交易中的机器学习：理论、模型、实践和算法交易 - 页 879 1...872873874875876877878879880881882883884885886...3399 新评论 Dmitriy Skub 2018.05.06 10:28 #8781 尤里-阿索连科。我相信这是唯一的一个，不是到目前为止，而是唯一一个用于MO和NS的合理复杂的配置。首先，我们限制了NS和MO的应用范围，然后我们应用NS和MO。 而解决像 "一般情况下，所有和一次 "的问题--那是为人工智能准备的）。 相反，NS是一种可训练的决策逻辑。原本是为了在标准策略中取代它，而不是为了麻烦地写它。好吧，"一般情况下从不 "这个说法太强烈了。我希望在未来50年内出现一个合理的量子计算机）））然后也许是一个真正的人工智能。） 但是，是的--目前处理器的发展已经达到了放置在飞机上的物理极限。而在三维空间中，建造所有的东西要困难得多。 Aleksey Vyazmikin 2018.05.06 11:28 #8782 elibrarius。有针对性的--你有回归，而不是分类。我现在已经放弃了回归。我认为根据目标的数量来训练2个神经元组会更好，但我还没有做足够的回归实验--自己实验吧。 列的顺序并不重要，主要的是告诉NS这些是目标。行的顺序可能是最好的，在最后有最新鲜的数据（但不一定），许多软件包默认洗所有的行，以获得均匀的训练。否则，NS可能会在中间某个地方停滞不前（局部最小值），无法获得新鲜数据。新鲜的数据（最后的10-20%）可以被输入2-3次，以使网络更好地学习最新的市场趋势--这也是一个没有被我在实践中检验的观点。 看看这个话题发起人的博客--他在那里教人回归，有很多好的想法。但最后他写道，他在代码中发现了一些错误，使所有结果都无效。 所以没有明确的、毫不含糊的答案，这就是为什么所有人都保持沉默)正是我想要的，将目标转化为分类!我理解树只吃0和1（即两个逻辑值），在我的案例中，买入和卖出的结果需要单独分开，并作为单独的树进行训练（分类）。 谢谢你的答复我拒绝了回归，因为它的绝对值在非稳态系统中会成为噪音，但我会把回归作为一种逻辑解决方案，例如，找到相对于通道的价格。 关于混合数据很清楚，但很奇怪，我的理解是，如果我们想告诉NS/Decision Tree关于过去的事件，我们应该对预测器进行复制，并进行移位，对每个移位增加一个数量级的深度？ Forester 2018.05.06 11:33 #8783 阿列克谢-维亚兹米 金。数据洗牌是可以理解的，但很奇怪，我的理解是，如果我们想告诉NS/Decision Tree关于过去的事件，我们必须对预测器进行复制，并进行移位，每一次移位的深度增加一个数量级？再来一份是为了什么？你表格中的每一行都是相同的预测因素，要往前追溯。 Aleksey Vyazmikin 2018.05.06 11:44 #8784 马克西姆-德米特里耶夫斯基。什么样的问题？ 你不能教给神经网络预期的利润，你需要教给神经网络应该分类或近似的东西，即具体的买/卖行动或具体的市场条件。 至于预测器，哪些更好，哪些不好，没有人可以告诉你答案，因为你需要研究它们，看看TS是如何工作的，这就是这整个话题的大部分内容，但每个人都有不同的预测器 关于神经网络--你可以使用alglib或R或Python--它已经被写了大约100次了 关于训练序列--哪个数据较新，哪个数据较老并不重要，你需要了解NS的工作原理--它能使所有情况下的误差在总体上最小化。 你可以在youtube和google上找到很多神经网络的基础知识，这里不讨论，因为没有什么意义。 我写过--你必须从基础开始研究一切，然后对什么和什么地方有一个了解，否则就是浪费时间。 六个月前，我自己还不理解他们，现在多多少少有些理解了。