저는 매우 구체적인 모델인 GARCH를 마스터하려고 합니다. 원작 시리즈를 하나의 구성요소로 분해한 다음 이 구성요소를 개별적으로 모델링한다는 점이 매력적입니다. 또한 구성 요소로의 분해는 직관적이며 모델의 재교육과 직접 관련이 있습니다. 모델에서 나는 그들의 재교육 경향에만 관심이 있기 때문에(최대 6개월의 수명으로 TA에서 재교육된 Expert Advisors를 만들 수 있음) 이것이 GARCH의 선택을 결정했습니다.
NN에서는 두꺼운 꼬리, 꼬임을 고려할 수 있는 접근 방식을 모릅니다... NN 모델 자체는 원래 인용의 문제와 아무 관련이 없는 것 같습니다.
GARCH에서 모델을 맞추는 동안 미래에 결과 모델이 훈련 데이터에서와 정확히 동일하게 동작할 것이라는 기초 역할을 하는 테스트를 수행할 수 있습니다. 현재로서는 매개변수가 90% 이상의 확률로 중요할 GARCH를 맞출 수 없습니다.
친애하는 NN 사용자, 스캐폴딩 및 기타 ML 방법. 예측을 받은 후 어떻게 거래합니까? 다음과 같은 옵션이 있습니다. 1) 신호를 수신하고 열렸으며 반환 신호를 기다리고 있습니다. TP와 SL이 없는 초월 무역 2) p.1 + 신호가 반대가 아니지만 이전 신호와 연결된 경우 토핑 3) p1 + TP 및 SL, (TP 및 SL 선택 방법 - MT 옵티마이저 또는 수동) 4) 항목 2 + TP 및 SL 5) 점 + 후행 중 하나, 후행에는 여러 가지 유형이 있습니다. 어떤 것입니까? (후행 매개변수를 선택하는 방법 - MT 옵티마이저 또는 수동)
친애하는 NN 사용자, 스캐폴딩 및 기타 ML 방법. 예측을 받은 후 어떻게 거래합니까? 다음과 같은 옵션이 있습니다. 1) 신호를 수신하고 열렸으며 반환 신호를 기다리고 있습니다. TP와 SL이 없는 초월 무역 2) p.1 + 신호가 역전되지 않고 통과하는 경우 토핑 3) p1 + TP 및 SL, (TP 및 SL 선택 방법 - MT 옵티마이저 또는 수동) 4) 항목 2 + TP 및 SL 5) 점 + 후행 중 하나, 후행에는 여러 가지 유형이 있습니다. 어떤 것입니까? (후행 매개변수를 선택하는 방법 - MT 옵티마이저 또는 수동)
다른 옵션이 있을까요?
아직 MO가 작동하는 시스템이 없다는 점을 즉시 알려드립니다.) 하지만 논리에 기반한 내 시스템과 마찬가지로 이념은 동일하게 유지되었습니다.
1. 원칙적으로 예측을 하지 않습니다. 즉, 실제로 어디로 가고 무엇을 할 것인지 - 가정이 없습니다. 신호는 시세의 상황이 통계적으로 특정 거래에 적합할 때 발생합니다. 그리고 물론 틀릴 수도 있습니다. 예, 그리고 내 시스템에서는 설계상 MO가 논리를 기반으로 시스템을 대체하지 않고 보완해야 합니다.
2. 다음은 일반적인 거래 지원입니다. 간단하게 하기 위해 우리는 그 후행을 가정할 수 있습니다. TP와 SL은 없습니다. 인터넷 끄기 및 기타 놀라움과 같은 비상 사태에 대비한 보호 정지가 있습니다.
