int TimeGroup=0;
int t_Start=arr_TimeH[i];
if (t_Start==10) TimeGroup=1;
if (t_Start==11 || t_Start==15 || t_Start==18 || t_Start==19)TimeGroup=2;
if (t_Start==12 || t_Start==16 || t_Start==20)TimeGroup=3;
if (TimeGroup==0) TimeGroup=4;
arr_TimeH[i]=TimeGroup;
这就是我的意思。
为了找到系数,你必须先看到结果。
而且我告诉你,它符合预测的要求。
对吗?
当然是这样。你还能怎么教?教学需要输入和输出。有老师--没有老师,在任何情况下都需要输出。
他们不会给我们需要的东西。
当然了。你还能怎么教?学习需要一个入口和一个出口。无论是否有老师,你都需要一个入口。
这里有一句话。
"另一种适应的变体是可能的,其中不使用参考信号。这种操作模式被称为盲目适应或无监督学习"。
这里有一段话。
"另一种适应的变体是可能的,其中不使用参考信号。这种操作模式被称为盲目适应或无监督学习"。
那么,你看过没有老师的学习结构吗?一言以蔽之--绝对与教师无异。一个有操作系统的普通系统就是一个老师。
那么,你看过没有老师的学习结构吗?一言以蔽之--绝对与教师无异。一个有操作系统的普通系统就是一个老师。
有没有人能够在振荡器上达到0.2或0.3的误差? 最小的是在0.45左右。此外,它经常在OOS上工作。
但与Trayne的2-2.5倍差距有点令人讨厌。
我搞不清楚什么时候完成开发并开始练习 ))
不能用日+小时来识别新闻,可能是因为时间变化的因素--冬天/夏天......。
也许有些预测因素在干扰...做了一个按小时分类的分组
现在,按预测因素进行的时间分组得到了更好的定义!
截图是在没有选择的情况下对所有预测器的测试样本,如果选择了,结果可能会更好。
但第2组和第4组不太好,也许它们可以互换,但第1组和第3组也不是那么糟糕。
做了一个按小时分类的分组
现在,按预测因素进行的时间分组得到了更好的定义!
截图是对所有预测因子的测试样本,没有选择,如果选择,结果可能会更好。
第2组和第4组不太行,也许可以交叉取样,但第1组和第3组就很好。
试着在每个时钟上增加波动性读数?或者去掉小时数,留下循环播放的波动性。
或按交易时段分组
在全球范围内,它应该是0.5,但每季度+-应该有积极的表现。
注意外汇的季度周期
试着在每个小时增加一个波动性读数? 例如,Chaykin。或者去掉小时数,保留循环播放的波动性。
通过指标,当然可以,但我立即进一步寻找波动的原因--统计新闻--我以为把它分成天+小时就能看到,但它不起作用--也许我需要考虑小时的翻译,以便正确分组,因为我有俄罗斯时间,美国的新闻对卢布的影响比我们的统计更强。
在全球范围内,它应该是0.5,但在季度的基础上,+-应该是正数。
注意外汇的季度周期
季度--有趣,也许这有意义,我们会看到,谢谢。
然而,时间间隔越长,可测量的数据就越少--可能是纯粹的配合。
当然,这个指标可以使用,但我立即进一步寻找波动的原因--统计新闻--我以为把它分解成天+小时就可以看到,但它不起作用--也许我们应该考虑到时间的翻译,以便适当分组,因为我有RF时间,美国的新闻对卢布的影响比我们的统计更强。
季度--有趣,也许有意义,让我们看看,谢谢。
然而,时间间隔越长,可测量的数据就越少--可能是一个净合。
我指的是每个季度的模式都会发生变化的事实,这是一个规则。7年的时间仍然可以清楚地追踪,但这太有位置感了
有可能在那里检测到一些其他的周期性,我还没有做过,我需要找找资料
我指的是,作为一项规则,每个季度的模式都在变化。7年的时间仍然清晰可见,但这太有位置感了。
有可能在那里可以找到一些分形图案,我没有研究过,我需要寻找资料。
即不考虑历史的变化,即2016年第一季度与2017年第一季度不一样?
还有分形,所以我几乎有一个分形系统来测量1小时、4小时、1天、1周、1个月范围内的价格波动。计划中的波动规模被计算出来,我们看看价格目前在哪里(在什么水平)。