交易中的机器学习:理论、模型、实践和算法交易 - 页 1015 1...100810091010101110121013101410151016101710181019102010211022...3399 新评论 СанСаныч Фоменко 2018.07.09 20:00 #10141 亚历山大_K2。严格地说,在一个滚动的回归者样本中,我们必须计算 该离散序列的ACF估计器 。如果它是周期性的,那么下一个返回者被Kolmogorov预测为100%。但我不知道评估ACF周期性的标准。我不能只靠眼睛看。更加温暖。 让我们扩大预测模型中不太常见的预测因子的范围。 从这里开始 元学习如何预测时间序列Thiyanga S Talagala, Rob J Hyndman and George Athanasopoulos Ivan Negreshniy 2018.07.10 06:23 #10142 吉安尼。只有神圣的大师和他的几个助手在那里加人,把你的Skype和关于你自己的数据扔给我,我会问的,但我什么也不保证,因为我不是那里的权威,只是一个没有实体的灵魂,拖鞋上的污垢。就是那些灰色的红衣主教、傀儡和公司,因为近似市场活动而被发现,被打上终身的耻辱烙印,要洗去耻辱只能是为了几百亿的绿色。谢谢,我对会员资格不感兴趣,我知道这涉及到相当大的困难,但要看一下水平,这可能是不小的意义。 你写道,这个小组正在研究IO模型的统一表述,这就是我想看到的模型。 我也准备展示我自己的、适度的发展,以供比较,我将训练好的模型序列化为二进制或文本格式,并作为源代码。 Aleksey Nikolayev 2018.07.10 07:13 #10143 桑桑尼茨-弗门科。更加温暖。 扩展预测模型的不常见预测因子集。 从这里开始 元学习如何预测时间序列Thiyanga S Talagala, Rob J Hyndman and George Athanasopoulos一篇好的调查文章。只是在我看来,所考虑的时间序列集对我们来说太广泛了。我希望看到类似的方法审查,但针对我们感兴趣的系列类型。 此外,我还希望看到一些新的方法和模式。例如有反常的扩散(更受欢迎)。 СанСаныч Фоменко 2018.07.10 08:54 #10144 阿列克谢-尼古拉耶夫。一篇很好的概述文章。只是,在我看来,所考虑的众多时间序列对我们来说太广泛了。我希望看到一个类似的方法概述,但针对我们感兴趣的系列类型。 此外,我还希望看到一些新的方法和模式。例如有反常的扩散(更受欢迎)。我引用这个链接是因为这个表格:它是对预测因素的全新审视,是对亚历山大关于ACF想法的发展。 Aleksey Nikolayev 2018.07.10 09:29 #10145 桑桑尼茨-弗门科。我带来这个链接是因为这个表格:对预测因素的重新审视,以及作为亚历山大对ACF想法的发展。从好的方面看,与其用70年前的模型折磨自己和我们,不如更好地研究这种非常反常的扩散及其对市场的应用。这将是他巨大热情和体育教育的有益应用。 Aleksey Vyazmikin 2018.07.10 12:01 #10146 弗拉基米尔-佩雷文科。ZZ参数对每个工具和时间框架都是不同的。例如,对于欧元兑美元M15,一个好的初始值是15点(4位数)。这也取决于你使用的预测器。对预测器和ZZ的所有参数进行优化是一个好主意。因此,拥有非参数预测器是可取的,它使你的生活更容易。在这种能力下,数字滤波器 显示出良好的效果。使用集合和级联组合,我得到的平均准确度=0.83。这是一个非常好的结果。明天我将给你发一篇文章供你核实,其中描述了这个过程。 祝好运而如何找出ZZ的设置,纯粹是通过尝试不同的模型,在这些设置下,能得到最好的结果的就是最好的? 