친애하는 NN 사용자, 스캐폴딩 및 기타 ML 방법. 예측을 받은 후 어떻게 거래합니까? 다음과 같은 옵션이 있습니다. 1) 신호를 수신하고 열렸으며 반환 신호를 기다리고 있습니다. TP와 SL이 없는 초월 무역 2) p.1 + 신호가 반대가 아니지만 이전 신호와 연결된 경우 토핑 3) p1 + TP 및 SL, (TP 및 SL 선택 방법 - MT 옵티마이저 또는 수동) 4) 항목 2 + TP 및 SL 5) 점 + 후행 중 하나, 후행에는 여러 가지 유형이 있습니다. 어떤 것입니까? (후행 매개변수를 선택하는 방법 - MT 옵티마이저 또는 수동)
다른 옵션이 있을까요?
나는 예측을 포트폴리오에 얼마나 그리고 어느 방향으로 유지할 것인지에 대한 지표로 사용합니다. TP \ SL - 수동 거래 의 경우 로봇의 경우 무의미하고 심지어 해롭습니다.
TP / SL을 사용하면 어떻게 든 어렵고 이해할 수 없습니다. 작동 중인 거의 모든 로봇을 선택하고 이동 및 중지를 최적화하기 시작하면 로봇은 새 데이터에서 크게 손실되기 시작합니다. 이러한 최적화는 특정 머리핀에 대한 과적합 및 과거의 축소로 이어지며, 이는 다시는 발생하지 않으며 로봇은 이를 기다립니다. 그러나 로봇을 최적화하기 전에도 TP 및 SL의 일정한 값을 설정하고 다른 매개변수를 최적화하면 결국 모든 것이 잘 될 가능성이 높습니다. 매우 이상합니다. 처음에 또는 마지막에 tp / sl을 최적화할지 여부의 순서를 변경하는 것으로 충분하며 결과는 완전히 다릅니다.
나는 SL을 사용하고, 옵티마이저를 통해 수정했습니다. 다만 15번의 트레이드가 있다면 당연히 테스터에서 과적합이고, 200+와 스톱이 거기에서 25~40포인트 범위에서 최적화되면 이게 과적합이 아니라고 생각하지만, 단순히 더 나은 가치를 추구합니다. 나는 이익실현을 설정하지 않고 일반적인 추적 + 반대 신호에 대한 마감으로 주문을 추적하며 좁은 범위의 최적화 프로그램을 통해서도 추적합니다. 그리고 스톱이 없는 것처럼, 포트폴리오만 있으면 되지만 여전히 스톱이 없는 것처럼. 예, 적어도 무언가는 최적화될 수 있으며 TS 솔루션의 공간이 제한되고 적절한 테스트 기간이 설정되면 과적합되지 않습니다. 솔루션 옵션에서 TC가 제한되지 않으면 당연히 과적합이 발생합니다. 최적화 기간이 증가함에 따라 신호가 평활화되고 말 그대로 노이즈가 자체적으로 필터링되지만 NS(뉴런의 수)에 따라 다르며 너무 작으면 분류가 됩니다. 너무 거칠면 시스템이 저수익이 될 것입니다. 너무 많으면 과적합이 있을 수 있습니다. 그러나 솔루션의 공간(예측자의 조합에 대한 옵션)이 다음과 같은 경우 NN이 아닌 예측자에 더 많이 의존합니다 제한적이면 과적합이 발생하지 않습니다.
TP / SL을 사용하면 어떻게 든 어렵고 이해할 수 없습니다. 작동 중인 거의 모든 로봇을 선택하고 이동 및 중지를 최적화하기 시작하면 로봇은 새 데이터에서 크게 손실되기 시작합니다. 이러한 최적화는 특정 머리핀에 대한 과적합 및 과거의 축소로 이어지며, 이는 다시는 발생하지 않으며 로봇은 이를 기다립니다. 그러나 로봇을 최적화하기 전에도 TP 및 SL의 일정한 값을 설정하고 다른 매개변수를 최적화하면 결국 모든 것이 잘 될 가능성이 높습니다. 매우 이상합니다. 처음에 또는 마지막에 tp / sl을 최적화할지 여부의 순서를 변경하는 것으로 충분하며 결과는 완전히 다릅니다.