我阅读了大量的文献和数百小时的视频剪辑，然后开始了某种知识的综合。是的，我的问题也没有得到明智的回答，我一直在自己挖掘:) 但你的问题太模糊了，事实证明你需要成为一个通灵者才能开始猜测，因为你需要观察大量的细节才能使一些东西发挥作用，而不是看着桌子就能明白一切:)) 我对资源上的MO发展的贡献，我已经以2篇文章的形式做出了，我是否会继续写下去我至今不知道，因为已经开始了圣杯的领域（开玩笑）。为什么我不能教授买入或卖出的最大利润预期的进入点？ 我有足够的预测器--我正在慢慢地把它们添加到脚本中。我还不知道他们最终是好是坏......。 关于神经网络--对NS的具体名称感兴趣，它能更好地以分类的形式与目标一起工作...到目前为止，我还没有能够建立任何正常的软件包 :( 这就是为什么我在用 "Deductor Studio Academic "进行测试 - 界面非常容易理解，一切都用俄语，有树和神经网络，它看起来对初学者很好，但不足之处是你不能导出结果。 我不知道这对一棵树来说是否是个好结果？对50%的样本进行了培训，对50%的样本进行了测试。 我正在学习基础知识，重新阅读这里的一些文章，并观看NS的讲座，但并不是所有的事情都很简单，而且我没有人可以问... 谢谢你的关注。 Aleksey Vyazmikin 2018.05.06 11:46 #8785 elibrarius。否则为什么会有一个副本？你表格中的每一行都是相同的预测因素，要往前追溯。那么你怎么能把它们混在一起呢？因为这打破了他们的顺序... 树是看顺序的吗？ Forester 2018.05.06 11:54 #8786 阿列克谢-维亚兹米 金。那么你怎么能把它们混在一起呢？因为这打破了他们的顺序... 一棵树看的是顺序吗？ 它是避免撞上一个局部最小值的点。然而，混合并不是必须的--你可以在没有混合的情况下学习；这取决于你的数据中是否存在局部最小值，以及是否有其他方法来跳过局部最小值，如果确实存在的话。我不做树。 Forester 2018.05.06 11:58 #8787 阿列克谢-维亚兹米 金。为什么我不能教授买入或卖出预期最大利润的进入点？ 我有足够的预测因素--我正在慢慢地将它们纳入剧本。我还不知道他们最后是好是坏......。 关于神经网络--对NS的具体名称感兴趣，它能更好地以分类的形式与目标一起工作...到目前为止，我还没有能够建立任何正常的软件包 :( 这就是为什么我在用 "Deductor Studio Academic "进行测试 - 界面非常容易理解，一切都用俄语，有树和神经网络，它看起来对初学者很好，但不足之处是你不能导出结果。 我不知道这对一棵树来说是否是个好结果？对50%的样本进行了培训，对50%的样本进行了测试。 我正在学习基础知识，重新阅读这里的一些文章，并观看关于NS的讲座，但并不是所有事情都很简单，我也没有人可以问... 谢谢你的关注。 太好啦--误差不到10%。你们的预报员不是在窥视未来吗？这通常是错误如此之小的原因。还是针对过去？例如Zigzag？还是你预测0条，并建立有关闭0条的预测器。 Aleksey Vyazmikin 2018.05.06 11:58 #8788 elibrarius。 这就是问题所在，要避免触及当地的一个低点。然而，混合并不是必须的--你可以在没有混合的情况下学习；这取决于你的数据中是否有局部最小值，以及如果有的话，是否有其他方法可以跳过局部最小值。我不做树。好的，数据的顺序（时间顺序）应该如何在文件中呈现--应该是最新的（2018年）还是最老的（2017年）在开始？ Forester 2018.05.06 12:02 #8789 阿列克谢-维亚兹米 金。