为什么你喜欢用点来表示ZZ,而不是用时间(条)? Vladimir Perervenko 2018.07.10 12:08 #10147 阿列克谢-维亚兹米 金。而如何找出ZZ的设置,纯粹是通过尝试不同的模型,在这些设置下能得到最好的结果的就是最好的? 为什么你喜欢用点来表示ZZ,而不是用时间(条)?1.有不同的方法来优化 2.从经验出发。 祝好运 Aleksey Vyazmikin 2018.07.10 12:18 #10148 昨天我想到了一个问题,为什么我们要寻找决策树,即描述实体的模型?也就是说,我们为什么要对整个实体进行描述,也许我们应该只寻找该实体中最容易理解和最容易预测的部分?我想,既然我在收集树的叶子,也许我应该用一种方法来找到这样的叶子,而不需要构建一个完整的决策树,按照我的理解,这样做应该可以在花费同样多的计算时间的情况下提高质量。 我在网上搜索了一下,没有看到这种方法。也许有人知道这种发展? 在我制定算法的时候,我想首先我需要选择预测器,它显示了其中一个类别的预测能力,在这一点上,预测器必须是二进制的(为此我必须为每个预测器形成自己的样本,或者从一般的样本中组成一个排除范围(什么更合理?)然后已经使用选定的预测器(以及它们的组合)为某个特定的类(在我的例子中是3个类)建立存根,然后使用这些存根来建立其余的预测器。同时,我们也可以检查他们是否有某类人的偏好。然后,根据这个想法,我们将为特定的目标类别找到最适合分类的区域。而剩下的区域将只是一个不活动/期望的领域。 当然,我们就可以看到哪些地方的叶子是分层的,并在这些情况下做出一个平均结果。而我们可以建立一棵这样的树,但由于不同目标的不同地区的密度,有投票的成分。 你对这个想法怎么看? Aleksey Vyazmikin 2018.07.10 12:20 #10149 弗拉基米尔-佩雷文科。1.有多种优化方法 2.从经验出发。 祝好运1.这就是我想知道的这些方法。因为我又在重塑我的自行车(我已经勾勒出了意识形态),突然间一切都已经在我们面前完成了...... 2.我明白了。但这是不合理的。 mytarmailS 2018.07.10 12:51 #10150 弗拉基米尔-佩雷文科。Vladimir,你能否建议一些 "未来选择"(或类似的方法)但适用于BP的方法?我不知道在BP方面是否有任何 "未来选择 "的方法(或类似的方法),也许算法会分析BP并删除或添加一些东西以使预测更好,谷歌无法帮助我( 1...100810091010101110121013101410151016101710181019102010211022...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
严格地说,在一个滚动的回归者样本中,我们必须计算 该离散序列的ACF估计器 。如果它是周期性的,那么下一个返回者被Kolmogorov预测为100%。但我不知道评估ACF周期性的标准。我不能只靠眼睛看。
更加温暖。
让我们扩大预测模型中不太常见的预测因子的范围。
从这里开始
元学习如何预测时间序列
Thiyanga S Talagala, Rob J Hyndman and George Athanasopoulos
只有神圣的大师和他的几个助手在那里加人,把你的Skype和关于你自己的数据扔给我,我会问的,但我什么也不保证,因为我不是那里的权威,只是一个没有实体的灵魂,拖鞋上的污垢。就是那些灰色的红衣主教、傀儡和公司,因为近似市场活动而被发现,被打上终身的耻辱烙印,要洗去耻辱只能是为了几百亿的绿色。
谢谢,我对会员资格不感兴趣,我知道这涉及到相当大的困难,但要看一下水平,这可能是不小的意义。
你写道,这个小组正在研究IO模型的统一表述,这就是我想看到的模型。