위치 입력 및 퇴장 - 적절한 결정을 내리기 위한 알고리즘(예: 포리스트, NS 또는 단지 많은 지표)에 의해 수행되어야 합니다.
SL은 위치 문제와 전혀 관련이 없어야 합니다. SL은 거래 시스템 매개변수가 아니며 최적화 대상이 아닙니다.
SL은 리스크 관리입니다. 절대적으로 모든 위치 의사 결정 시스템에서 잔액에 대한 최대 허용 감소액에 대한 결정이 내려집니다. 이것은 심리적 편안함, 사용 된 돈의 상태 (후자, 잃는 것은 유감스럽지 않습니다 ...)의 문제입니다. 번호가 지정되고 그게 전부입니다. 신호는 그림 30%를 사용합니다. 그들은 그녀를 어디에서 데려 갔습니까? 예, 아무데도 없습니다. 최적화된 사람? 아마 아닐 것입니다. 어드바이저의 인출에 대해 알고리즘 SL = 30%를 설정하면 70%의 금액으로 돈을 보호할 수 있습니다.
위치 입력 및 퇴장 - 적절한 결정을 내리기 위한 알고리즘(예: 포리스트, NS 또는 단지 많은 지표)에 의해 수행되어야 합니다.
SL은 위치 문제와 전혀 관련이 없어야 합니다. SL은 거래 시스템 매개변수가 아니며 최적화 대상이 아닙니다.
SL은 리스크 관리입니다. 절대적으로 모든 위치 의사 결정 시스템에서 잔액에 대한 최대 허용 감소액에 대한 결정이 내려집니다. 이것은 심리적 편안함, 사용 된 돈의 상태 (후자, 잃는 것은 유감스럽지 않습니다 ...)의 문제입니다. 번호가 지정되고 그게 전부입니다. 신호는 그림 30%를 사용합니다. 그들은 그녀를 어디에서 데려 갔습니까? 예, 아무데도 없습니다. 최적화된 사람? 아마 아닐 것입니다. 어드바이저의 인출에 대해 알고리즘 SL = 30%를 설정하면 70%의 금액으로 돈을 보호할 수 있습니다.
따라서 의도적으로 TS 옵션의 공간을 제한하고 SL은 시스템의 일부일 뿐만 아니라 거기에 추가하거나 평균화합니다. 시스템이 하나의 거대한 SL을 얻고 스탑을 얻을 수 있는 반면 스탑 부족이 아니라 기대로 인해 많은 작은 손실 거래를 취하고 테이크 아웃할 수 있는 큰 불균형이 있습니다.
모든 시스템에는 오류가 있습니다. 오류는 중지로 제한되며 다른 것은 없습니다.
여기에는 심리학이 전혀 없고 있어서도 안 됩니다. 전방에서 재현 가능한 시스템 특성이 있으며 시스템이 30%가 아닌 최소 손실로 작동을 멈출 때 엄격한 허용 오차가 있습니다. 30% 수신 - 이미 작별입니다. 10% 드로우다운이 최대치라고 생각합니다. 일할 수 있는 범위 내에서 더 많은 경우 대부분의 경우 이미 되돌릴 수 없는 지점이 있습니다. 특히 주기적으로 재교육이 필요한 시스템, 즉 장기간에 걸친 안정성을 미리 예측하는 것은 불가능합니다.
박사 상인 : 작동 중인 거의 모든 로봇을 선택하고 이동 및 중지를 최적화하기 시작하면 로봇은 새 데이터에서 크게 손실되기 시작합니다.
무작위 샘플의 변동성(거래 간)으로 조정됩니다. 미래에 바뀌면 당연히 차량은 ... 예측으로 모델을 만들고 최적화 할 때 고려하면 - 컷은 더 나을 것이지만 필요하지 않습니다. 재투자를 통한 쿠데타가 우리의 전부입니다))) 그리고 연사 Fomenko는 분산, 이분산 등에 대해 알려줄 것입니다.)))