好的，数据的顺序（时间顺序）应该如何在文件中呈现--最新的（2018年）应该在开始，还是最老的（2017年）应该在开始？ NS通常从第一行开始处理数据--也就是说，最古老的数据应该在第一行，新鲜的数据在最后，这样，训练的最后几步就在这些数据上完成。 Aleksey Vyazmikin 2018.05.06 12:05 #8790 elibrarius: Too Good - 误差小于10%。你的预测师难道没有窥视未来的能力吗？这通常是错误如此之小的原因。据我所知不是--昨天我发现一个预测器在观察1个柱子，但我的目标并不取决于开仓后 经过的柱子数（即没有设置依赖关系），我使用止损平仓，这对指标起作用。 所有的预测器在酒吧开张时都起作用--我甚至不知道如何检测那些偷看的人--他们应该是很重要的，对吗？ 我在照片上没有看到... 1...872873874875876877878879880881882883884885886...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
我相信这是唯一的一个，不是到目前为止，而是唯一一个用于MO和NS的合理复杂的配置。首先，我们限制了NS和MO的应用范围，然后我们应用NS和MO。
而解决像 "一般情况下，所有和一次 "的问题--那是为人工智能准备的）。
相反，NS是一种可训练的决策逻辑。原本是为了在标准策略中取代它，而不是为了麻烦地写它。
好吧，"一般情况下从不 "这个说法太强烈了。我希望在未来50年内出现一个合理的量子计算机）））然后也许是一个真正的人工智能。）
但是，是的--目前处理器的发展已经达到了放置在飞机上的物理极限。而在三维空间中，建造所有的东西要困难得多。
有针对性的--你有回归，而不是分类。我现在已经放弃了回归。我认为根据目标的数量来训练2个神经元组会更好，但我还没有做足够的回归实验--自己实验吧。
列的顺序并不重要，主要的是告诉NS这些是目标。行的顺序可能是最好的，在最后有最新鲜的数据（但不一定），许多软件包默认洗所有的行，以获得均匀的训练。否则，NS可能会在中间某个地方停滞不前（局部最小值），无法获得新鲜数据。新鲜的数据（最后的10-20%）可以被输入2-3次，以使网络更好地学习最新的市场趋势--这也是一个没有被我在实践中检验的观点。
看看这个话题发起人的博客--他在那里教人回归，有很多好的想法。但最后他写道，他在代码中发现了一些错误，使所有结果都无效。
所以没有明确的、毫不含糊的答案，这就是为什么所有人都保持沉默)
正是我想要的，将目标转化为分类!我理解树只吃0和1（即两个逻辑值），在我的案例中，买入和卖出的结果需要单独分开，并作为单独的树进行训练（分类）。
谢谢你的答复我拒绝了回归，因为它的绝对值在非稳态系统中会成为噪音，但我会把回归作为一种逻辑解决方案，例如，找到相对于通道的价格。
关于混合数据很清楚，但很奇怪，我的理解是，如果我们想告诉NS/Decision Tree关于过去的事件，我们应该对预测器进行复制，并进行移位，对每个移位增加一个数量级的深度？
数据洗牌是可以理解的，但很奇怪，我的理解是，如果我们想告诉NS/Decision Tree关于过去的事件，我们必须对预测器进行复制，并进行移位，每一次移位的深度增加一个数量级？
再来一份是为了什么？你表格中的每一行都是相同的预测因素，要往前追溯。
什么样的问题？
你不能教给神经网络预期的利润，你需要教给神经网络应该分类或近似的东西，即具体的买/卖行动或具体的市场条件。
至于预测器，哪些更好，哪些不好，没有人可以告诉你答案，因为你需要研究它们，看看TS是如何工作的，这就是这整个话题的大部分内容，但每个人都有不同的预测器
关于神经网络--你可以使用alglib或R或Python--它已经被写了大约100次了
