矩阵包的研究 - 页 7 1234567891011 新评论 [删除] 2016.02.15 13:17 #61 http://quantquant.com/viewtopic.php?f=7&t=1236 Vladimir Perervenko 2016.02.15 13:35 #62 zaskok3: http://quantquant.com/viewtopic.php?f=7&t=1236这个链接是做什么用的？一个简短的评论将是有帮助的。例如：一组指向R和Python教程的链接。至于链接的内容：你是否从广泛的网络上舀出了所有的东西？或者有什么偏好吗？在Python中，pyBrain是最有趣、最值得研究和应用的。它实现了R包中没有的网络。不是为了讨论，不是批评，只是顺便说说。祝好运 Alexey Burnakov 2016.02.15 16:18 #63 Vladimir Perervenko:1.是的。2.为什么？需要一个单一的MT4R.dll，它是向R发送数据并接收结果的网关。3.对所有现有的数据库。不仅如此，微软和甲骨文都已将R集成到他们的数据库中。4.R实现了与Matlab互动的各种选项，从简单的交换Matlab文件到从R执行Matlab函数。如果你有这方面的经验和专业知识，你可以用R实现一个优秀的Matlab-MTterminal链接。5.在R中，实现了一个科学和技术的所有方向的软件包，并考虑到最新的成就。你可以从这里 开始。 6.不止一个。最常见的是FF。 一般来说，我很惊讶。你是在荒郊野外。翻阅本网站的文章1 和2，你不会明白很多东西，但你会对语言的运作有一个概念。 我正在完成关于深度学习的第二篇文章，希望明天能发给你修改，例子会附在专家的后面...如果有兴趣的话，我想我会写几篇关于初始层次（过滤、分解、预测等）的文章。当然，还要继续挖掘深度学习，尤其是谷歌为大家开放了TensorFlow 库。还有其他一些同样有趣和有前途的（mxnet，pyBrain）。 如果有一群爱好者聚集在一起，我们可以组织一个R语言用户的分支。 祝好运 好文章!谢谢你。我必须要研究一下。但我打算尝试SVM、GBM、xGBoost而不是NS。 СанСаныч Фоменко 2016.02.15 16:40 #64 Alexey Burnakov: 好文章!谢谢你。我需要关心一下这个问题。但我打算尝试SVM、GBM、xGBoost而不是NS。 SVM, ada, randomforest.所有这些都是在用这些包的拨浪鼓进行锻炼之后发生的。而在这之后，预测器的选择包 Vladimir Perervenko 2016.02.15 17:04 #65 Alexey Burnakov: 好文章!谢谢你。我必须要研究一下。但我打算尝试SVM、GBM、xGBoost而不是NS。全部尝试。我最喜欢的是经过各种修改的随机森林（主要优点是不需要对输入进行预处理。也是阿达--非常高的质量分数。两者都有两个缺点--学习曲线非常长，极易出现过度训练。 这并不意味着你不应该使用它们，只是你需要注意到这些干扰因素。祝好运 Alexey Burnakov 2016.02.15 17:17 #66 СанСаныч Фоменко: SVM, ada, randomforest.所有这些都是在与这些包裹在拨浪鼓的锻炼之后。而在选择预测因子的软件包之后 萨姆-桑尼奇，我在工作中也已经很好地练习了这些包。)))只有xGBoost 还没有碰过它。 Alexey Burnakov 2016.02.16 09:57 #67 Vladimir Perervenko:全部尝试。我最喜欢的是经过不同修改的随机森林（主要优点是不需要对输入数据进行预处理。也是ADA--非常高的质量得分。两者都有两个缺点--它们需要很长的时间来学习，而且极易造成过度学习。 这并不意味着你不需要使用它们，只是你需要注意这些讨厌的东西。祝好运我有一个关于第1条的问题要问你。我从交易模拟图中看到，该算法在每个柱状体上都进行交易，对吗？还有一个问题。训练时，你是否也给机器提供了每条的数据？将时间序列问题与大多数其他统计问题区分开来的核心要点是，在一个时间序列中，观测值并不是相互独立的。相反，一个偶然的事件可能会影响所有后来的数据点。这使得时间序列分析与统计学的大多数其他领域有很大不同。由于这种非独立性，时间序列数据背后的真实模式可能极难通过视觉检查看到。任何看过报纸上典型的股市平均数图表的人，都会看到似乎持续了几周或几个月的趋势。但是，研究这个问题的统计学家一致认为，这种趋势的发生频率与人们预期的偶然性基本相同，一天的股市走势与第二天的走势之间几乎没有关联。如果有这样的相关性，任何人都可以在股市中赚钱，只需赌今天的趋势明天会继续，而这根本不是那么容易。