저는 매우 구체적인 모델인 GARCH를 마스터하려고 합니다. 원작 시리즈를 하나의 구성요소로 분해한 다음 이 구성요소를 개별적으로 모델링한다는 점이 매력적입니다. 또한 구성 요소로의 분해는 직관적이며 모델의 재교육과 직접 관련이 있습니다. 모델에서 나는 그들의 재교육 경향에만 관심이 있기 때문에(최대 6개월의 수명으로 TA에서 재교육된 Expert Advisors를 만들 수 있음) 이것이 GARCH의 선택을 결정했습니다.
NN에서는 두꺼운 꼬리, 꼬임을 고려할 수 있는 접근 방식을 모릅니다... NN 모델 자체는 원래 인용의 문제와 아무 관련이 없는 것 같습니다.
GARCH에서 모델을 맞추는 동안 미래에 결과 모델이 훈련 데이터에서와 정확히 동일하게 동작할 것이라는 기초 역할을 하는 테스트를 수행할 수 있습니다. 현재로서는 매개변수가 90% 이상의 확률로 중요할 GARCH를 맞출 수 없습니다.
어떤 패키지를 사용하고 있습니까? 다행히 fGarch?
행운을 빕니다.
어떤 패키지를 사용하고 있습니까? 다행히 fGarch?
행운을 빕니다.
루가치
친애하는 NN 사용자, 스캐폴딩 및 기타 ML 방법.
예측을 받은 후 어떻게 거래합니까?
다음과 같은 옵션이 있습니다.
1) 신호를 수신하고 열렸으며 반환 신호를 기다리고 있습니다. TP와 SL이 없는 초월 무역
2) p.1 + 신호가 반대가 아니지만 이전 신호와 연결된 경우 토핑
3) p1 + TP 및 SL, (TP 및 SL 선택 방법 - MT 옵티마이저 또는 수동)
4) 항목 2 + TP 및 SL
5) 점 + 후행 중 하나, 후행에는 여러 가지 유형이 있습니다. 어떤 것입니까? (후행 매개변수를 선택하는 방법 - MT 옵티마이저 또는 수동)
다른 옵션이 있을까요?
친애하는 NN 사용자, 스캐폴딩 및 기타 ML 방법.
예측을 받은 후 어떻게 거래합니까?
다음과 같은 옵션이 있습니다.
1) 신호를 수신하고 열렸으며 반환 신호를 기다리고 있습니다. TP와 SL이 없는 초월 무역
2) p.1 + 신호가 역전되지 않고 통과하는 경우 토핑
3) p1 + TP 및 SL, (TP 및 SL 선택 방법 - MT 옵티마이저 또는 수동)
4) 항목 2 + TP 및 SL
5) 점 + 후행 중 하나, 후행에는 여러 가지 유형이 있습니다. 어떤 것입니까? (후행 매개변수를 선택하는 방법 - MT 옵티마이저 또는 수동)
다른 옵션이 있을까요?
아직 MO가 작동하는 시스템이 없다는 점을 즉시 알려드립니다.) 하지만 논리에 기반한 내 시스템과 마찬가지로 이념은 동일하게 유지되었습니다.
1. 원칙적으로 예측을 하지 않습니다. 즉, 실제로 어디로 가고 무엇을 할 것인지 - 가정이 없습니다. 신호는 시세의 상황이 통계적으로 특정 거래에 적합할 때 발생합니다. 그리고 물론 틀릴 수도 있습니다. 예, 그리고 내 시스템에서는 설계상 MO가 논리를 기반으로 시스템을 대체하지 않고 보완해야 합니다.
2. 다음은 일반적인 거래 지원입니다. 간단하게 하기 위해 우리는 그 후행을 가정할 수 있습니다. TP와 SL은 없습니다. 인터넷 끄기 및 기타 놀라움과 같은 비상 사태에 대비한 보호 정지가 있습니다.
다른 동료들은 다르게 행동할 수 있습니다. 몰라요.
친애하는 NN 사용자, 스캐폴딩 및 기타 ML 방법.