关于训练序列--哪个数据较新，哪个数据较老并不重要，你需要了解NS的工作原理--它能使所有情况下的误差在总体上最小化。
你可以在youtube和google上找到很多神经网络的基础知识，这里不讨论，因为没有什么意义。
我写过--你必须从基础开始研究一切，然后对什么和什么地方有一个了解，否则就是浪费时间。
六个月前，我自己还不理解他们，现在多多少少有些理解了。我阅读了大量的文献和数百小时的视频剪辑，然后开始了某种知识的综合。是的，我的问题也没有得到明智的回答，我一直在自己挖掘:)
但你的问题太模糊了，事实证明你需要成为一个通灵者才能开始猜测，因为你需要观察大量的细节才能使一些东西发挥作用，而不是看着桌子就能明白一切:))
我对资源上的MO发展的贡献，我已经以2篇文章的形式做出了，我是否会继续写下去我至今不知道，因为已经开始了圣杯的领域（开玩笑）。
为什么我不能教授买入或卖出的最大利润预期的进入点？
我有足够的预测器--我正在慢慢地把它们添加到脚本中。我还不知道他们最终是好是坏......。
关于神经网络--对NS的具体名称感兴趣，它能更好地以分类的形式与目标一起工作...到目前为止，我还没有能够建立任何正常的软件包 :( 这就是为什么我在用 "Deductor Studio Academic "进行测试 - 界面非常容易理解，一切都用俄语，有树和神经网络，它看起来对初学者很好，但不足之处是你不能导出结果。
我不知道这对一棵树来说是否是个好结果？对50%的样本进行了培训，对50%的样本进行了测试。
我正在学习基础知识，重新阅读这里的一些文章，并观看NS的讲座，但并不是所有的事情都很简单，而且我没有人可以问...
谢谢你的关注。
否则为什么会有一个副本？你表格中的每一行都是相同的预测因素，要往前追溯。
那么你怎么能把它们混在一起呢？因为这打破了他们的顺序...
树是看顺序的吗？
那么你怎么能把它们混在一起呢？因为这打破了他们的顺序...
一棵树看的是顺序吗？
我不做树。
为什么我不能教授买入或卖出预期最大利润的进入点？
我有足够的预测因素--我正在慢慢地将它们纳入剧本。我还不知道他们最后是好是坏......。
关于神经网络--对NS的具体名称感兴趣，它能更好地以分类的形式与目标一起工作...到目前为止，我还没有能够建立任何正常的软件包 :( 这就是为什么我在用 "Deductor Studio Academic "进行测试 - 界面非常容易理解，一切都用俄语，有树和神经网络，它看起来对初学者很好，但不足之处是你不能导出结果。
我不知道这对一棵树来说是否是个好结果？对50%的样本进行了培训，对50%的样本进行了测试。
我正在学习基础知识，重新阅读这里的一些文章，并观看关于NS的讲座，但并不是所有事情都很简单，我也没有人可以问...
谢谢你的关注。
这就是问题所在，要避免触及当地的一个低点。然而，混合并不是必须的--你可以在没有混合的情况下学习；这取决于你的数据中是否有局部最小值，以及如果有的话，是否有其他方法可以跳过局部最小值。
我不做树。
好的，数据的顺序（时间顺序）应该如何在文件中呈现--应该是最新的（2018年）还是最老的（2017年）在开始？
好的，数据的顺序（时间顺序）应该如何在文件中呈现--最新的（2018年）应该在开始，还是最老的（2017年）应该在开始？
Too Good - 误差小于10%。你的预测师难道没有窥视未来的能力吗？这通常是错误如此之小的原因。
据我所知不是--昨天我发现一个预测器在观察1个柱子，但我的目标并不取决于开仓后 经过的柱子数（即没有设置依赖关系），我使用止损平仓，这对指标起作用。
所有的预测器在酒吧开张时都起作用--我甚至不知道如何检测那些偷看的人--他们应该是很重要的，对吗？
我在照片上没有看到...