事实上，几乎任何一系列随机数的累积都会产生一个看起来非随机的模式。来自:http://node101.psych.cornell.edu/Darlington/series/series1.htm我想你的理解是，一个直接的方法，即时间序列中的所有点都参与训练（和测试），会产生相互依赖的观察结果，这一下子就推翻了关于发现的 "模式 "结论的有效性。简单地说，即使其他一切都做得很正确，结果也不可信。因此，从一个时间序列中创建一个不违反统计假设的观察样本就是档案。很多时候，这一步骤在流行的资料中被简单地忽略了，而后果是最令人遗憾的。机器不会学习这些模式。 Vladimir Perervenko 2016.02.16 19:30 #68 Alexey Burnakov:我有一个关于第1条的问题要问你。我从交易模拟图中看到，该算法在每个柱状体上都进行交易，对吗？还有一个问题。训练时，你是否也给机器提供了每条杠的数据？来自:http://node101.psych.cornell.edu/Darlington/series/series1.htm我想你的理解是，一个直接的方法，即时间序列中的所有点都参与训练（和测试），会产生相互依赖的观察结果，这一下子就跨越了关于发现的 "模式 "的结论的有效性。简单地说，即使其他一切都做得很正确，结果也不可信。因此，从一个时间序列中创建一个不违反统计假设的观察样本就是档案。很多时候，这一步骤在流行的资料中被简单地忽略了，而后果是最令人遗憾的。机器不会学习这些模式。下午。算法在每个酒吧都有交易？不，该算法在最后形成的条形上收到的信号上进行交易。也许我不明白这个问题？还有一个问题。在训练期间，你是否向专家顾问提供了每个条形的数据？我不明白这一点。你想解释一下吗？我将试着回答它。祝好运 Vladimir Perervenko 2016.02.16 19:34 #69 Alexey Burnakov:我有一个关于第1条的问题要问你。我从交易模拟图中看到，该算法在每个柱状体上都进行交易，对吗？还有一个问题。训练时，你是否也给机器提供了每条杠的数据？来自:http://node101.psych.cornell.edu/Darlington/series/series1.htm我想你的理解是，一个直接的方法，即时间序列中的所有点都参与训练（和测试），会产生相互依赖的观察结果，这一下子就跨越了关于发现的 "模式 "的结论的有效性。简单地说，即使其他一切都做得很正确，结果也不可信。因此，从一个时间序列中创建一个不违反统计假设的观察样本就是档案。很多时候，这一步骤在流行的资料中被简单地忽略了，而后果是最令人遗憾的。机器不会学习这些模式。你所指的文章是关于回归的。我们正在处理分类问题。这是两个很大的区别...我还是不明白你的问题。祝好运 Alexey Volchanskiy 2016.02.16 20:08 #70 Vladimir Perervenko:你所指的文章是关于回归的。我们正在处理分类问题。这是两个很大的区别...我还是不明白你的问题。祝好运 在讨论中顺便问一下大家。你是否与蜱 虫数据打交道？我很久以前就远离了酒吧分析，我只从事DSP方法的研究。 1234567891011 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
http://quantquant.com/viewtopic.php?f=7&t=1236
这个链接是做什么用的？一个简短的评论将是有帮助的。
例如：一组指向R和Python教程的链接。
至于链接的内容：你是否从广泛的网络上舀出了所有的东西？或者有什么偏好吗？在Python中，pyBrain是最有趣、最值得研究和应用的。它实现了R包中没有的网络。不是为了讨论，不是批评，只是顺便说说。
祝好运
1.是的。
2.为什么？需要一个单一的MT4R.dll，它是向R发送数据并接收结果的网关。
3.对所有现有的数据库。不仅如此，微软和甲骨文都已将R集成到他们的数据库中。
4.R实现了与Matlab互动的各种选项，从简单的交换Matlab文件到从R执行Matlab函数。如果你有这方面的经验和专业知识，你可以用R实现一个优秀的Matlab-MTterminal链接。
5.在R中，实现了一个科学和技术的所有方向的软件包，并考虑到最新的成就。你可以从这里 开始。
6.不止一个。最常见的是FF。
一般来说，我很惊讶。你是在荒郊野外。翻阅本网站的文章1 和2，你不会明白很多东西，但你会对语言的运作有一个概念。
我正在完成关于深度学习的第二篇文章，希望明天能发给你修改，例子会附在专家的后面...如果有兴趣的话，我想我会写几篇关于初始层次（过滤、分解、预测等）的文章。当然，还要继续挖掘深度学习，尤其是谷歌为大家开放了TensorFlow 库。还有其他一些同样有趣和有前途的（mxnet，pyBrain）。
