交易中的机器学习:理论、模型、实践和算法交易 - 页 106 1...99100101102103104105106107108109110111112113...3399 新评论 Yury Reshetov 2016.08.14 18:41 #1051 安德烈-迪克卖出 买入 解释-1 0卖出0 0 栅栏0 1 买-1 1栅栏这里是开关表。你可以从中看到,当电网信号出现时,信号就会出现,而且不会相互矛盾。 谢谢!所以,就像在我的三元分类器中--两个二元分类器的不一致--坐实了。 事实证明,我们并行地得出了相同的解决方案:一个三元可以由两个二元分类器组装而成。这比三输出的三元组更容易实现,因为对于三输出的三元组,如何解释差异并不清楚,因为所有的输出必须是互斥的,而事实上这并不总是发生。 而我们的结论也是一样的:两个二元的三元比单独的二元有更高的可概括性。 СанСаныч Фоменко 2016.08.14 18:49 #1052 尤里-雷舍托夫。谢谢你!所以,就像我的三元分类器一样--两个二元分类器的不一致性是坐实了。 事实证明,我们已经平行地得出了同样的解决方案:一个三元可以由两个二元分类器组装而成。这比三产三元更容易实现,因为对于三产三元,不清楚如何解释分歧,因为所有的输出必须是互斥的,而事实上并不总是如此。 实际上,将两个二元类加入三元类并不等于一个三元类。当增加第三个阶级时,你会得到作为两个阶级的矛盾。那么,如果原来的三元组呢?例如就人字形而言,它是什么样子的?场外交易是 "之 "字形中的一个侧面?也就是说,与你的目标变量完全不同。 Andrey Dik 2016.08.14 18:49 #1053 Dr.Trader: 有了这些解释,它听起来很有道理。而你所交易的模式有多稀少?例如,如果有"打开 买入头寸"和 "关闭所有交易 "类的训练实例,这些类的百分比比是多少?我们假设买入类对应的是价格急剧上扬数百点,也就是说,买入类的数量约占所有训练实例的10%?我不应用 "接近 "信号。神经元只知道如何进入市场,而交易系统决定如何退出。这比把这个非常TS应用于一般的随机信号要好。在第四个论坛上,我之前写道,我深信对于神经键和类似的机器学习系统来说,只有交易信号有时间限制的TS才足够好。最初,对于神经元来说,存在着不可克服的矛盾(买入或卖出时对未来无限的期望是平等的,而且彼此之间没有优势),所以对于神经元,我不允许决定何时关闭交易。 СанСаныч Фоменко 2016.08.14 18:57 #1054 Andrey Dik: 我不应用 "关闭 "信号。神经元只知道如何进入市场,而交易系统决定如何退出。这比把这个非常TS应用于一般的随机信号要好。在第四个论坛上,我之前写道,我深信对于神经键和类似的机器学习系统来说,只有交易信号有时间限制的TS才足够好。最初,对于神经元来说,存在着不可克服的矛盾(买入或卖出时对未来无限的期望是平等的,而且彼此之间没有优势),所以对于神经元,我不允许决定何时关闭交易。你的帖子让我很高兴。我一直在这里宣扬,在交易系统之外考虑机器学习算法是一种空洞的做法。你是第一个提出同样观点的人。你必须从交易系统中跳出来,使用机器学习模型 来尝试改善真实交易系统的参数。我已经插入了rf,并减少了缩减。事实上,真正的TS比买/卖有更多的特点。 Andrey Dik 2016.08.14 18:59 #1055 mytarmailS: 1)有一种网络,如果它收到以前不知道的数据,就可以进行训练。 你可能有兴趣读一读。这个网络叫做SOINNhttps://www.google.com.ua/webhp?sourceid=chrome-instant&ion=1&espv=2&ie=UTF-8#q=soinn。2)我已经厌倦了写这些东西,而且我实际上已经证明了市场违背了自己的统计数字,甚至解释了机械原理,为什么会发生这种情况。 所有经典的训练方式都不能适用于它,但没有人感兴趣,大家都在做同样的事情。1.谢谢,我会读的。见第2页。2.在我看来,随着时间的推移改变模式的问题是无法解决的,即使是预习,因为你不仅需要向知识库添加新的模式,你还需要找到那些已经改变的模式,以及它们是否已经改变......这是一项非常困难的、似乎无法克服的任务。这是人工智能、思维、智能的一个部分,它就像学会了乘法表,能够将数学应用于所有的任务,甚至是新的非常规的和不熟悉的任务。它是一个能够进行发现的思维部分,即能够独立产生有用的信息和知识。但是,神经元的巧妙应用是不被禁止的,当然也是可能的:我认为这只是从统计学和概率计算这一块,统计学用于记忆,概率用于备份。统计学和概率计算的成功结合会给莫更多的传播,甚至可能是,至少所有的希望都在这一点上。 