交易中的机器学习：理论、模型、实践和算法交易 - 页 106

新评论
 
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。

 
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。

 
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。

 
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。

 
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。

 
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...

 
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。

 
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）。

 
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。

 
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