但它们一起可以击中靶心（交叉熵低）。因此，我们不能简单地分别测量每个预测器的熵，并根据估计值选择一个集合。你需要选择具有低交叉熵的整个预测器集合，例如我不看它们的熵是多少，而是单独看。 这里有一些例子-- 1）具有高熵的预测器。根本就没有办法预测目标类。 2）具有低熵的预测器。如果你仔细观察，如果预测器的值从0到0.25或小于0.4，那么类值=1。否则，类=2。这是一个非常方便的预测器，可以在MO中使用。 3）两个预测器，每个都有很高的熵，模型永远无法只用第一个或只用第二个预测器来预测目标。但通过把它们画在一起（X轴是第一个的值，Y轴是第二个的值），我们可以立即看到，它们一起给出了关于目标类别的非常好的信息（两个预测器的符号相同=类别1，符号不同=类别2）。这是低交叉熵的一个例子。 Vizard_ 2018.02.02 09:53 #6366 Mihail Marchukajtes:谢谢你的支持 Fellow!!!!!我真的需要它。下次称呼我时，请正确拼写。 HandsomeGGGGG!!!!这听起来是如此的坚实....这就是为什么我们爱你，老师!他总是在那里，总是纠正我们。你是我们亲爱的人！））。"米山宁的见证者。2018年2月。 Mihail Marchukajtes 2018.02.02 10:02 #6367 尽管有责难，我仍将继续。条件概率的计算方法如下。第一列中满足条件的数据数量为19，第二列中为20。为了找到条件概率。我把19+20加起来，然后全部除以总条目数，即80（第一栏40，第二栏40）。而你必须除以概率....。如果我有A列-进入，B列-退出，那么要知道进入到退出的条件概率，你需要用总概率除以进入列的概率。这是正确的吗？ Dr. Trader 2018.02.02 10:06 #6368 Mihail Marchukajtes:再一次，一个问题。有八种模式的NS。在当前信号下，NS输出的熵值如下 5.875787568 -5.702601649 5.066989592 9.377441857 7.41065367 1.401022575 4.579082852 5.119647925 你想要哪一个？红色的？因为它有负熵，还是蓝色的？它更接近于零。我要说的是，这两个模型看起来方向不同，但我们知道，时间将证明谁是正确的....。最后，他们中的一个将获胜。谁在考虑这个问题？总结我上面写的--你需要首先确定预测器组合的交叉熵，并选择交叉熵较低的预测器组合。奇怪的是，它是负数，在我的情况下，它只是无限大到零，但不管怎样，那就取最负的那个。 在我看来，NS输出的熵作为对神经元本身的估计是不好的。你可以调整网络的输出，在100%的情况下给出一个正确的答案，它的熵会很低，但它可能有很大的过拟合。过度喂养是不好的。 Mihail Marchukajtes 2018.02.02 10:09 #6369 重点是，我发现了一个Excel的插件，可以计算熵。我以我想要的方式完成了它，没有改变计算的逻辑，因此我有这个问题。解释一下这些独眼巨人的计算方法，这里发生了什么。他们到底是做什么的，我明白，但在其他一些方面....。HM.... 对于ActiveSheet.Range(Data1)中的每个值X(I)=价值Nn = Nn + 价值I = I + 1下一个价值 在这个循环中，写出了数组X，也有一个累积的总和，就像没有问题一样，但进一步....。 对于I=1至NX(I) = X(I) / Nn下一页 I 我们用数组的 每个元素 除以数值的总和，我怀疑这只是频率搜索。Right???? 好吧......我想我明白了，我们需要把所有的频率加起来，才能找到概率。对吗？ Mihail Marchukajtes 2018.02.02 10:12 #6370 交易员博士。总结一下我上面写的，首先确定预测器组合的交叉熵，然后取交叉熵较低的一个。奇怪的是，它是负数，在我的情况下，它只是无限大到零，但不要紧，那就取最负的那个。 在我看来，NS输出的熵作为对神经元本身的估计是不好的。你可以调整网络的输出，在100%的情况下给出一个正确的答案，它的熵会很低，但它可能有很大的过拟合。过度喂养是不好的。要找到交叉熵，你首先需要找到两个事件的条件熵，这就是我现在正在做的事.... 而模型熵的估计需要在模型处于OOS的时候进行。在发出信号后，我们可以计算这个信号的熵，并利用它来得出结论。信号的熵值增加了。他妈的，它倒下了--它是我们的蒸汽机车.... 1...630631632633634635636637638639640641642643644...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
:))))在这种情况下，应该向巫师寻求帮助 :))))
我唯一能说的是，正是非熵造成了趋势/平坦状态。趋势是过程的 "记忆"，其分布的 "尾巴 "和非熵是巨大的，而在平坦状态下，它几乎为0。我只和自己打交道，但我明白这个鲜有研究的参数的重要性。
现在没有什么可以帮助它。趋势/舰队的转换，就像对晚餐的勺子，在时间上应该是好事。
红线是实际的。同义词-模型。在这个例子中，它已经晚了。底部图片，该模型已经迟到。
兄弟们，这只是我们的一小步，但这将是整个人类的一大步.....。
米沙，我相信！我就知道!帅气的!你是最棒的！））。
米沙，我相信！我就知道!帅气的!你是最棒的！）））。
感谢你的支持 mate!!!!!我真的需要它。下次你对我讲话时，只要拼写正确就行了。 HandsomeGGGG!!!!听起来更扎实，....