Andrey Dik 2016.08.14 19:03 #1056 桑桑尼茨-弗门科。你的帖子让我很高兴。我一直在这里宣扬,在交易系统的框架之外考虑机器学习算法是一种空洞的做法。你是第一个提出类似观点的人。你必须从交易系统中跳出来,使用机器学习模型来尝试改善真实交易系统的参数。我已经插入了rf,并减少了缩减。事实上,真正的TS比买/卖有更多的特点。很高兴高兴,相当。令人惊讶的是,任何人都可以脱离任何特定的TS而考虑机器学习... TheXpert 2016.08.14 19:04 #1057 Dr.Trader:对于外汇来说,这也是可能的,但需要同样多的努力。是的,但不是在神经元的配置上。 Andrey Dik 2016.08.14 19:10 #1058 尤里-雷舍托夫。谢谢!所以,就像我的三元分类器一样--两个二元分类器的不一致性是坐实了。 事实证明,我们已经并行地得出了同样的解决方案:一个三元可以由两个二元分类器组装而成。这比三输出的三元组更容易实现,因为对于三输出的三元组,如何解释差异并不清楚,因为所有的输出必须是互斥的,而事实上这并不总是发生。 不客气)。嗯,是的。 一个简单的三元组并没有那种在减少交易数量 的同时减少市场识别度的奇妙效果(除了解释信号的难度)。但正是通过特尔纳尼克,我才走到了这一步(这里口头上认可这个词)。 СанСаныч Фоменко 2016.08.14 19:14 #1059 安德烈-迪克2.在我看来,随着时间的推移改变模式的问题是无法解决的,即使是预习,因为我们不仅需要向知识库添加新的模式,我们还需要找到那些已经改变的模式,以及它们是否已经改变......预先学习的问题在以下案例中得到了很好的说明例子。在5000条样本上拟合一个模型。该模型本身给出了一个图表,显示了随着树的数量增长,误差是如何变化的,而树就是模式。在我的预测器上,有可能使用100棵树。我拿300块钱来做错误的完全直。我开始在20,000条的样本上进行拟合(不是应用)。令人惊讶的是,错误图并没有改变!这说明了什么?树木的数量没有变化。也就是说,模式的变体在最初的5000条就已经用尽了。但最令人不快的是,这并不能解决问题。而这个问题是模型的再训练问题,也就是说,一些特定的东西被拿出来,并在其上建立树。有什么问题呢?问题是预测因素,而不是模型。我知道如何衡量预测器的预测能力。因此,我不仅要抛弃那些没有预测能力的预测因子(噪音预测因子),而且预测能力必须是固定的。我没能找到这样的预测因素。而问题依然存在。 Yury Reshetov 2016.08.14 19:15 #1060 安德烈-迪克不客气)。嗯,是的。 一个简单的三元组并没有那种在减少交易数量 的同时减少市场识别度的奇妙效果(除了解释信号的难度)。但正是通过三元组,我才走到了这一步(这里口头上认可这个词)。三元的意思是,它可以采取三种相互排斥的状态。它的另一个名字是三元制。一个有三个输出的网格,每个都是二进制的,可以产生8个互斥的状态,其中只有三个可以明确地解释为三元的。而剩下的5个州不清楚如何解释它们? 1...99100101102103104105106107108109110111112113...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
卖出 买入 解释
-1 0卖出
0 0 栅栏
0 1 买
-1 1栅栏
这里是开关表。你可以从中看到,当电网信号出现时,信号就会出现,而且不会相互矛盾。
谢谢!所以,就像在我的三元分类器中--两个二元分类器的不一致--坐实了。
事实证明,我们并行地得出了相同的解决方案:一个三元可以由两个二元分类器组装而成。这比三输出的三元组更容易实现,因为对于三输出的三元组,如何解释差异并不清楚,因为所有的输出必须是互斥的,而事实上这并不总是发生。
而我们的结论也是一样的:两个二元的三元比单独的二元有更高的可概括性。
谢谢你!所以,就像我的三元分类器一样--两个二元分类器的不一致性是坐实了。
事实证明,我们已经平行地得出了同样的解决方案:一个三元可以由两个二元分类器组装而成。这比三产三元更容易实现,因为对于三产三元,不清楚如何解释分歧,因为所有的输出必须是互斥的,而事实上并不总是如此。
实际上,将两个二元类加入三元类并不等于一个三元类。
当增加第三个阶级时,你会得到作为两个阶级的矛盾。那么,如果原来的三元组呢?例如就人字形而言,它是什么样子的?场外交易是 "之 "字形中的一个侧面?也就是说,与你的目标变量完全不同。
有了这些解释,它听起来很有道理。而你所交易的模式有多稀少?例如,如果有"打开 买入头寸"和 "关闭所有交易 "类的训练实例,这些类的百分比比是多少?我们假设买入类对应的是价格急剧上扬数百点,也就是说,买入类的数量约占所有训练实例的10%?