예측을 받은 후 어떻게 거래합니까?
다음과 같은 옵션이 있습니다.
1) 신호를 수신하고 열렸으며 반환 신호를 기다리고 있습니다. TP와 SL이 없는 초월 무역
2) p.1 + 신호가 반대가 아니지만 이전 신호와 연결된 경우 토핑
3) p1 + TP 및 SL, (TP 및 SL 선택 방법 - MT 옵티마이저 또는 수동)
4) 항목 2 + TP 및 SL
5) 점 + 후행 중 하나, 후행에는 여러 가지 유형이 있습니다. 어떤 것입니까? (후행 매개변수를 선택하는 방법 - MT 옵티마이저 또는 수동)
다른 옵션이 있을까요?
나는 예측을 포트폴리오에 얼마나 그리고 어느 방향으로 유지할 것인지에 대한 지표로 사용합니다. TP \ SL - 수동 거래 의 경우 로봇의 경우 무의미하고 심지어 해롭습니다.
친애하는 NN 사용자, 스캐폴딩 및 기타 ML 방법.
예측을 받은 후 어떻게 거래합니까?
TP \ SL - 수동 거래의 경우 로봇의 경우 무의미하고 유해합니다.
그러나 로봇을 최적화하기 전에도 TP 및 SL의 일정한 값을 설정하고 다른 매개변수를 최적화하면 결국 모든 것이 잘 될 가능성이 높습니다.
매우 이상합니다. 처음에 또는 마지막에 tp / sl을 최적화할지 여부의 순서를 변경하는 것으로 충분하며 결과는 완전히 다릅니다.
나는 SL을 사용하고, 옵티마이저를 통해 수정했습니다. 다만 15번의 트레이드가 있다면 당연히 테스터에서 과적합이고, 200+와 스톱이 거기에서 25~40포인트 범위에서 최적화되면 이게 과적합이 아니라고 생각하지만, 단순히 더 나은 가치를 추구합니다. 나는 이익실현을 설정하지 않고 일반적인 추적 + 반대 신호에 대한 마감으로 주문을 추적하며 좁은 범위의 최적화 프로그램을 통해서도 추적합니다. 그리고 스톱이 없는 것처럼, 포트폴리오만 있으면 되지만 여전히 스톱이 없는 것처럼. 예, 적어도 무언가는 최적화될 수 있으며 TS 솔루션의 공간이 제한되고 적절한 테스트 기간이 설정되면 과적합되지 않습니다. 솔루션 옵션에서 TC가 제한되지 않으면 당연히 과적합이 발생합니다. 최적화 기간이 증가함에 따라 신호가 평활화되고 말 그대로 노이즈가 자체적으로 필터링되지만 NS(뉴런의 수)에 따라 다르며 너무 작으면 분류가 됩니다. 너무 거칠면 시스템이 저수익이 될 것입니다. 너무 많으면 과적합이 있을 수 있습니다. 그러나 솔루션의 공간(예측자의 조합에 대한 옵션)이 다음과 같은 경우 NN이 아닌 예측자에 더 많이 의존합니다 제한적이면 과적합이 발생하지 않습니다.
TP / SL을 사용하면 어떻게 든 어렵고 이해할 수 없습니다. 작동 중인 거의 모든 로봇을 선택하고 이동 및 중지를 최적화하기 시작하면 로봇은 새 데이터에서 크게 손실되기 시작합니다. 이러한 최적화는 특정 머리핀에 대한 과적합 및 과거의 축소로 이어지며, 이는 다시는 발생하지 않으며 로봇은 이를 기다립니다.그러나 로봇을 최적화하기 전에도 TP 및 SL의 일정한 값을 설정하고 다른 매개변수를 최적화하면 결국 모든 것이 잘 될 가능성이 높습니다.
매우 이상합니다. 처음에 또는 마지막에 tp / sl을 최적화할지 여부의 순서를 변경하는 것으로 충분하며 결과는 완전히 다릅니다.