让我们继续...
有两列数值，我计算了A列中事件的概率和B列中另一事件的概率。条件很简单，就是>0。我计算了A列中大于0的事件的数量，然后除以总行数，同样我计算了B列中数值的数量，然后除以总观察数。
接下来，使用我的数值，我如何计算条件概率????。考虑到我有两列，都有40行????
好吧，我从另一个角度来谈。假设我有一个100个输入的输入集。我计算了每个输入的熵，得到的结果是从-10到10。问题：哪些投入更适合于采取????
假设我有10个低于零的输入，其余的高于零，但所有数值都在-10和10之间.....。
还有......我没有办法计算出相互的信息....。或者说是条件概率，用于后续的熵和VI的计算。
谁能解释一下手指或更好的例子。
第一列40行输入变量
第二列40行输出....
一夜之间做了很多工作，以确定假说。偶然发现了这些东西，没办法。请帮助，我将对我的假设给出我的想法......
我没有研究过信息论，但对R中的熵有一些经验。
从本质上讲，熵越大，数据中的混乱程度越高。一个具有高熵的预测器与目标的关系相当差。反之，低熵表明预测者很容易从预测者中识别出来。
非熵是熵的反面，与熵相比，它没有带来新的知识，只是为了方便而引入。如果预测者的熵大，那么非熵就小。如果熵是小的，那么非熵就是大的。这就像热与冷、光与暗等，一个无缝地流向另一个。
但这还不是全部，还有交叉熵。这就是两个预测器在一起与目标的关系，交叉熵高就不好，低就好。在机器学习中，经常会出现这样的情况：两个具有高熵的预测器一起使用时，会产生低的交叉熵，这正是我们所需要的。即使每个预测因子本身可能与目标有不好的关联（两者的熵都很高），但它们一起可以击中靶心（交叉熵低）。因此，我们不能简单地分别测量每个预测器的熵，并根据估计值选择一个集合。你需要选择具有低交叉熵的整个预测器集合，例如我不看它们的熵是多少，而是单独看。
这里有一些例子--
1）具有高熵的预测器。根本就没有办法预测目标类。
2）具有低熵的预测器。如果你仔细观察，如果预测器的值从0到0.25或小于0.4，那么类值=1。否则，类=2。这是一个非常方便的预测器，可以在MO中使用。
3）两个预测器，每个都有很高的熵，模型永远无法只用第一个或只用第二个预测器来预测目标。但通过把它们画在一起（X轴是第一个的值，Y轴是第二个的值），我们可以立即看到，它们一起给出了关于目标类别的非常好的信息（两个预测器的符号相同=类别1，符号不同=类别2）。这是低交叉熵的一个例子。
谢谢你的支持 Fellow!!!!!我真的需要它。下次称呼我时，请正确拼写。 HandsomeGGGGG!!!!这听起来是如此的坚实....
这就是为什么我们爱你，老师!他总是在那里，总是纠正我们。你是我们亲爱的人！））。
"米山宁的见证者。2018年2月。
再一次，一个问题。有八种模式的NS。在当前信号下，NS输出的熵值如下
5.875787568 -5.702601649 5.066989592 9.377441857 7.41065367 1.401022575 4.579082852 5.119647925
你想要哪一个？红色的？因为它有负熵，还是蓝色的？它更接近于零。我要说的是，这两个模型看起来方向不同，但我们知道，时间将证明谁是正确的....。最后，他们中的一个将获胜。谁在考虑这个问题？
总结我上面写的--你需要首先确定预测器组合的交叉熵，并选择交叉熵较低的预测器组合。奇怪的是，它是负数，在我的情况下，它只是无限大到零，但不管怎样，那就取最负的那个。
在我看来，NS输出的熵作为对神经元本身的估计是不好的。你可以调整网络的输出，在100%的情况下给出一个正确的答案，它的熵会很低，但它可能有很大的过拟合。过度喂养是不好的。
重点是，我发现了一个Excel的插件，可以计算熵。我以我想要的方式完成了它，没有改变计算的逻辑，因此我有这个问题。解释一下这些独眼巨人的计算方法，这里发生了什么。他们到底是做什么的，我明白，但在其他一些方面....。HM....
对于ActiveSheet.Range(Data1)中的每个值
X(I)=价值
Nn = Nn + 价值
I = I + 1
下一个价值
在这个循环中，写出了数组X，也有一个累积的总和，就像没有问题一样，但进一步....。
对于I=1至N
X(I) = X(I) / Nn
下一页 I
我们用数组的 每个元素 除以数值的总和，我怀疑这只是频率搜索。Right????
好吧......我想我明白了，我们需要把所有的频率加起来，才能找到概率。对吗？
总结一下我上面写的，首先确定预测器组合的交叉熵，然后取交叉熵较低的一个。奇怪的是，它是负数，在我的情况下，它只是无限大到零，但不要紧，那就取最负的那个。
在我看来，NS输出的熵作为对神经元本身的估计是不好的。你可以调整网络的输出，在100%的情况下给出一个正确的答案，它的熵会很低，但它可能有很大的过拟合。过度喂养是不好的。
要找到交叉熵，你首先需要找到两个事件的条件熵，这就是我现在正在做的事....
而模型熵的估计需要在模型处于OOS的时候进行。在发出信号后，我们可以计算这个信号的熵，并利用它来得出结论。信号的熵值增加了。他妈的，它倒下了--它是我们的蒸汽机车....