我不应用 "接近 "信号。神经元只知道如何进入市场,而交易系统决定如何退出。这比把这个非常TS应用于一般的随机信号要好。
在第四个论坛上,我之前写道,我深信对于神经键和类似的机器学习系统来说,只有交易信号有时间限制的TS才足够好。最初,对于神经元来说,存在着不可克服的矛盾(买入或卖出时对未来无限的期望是平等的,而且彼此之间没有优势),所以对于神经元,我不允许决定何时关闭交易。
我不应用 "关闭 "信号。神经元只知道如何进入市场,而交易系统决定如何退出。这比把这个非常TS应用于一般的随机信号要好。
在第四个论坛上,我之前写道,我深信对于神经键和类似的机器学习系统来说,只有交易信号有时间限制的TS才足够好。最初,对于神经元来说,存在着不可克服的矛盾(买入或卖出时对未来无限的期望是平等的,而且彼此之间没有优势),所以对于神经元,我不允许决定何时关闭交易。
你的帖子让我很高兴。
我一直在这里宣扬,在交易系统之外考虑机器学习算法是一种空洞的做法。你是第一个提出同样观点的人。
你必须从交易系统中跳出来,使用机器学习模型 来尝试改善真实交易系统的参数。我已经插入了rf,并减少了缩减。事实上,真正的TS比买/卖有更多的特点。
1)有一种网络,如果它收到以前不知道的数据,就可以进行训练。 你可能有兴趣读一读。这个网络叫做SOINNhttps://www.google.com.ua/webhp?sourceid=chrome-instant&ion=1&espv=2&ie=UTF-8#q=soinn。
2)我已经厌倦了写这些东西,而且我实际上已经证明了市场违背了自己的统计数字,甚至解释了机械原理,为什么会发生这种情况。 所有经典的训练方式都不能适用于它,但没有人感兴趣,大家都在做同样的事情。
1.谢谢,我会读的。见第2页。
2.在我看来,随着时间的推移改变模式的问题是无法解决的,即使是预习,因为你不仅需要向知识库添加新的模式,你还需要找到那些已经改变的模式,以及它们是否已经改变......这是一项非常困难的、似乎无法克服的任务。这是人工智能、思维、智能的一个部分,它就像学会了乘法表,能够将数学应用于所有的任务,甚至是新的非常规的和不熟悉的任务。它是一个能够进行发现的思维部分,即能够独立产生有用的信息和知识。但是,神经元的巧妙应用是不被禁止的,当然也是可能的:我认为这只是从统计学和概率计算这一块,统计学用于记忆,概率用于备份。统计学和概率计算的成功结合会给莫更多的传播,甚至可能是,至少所有的希望都在这一点上。
你的帖子让我很高兴。
我一直在这里宣扬,在交易系统的框架之外考虑机器学习算法是一种空洞的做法。你是第一个提出类似观点的人。
你必须从交易系统中跳出来,使用机器学习模型来尝试改善真实交易系统的参数。我已经插入了rf,并减少了缩减。事实上,真正的TS比买/卖有更多的特点。
很高兴高兴,相当。
令人惊讶的是,任何人都可以脱离任何特定的TS而考虑机器学习...
对于外汇来说,这也是可能的,但需要同样多的努力。
是的,但不是在神经元的配置上。
谢谢!所以,就像我的三元分类器一样--两个二元分类器的不一致性是坐实了。
事实证明,我们已经并行地得出了同样的解决方案:一个三元可以由两个二元分类器组装而成。这比三输出的三元组更容易实现,因为对于三输出的三元组,如何解释差异并不清楚,因为所有的输出必须是互斥的,而事实上这并不总是发生。
不客气)。
嗯,是的。 一个简单的三元组并没有那种在减少交易数量 的同时减少市场识别度的奇妙效果(除了解释信号的难度)。但正是通过特尔纳尼克,我才走到了这一步(这里口头上认可这个词)。
2.在我看来,随着时间的推移改变模式的问题是无法解决的,即使是预习,因为我们不仅需要向知识库添加新的模式,我们还需要找到那些已经改变的模式,以及它们是否已经改变......
预先学习的问题在以下案例中得到了很好的说明
例子。
在5000条样本上拟合一个模型。该模型本身给出了一个图表,显示了随着树的数量增长,误差是如何变化的,而树就是模式。在我的预测器上,有可能使用100棵树。我拿300块钱来做错误的完全直。我开始在20,000条的样本上进行拟合(不是应用)。令人惊讶的是,错误图并没有改变!这说明了什么?树木的数量没有变化。也就是说,模式的变体在最初的5000条就已经用尽了。
但最令人不快的是,这并不能解决问题。而这个问题是模型的再训练问题,也就是说,一些特定的东西被拿出来,并在其上建立树。
有什么问题呢?
问题是预测因素,而不是模型。
我知道如何衡量预测器的预测能力。因此,我不仅要抛弃那些没有预测能力的预测因子(噪音预测因子),而且预测能力必须是固定的。我没能找到这样的预测因素。而问题依然存在。
不客气)。
嗯,是的。 一个简单的三元组并没有那种在减少交易数量 的同时减少市场识别度的奇妙效果(除了解释信号的难度)。但正是通过三元组,我才走到了这一步(这里口头上认可这个词)。
三元的意思是,它可以采取三种相互排斥的状态。它的另一个名字是三元制。
一个有三个输出的网格,每个都是二进制的,可以产生8个互斥的状态,其中只有三个可以明确地解释为三元的。而剩下的5个州不清楚如何解释它们?