如果有一群爱好者聚集在一起，我们可以组织一个R语言用户的分支。
祝好运
好文章!谢谢你。我需要关心一下这个问题。但我打算尝试SVM、GBM、xGBoost而不是NS。
好文章!谢谢你。我必须要研究一下。但我打算尝试SVM、GBM、xGBoost而不是NS。
全部尝试。
我最喜欢的是经过各种修改的随机森林（主要优点是不需要对输入进行预处理。也是阿达--非常高的质量分数。两者都有两个缺点--学习曲线非常长，极易出现过度训练。
这并不意味着你不应该使用它们，只是你需要注意到这些干扰因素。
祝好运
SVM, ada, randomforest.所有这些都是在与这些包裹在拨浪鼓的锻炼之后。而在选择预测因子的软件包之后
全部尝试。
我最喜欢的是经过不同修改的随机森林（主要优点是不需要对输入数据进行预处理。也是ADA--非常高的质量得分。两者都有两个缺点--它们需要很长的时间来学习，而且极易造成过度学习。
这并不意味着你不需要使用它们，只是你需要注意这些讨厌的东西。
祝好运
我有一个关于第1条的问题要问你。我从交易模拟图中看到，该算法在每个柱状体上都进行交易，对吗？
还有一个问题。训练时，你是否也给机器提供了每条的数据？
将时间序列问题与大多数其他统计问题区分开来的核心要点是，在一个时间序列中，观测值并不是相互独立的。相反，一个偶然的事件可能会影响所有后来的数据点。这使得时间序列分析与统计学的大多数其他领域有很大不同。
由于这种非独立性，时间序列数据背后的真实模式可能极难通过视觉检查看到。任何看过报纸上典型的股市平均数图表的人，都会看到似乎持续了几周或几个月的趋势。但是，研究这个问题的统计学家一致认为，这种趋势的发生频率与人们预期的偶然性基本相同，一天的股市走势与第二天的走势之间几乎没有关联。如果有这样的相关性，任何人都可以在股市中赚钱，只需赌今天的趋势明天会继续，而这根本不是那么容易。事实上，几乎任何一系列随机数的累积都会产生一个看起来非随机的模式。
来自:http://node101.psych.cornell.edu/Darlington/series/series1.htm
我想你的理解是，一个直接的方法，即时间序列中的所有点都参与训练（和测试），会产生相互依赖的观察结果，这一下子就推翻了关于发现的 "模式 "结论的有效性。简单地说，即使其他一切都做得很正确，结果也不可信。因此，从一个时间序列中创建一个不违反统计假设的观察样本就是档案。很多时候，这一步骤在流行的资料中被简单地忽略了，而后果是最令人遗憾的。机器不会学习这些模式。
我有一个关于第1条的问题要问你。我从交易模拟图中看到，该算法在每个柱状体上都进行交易，对吗？
还有一个问题。训练时，你是否也给机器提供了每条杠的数据？
来自:http://node101.psych.cornell.edu/Darlington/series/series1.htm
我想你的理解是，一个直接的方法，即时间序列中的所有点都参与训练（和测试），会产生相互依赖的观察结果，这一下子就跨越了关于发现的 "模式 "的结论的有效性。简单地说，即使其他一切都做得很正确，结果也不可信。因此，从一个时间序列中创建一个不违反统计假设的观察样本就是档案。很多时候，这一步骤在流行的资料中被简单地忽略了，而后果是最令人遗憾的。机器不会学习这些模式。
下午。
算法在每个酒吧都有交易？
不，该算法在最后形成的条形上收到的信号上进行交易。也许我不明白这个问题？
还有一个问题。在训练期间，你是否向专家顾问提供了每个条形的数据？
我不明白这一点。你想解释一下吗？我将试着回答它。
祝好运
我有一个关于第1条的问题要问你。我从交易模拟图中看到，该算法在每个柱状体上都进行交易，对吗？
还有一个问题。训练时，你是否也给机器提供了每条杠的数据？
来自:http://node101.psych.cornell.edu/Darlington/series/series1.htm
我想你的理解是，一个直接的方法，即时间序列中的所有点都参与训练（和测试），会产生相互依赖的观察结果，这一下子就跨越了关于发现的 "模式 "的结论的有效性。简单地说，即使其他一切都做得很正确，结果也不可信。因此，从一个时间序列中创建一个不违反统计假设的观察样本就是档案。很多时候，这一步骤在流行的资料中被简单地忽略了，而后果是最令人遗憾的。机器不会学习这些模式。
你所指的文章是关于回归的。我们正在处理分类问题。这是两个很大的区别...
我还是不明白你的问题。
祝好运
你所指的文章是关于回归的。我们正在处理分类问题。这是两个很大的区别...
我还是不明白你的问题。
祝好运