交易中的机器学习：理论、模型、实践和算法交易 - 页 1042

新评论
 
Dmitriy Skub:
当你厌倦了敲打冰块的时候，想想这两个价格/时间尺度在本质上都不是线性的。那是如果你从纯粹的算法交易角度来对待它（不了解市场）。

时间是我们用来衡量周期性过程的东西。在测量具有随机发生性质的过程时，时间没有什么意义。

小的（tick，"量子"）间隔的时间尺度是非线性和随机的，似乎对于tick维度的事件，时间作为一个重要因素根本不存在。

在大的间隔上，由于每日、每周、新闻发布相关的 和其他周期性的异质性的叠加，时间尺度可以被认为更接近于线性，时间的重要性增加。

 
Grigoriy Chaunin:
你不能。检查货币的赫斯特指数。这清楚地表明了市场的随机性。那么在一个随机的市场中可以做什么呢？只有马丁。但另一方面，不同时期的市场存在着低效率的现象。而且他们靠这些东西赚钱。而这并不是偶然的。因此，我们应该朝着寻找低效率的方向发展。我想把这个过程自动化。但我感觉不到该从什么地方开始。神经网络并不适合于此。他们需要现成的学习模式。

为什么不建立在明显存在和有效的基础上，是什么让我们的计划在数十亿年来免于崩溃，是什么帮助自动交易商优化和适应他们的EA--惯性和市场记忆？

在下一个主题中，就在第一篇文章中指出，没有任何技巧可以破坏无品牌的定价，尽管他们讨论的其余部分，围绕着蜱虫分布和组间扩散，IMHO也许只适合于研究dataphids的过滤器，但我们是在MO的主题:)

而神经网络，IMHO对于这项任务是最好的。

 

Yooooooo....哪里有看到过一个主题跌破第一页?????？是....你们正在运行它...你得到了它并运行。与此同时，我做得很好，结果相当令人鼓舞，这一切都要归功于一个意外的错误 :-)

它是这样的.....，例如...



而现在就像这样....谁能告诉我，数据是否有改善????

真的有很多问题。如何解释主成分图?????还是一个问题 这两组数据是在同一时间段内取得的。目标是相同的，但保存预测器的方式有两种不同。所以。你的出口统计学家，这个任务只为你而设!!!!!

给定的数据集中哪一个更好？第一个或第二个。您的意见是：!!!!!

然后我将给你我的意见......好吗？

 

这条线有两页都看不下去了。

我只想说说我的看法。因此，机器学习是一套关于工具、分析和算法本身的统计，根据所做工作的结果，但...有一点很重要，任何算法都不能保证在所有条件都满足的情况下，你会得到预期的结果，这意味着无论你分析多少数据，把决策的算法复杂化，都会有一个预期结果的概率。

这是你交易的概率，因此你需要寻找赔率较高的结果。市场本身是单调的，根据我的分析（对多头和空头都不精确），一个相同的时间区间的市场在两个方向上给出的盈利交易量大致相同（49%/51%或51%/49%）。

所以，决策算法应该以结果的最高估计（定性）概率为基础，并由你自行决定增加过滤器。

 
Mihail Marchukajtes:

Yooooooo....哪里有看到过一个主题跌破第一页?????？是....你们正在运行它...你得到了它并运行。不过我做得很好，结果相当令人鼓舞，这都要归功于一个无心的错误 :-)

它是这样的.....，例如...



而现在就像这样....谁能告诉我，数据是否有改善????

真的有很多问题。如何解释主成分图?????还是一个问题 这两组数据是在同一时间段内取得的。目标是相同的，但保存预测器的方式有两种不同。所以。你的出口统计学家，这个任务只为你而设!!!!!

给定的数据集中哪一个更好？第一个或第二个。您的意见是：!!!!!

然后我将给你我的意见......好吗？

Michaelo到了PCA......为什么，你的手很痒吗？)

主成分图应在正交基础上进行解释 :D

红色是预测性正字，数字是什么意思？

 
马克西姆-德米特里耶夫斯基。

Michaelo到了PCA......为什么，你的手很痒吗？)

主成分图应在正交基础上进行解释 :D

那么，哪一个更好呢？

 
Mihail Marchukajtes:

那么，哪一个更好呢？

以及第二个，55%。

 
马克西姆-德米特里耶夫斯基。

第二个，55%。

在主成分图（第一个图）中没有55%。55%是聚类图，在这两种情况下，数据都代表了两个可以很好划分的区域。一个比一个好，让我们回到第一个图。为什么下面的人比上面的人好????

为此，你需要知道如何解释它们!!!!。

 
Mihail Marchukajtes:

在主成分图（第一图）中没有55%。55%是一个聚类图，在这两种情况下，数据都代表了两个可以很好划分的区域。一个比一个好，让我们回到第一个图。为什么下面的人比上面的人好????

为此，你需要知道如何解释它们!!!!。

如果这些数字是点，那么第二个部分的方差就比第一个部分的方差低，不是吗？

http://setosa.io/ev/principal-component-analysis/

用你的鼠标旋转图形，然后阅读，你就会明白了。

 
马克西姆-德米特里耶夫斯基。

如果这些数字是点，那么第二部分的方差就比第一部分低，不是吗？

http://setosa.io/ev/principal-component-analysis/

Agreed!!!!但这还不是全部...事实证明，第二个图形更好，因为有尽可能接近零轴的向量。在这个例子中不是很明显，但现在我们已经遇到了这样的数据集，成分的向量与零轴重合，并将领域划分为偶数4个方块。在第一种情况下，分量轴分散在零点之间，而在第二种情况下，有分量向量尽可能地接近零点。知道了预测器的名称，只要输入是那些形成最接近零轴的分量向量的预测器，我们就可以对优化器进行训练，至于哪个方向并不重要。再次强调，这是我的IMHO!!!这就是为什么我想澄清我是多么正确!!!!。

1...103510361037103810391040104110421043104410451046104710481049...3399
新评论