我也准备展示我自己的、适度的发展,以供比较,我将训练好的模型序列化为二进制或文本格式,并作为源代码。
更加温暖。
扩展预测模型的不常见预测因子集。
从这里开始
元学习如何预测时间序列
Thiyanga S Talagala, Rob J Hyndman and George Athanasopoulos
一篇好的调查文章。只是在我看来,所考虑的时间序列集对我们来说太广泛了。我希望看到类似的方法审查,但针对我们感兴趣的系列类型。
此外,我还希望看到一些新的方法和模式。例如有反常的扩散(更受欢迎)。
一篇很好的概述文章。只是,在我看来,所考虑的众多时间序列对我们来说太广泛了。我希望看到一个类似的方法概述,但针对我们感兴趣的系列类型。
此外,我还希望看到一些新的方法和模式。例如有反常的扩散(更受欢迎)。
我引用这个链接是因为这个表格:它是对预测因素的全新审视,是对亚历山大关于ACF想法的发展。
我带来这个链接是因为这个表格:对预测因素的重新审视,以及作为亚历山大对ACF想法的发展。
从好的方面看,与其用70年前的模型折磨自己和我们,不如更好地研究这种非常反常的扩散及其对市场的应用。这将是他巨大热情和体育教育的有益应用。
ZZ参数对每个工具和时间框架都是不同的。例如,对于欧元兑美元M15,一个好的初始值是15点(4位数)。这也取决于你使用的预测器。对预测器和ZZ的所有参数进行优化是一个好主意。因此,拥有非参数预测器是可取的,它使你的生活更容易。在这种能力下,数字滤波器 显示出良好的效果。使用集合和级联组合,我得到的平均准确度=0.83。这是一个非常好的结果。明天我将给你发一篇文章供你核实,其中描述了这个过程。
祝好运
而如何找出ZZ的设置,纯粹是通过尝试不同的模型,在这些设置下,能得到最好的结果的就是最好的?
为什么你喜欢用点来表示ZZ,而不是用时间(条)?
而如何找出ZZ的设置,纯粹是通过尝试不同的模型,在这些设置下能得到最好的结果的就是最好的?
为什么你喜欢用点来表示ZZ,而不是用时间(条)?
1.有不同的方法来优化
2.从经验出发。
祝好运
昨天我想到了一个问题,为什么我们要寻找决策树,即描述实体的模型?也就是说,我们为什么要对整个实体进行描述,也许我们应该只寻找该实体中最容易理解和最容易预测的部分?我想,既然我在收集树的叶子,也许我应该用一种方法来找到这样的叶子,而不需要构建一个完整的决策树,按照我的理解,这样做应该可以在花费同样多的计算时间的情况下提高质量。
我在网上搜索了一下,没有看到这种方法。也许有人知道这种发展?
在我制定算法的时候,我想首先我需要选择预测器,它显示了其中一个类别的预测能力,在这一点上,预测器必须是二进制的(为此我必须为每个预测器形成自己的样本,或者从一般的样本中组成一个排除范围(什么更合理?)然后已经使用选定的预测器(以及它们的组合)为某个特定的类(在我的例子中是3个类)建立存根,然后使用这些存根来建立其余的预测器。同时,我们也可以检查他们是否有某类人的偏好。然后,根据这个想法,我们将为特定的目标类别找到最适合分类的区域。而剩下的区域将只是一个不活动/期望的领域。
当然,我们就可以看到哪些地方的叶子是分层的,并在这些情况下做出一个平均结果。而我们可以建立一棵这样的树,但由于不同目标的不同地区的密度,有投票的成分。
你对这个想法怎么看?
1.有多种优化方法
2.从经验出发。
祝好运
1.这就是我想知道的这些方法。因为我又在重塑我的自行车(我已经勾勒出了意识形态),突然间一切都已经在我们面前完成了......
2.我明白了。但这是不合理的。
Vladimir,你能否建议一些 "未来选择"(或类似的方法)但适用于BP的方法?我不知道在BP方面是否有任何 "未来选择 "的方法(或类似的方法),也许算法会分析BP并删除或添加一些东西以使预测更好,谷歌无法帮助我(