위치 입력 및 퇴장 - 적절한 결정을 내리기 위한 알고리즘(예: 포리스트, NS 또는 단지 많은 지표)에 의해 수행되어야 합니다.
SL은 위치 문제와 전혀 관련이 없어야 합니다. SL은 거래 시스템 매개변수가 아니며 최적화 대상이 아닙니다.
SL은 리스크 관리입니다. 절대적으로 모든 위치 의사 결정 시스템에서 잔액에 대한 최대 허용 감소액에 대한 결정이 내려집니다. 이것은 심리적 편안함, 사용 된 돈의 상태 (후자, 잃는 것은 유감스럽지 않습니다 ...)의 문제입니다. 번호가 지정되고 그게 전부입니다. 신호는 그림 30%를 사용합니다. 그들은 그녀를 어디에서 데려 갔습니까? 예, 아무데도 없습니다. 최적화된 사람? 아마 아닐 것입니다. 어드바이저의 인출에 대해 알고리즘 SL = 30%를 설정하면 70%의 금액으로 돈을 보호할 수 있습니다.
위치 입력 및 퇴장 - 적절한 결정을 내리기 위한 알고리즘(예: 포리스트, NS 또는 단지 많은 지표)에 의해 수행되어야 합니다.
SL은 위치 문제와 전혀 관련이 없어야 합니다. SL은 거래 시스템 매개변수가 아니며 최적화 대상이 아닙니다.
SL은 리스크 관리입니다. 절대적으로 모든 위치 의사 결정 시스템에서 잔액에 대한 최대 허용 감소액에 대한 결정이 내려집니다. 이것은 심리적 편안함, 사용 된 돈의 상태 (후자, 잃는 것은 유감스럽지 않습니다 ...)의 문제입니다. 번호가 지정되고 그게 전부입니다. 신호는 그림 30%를 사용합니다. 그들은 그녀를 어디에서 데려 갔습니까? 예, 아무데도 없습니다. 최적화된 사람? 아마 아닐 것입니다. 어드바이저의 인출에 대해 알고리즘 SL = 30%를 설정하면 70%의 금액으로 돈을 보호할 수 있습니다.
따라서 의도적으로 TS 옵션의 공간을 제한하고 SL은 시스템의 일부일 뿐만 아니라 거기에 추가하거나 평균화합니다. 시스템이 하나의 거대한 SL을 얻고 스탑을 얻을 수 있는 반면 스탑 부족이 아니라 기대로 인해 많은 작은 손실 거래를 취하고 테이크 아웃할 수 있는 큰 불균형이 있습니다.
모든 시스템에는 오류가 있습니다. 오류는 중지로 제한되며 다른 것은 없습니다.
여기에는 심리학이 전혀 없고 있어서도 안 됩니다. 전방에서 재현 가능한 시스템 특성이 있으며 시스템이 30%가 아닌 최소 손실로 작동을 멈출 때 엄격한 허용 오차가 있습니다. 30% 수신 - 이미 작별입니다. 10% 드로우다운이 최대치라고 생각합니다. 일할 수 있는 범위 내에서 더 많은 경우 대부분의 경우 이미 되돌릴 수 없는 지점이 있습니다. 특히 주기적으로 재교육이 필요한 시스템, 즉 장기간에 걸친 안정성을 미리 예측하는 것은 불가능합니다.
작동 중인 거의 모든 로봇을 선택하고 이동 및 중지를 최적화하기 시작하면 로봇은 새 데이터에서 크게 손실되기 시작합니다.
무작위 샘플의 변동성(거래 간)으로 조정됩니다. 미래에 바뀌면 당연히 차량은 ... 예측으로 모델을 만들고 최적화 할 때 고려하면 -
컷은 더 나을 것이지만 필요하지 않습니다. 재투자를 통한 쿠데타가 우리의 전부입니다))) 그리고 연사 Fomenko는 분산, 이분산 등에 대해 알려줄 것입니다.)))
http://radikal.ru/video/Eq6HXmqO3mH