交易中的机器学习：理论、模型、实践和算法交易 - 页 107

新评论
 
尤里-雷舍托夫。

三元--意味着它可以呈现三种相互排斥的状态。另一个名称是三元制。

而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，其中只有三个可以被明确地解释，就像三元的。你如何解释剩下的5个州？

好吧，雷舍托夫，你是多么聪明啊！所以这就是为什么我没能申请到这三个班的原因!的确，有8个州，而不是3个州!所以我坐在两个班上。
 

我也以某种方式使用了三元组，我有三个类--上转、下转和不转，这些是1,-1,0。

即我可能通过小止损和大利润来赚钱，即我管理风险而不是做出好的预测。

s

这不是一个系统，它只是一个带止损的条目生成器。

但这种方法的可悲之处在于，它不清楚如何训练模型

===========================================

虽然该模型工作能力相当弱，但这并不妨碍它获得稳定的利润，一个月14%的利润并不是极限，我已经看到了35%，这一切都取决于你如何训练模型。

2

=====================================

和收益的代价是10:1的停止/堆积比率相当稳定，加上有风险控制

2

 
mytarmailS:

我也以某种方式使用了三元组，我有三个类--上转、下转和不转，这些是1,-1,0。

原则上，这种方法不需要良好的市场预测，你可能不是通过良好的预测，而是通过小的止损和大的利润，也就是通过风险管理来赚取利润。

这不是一个系统，它只是一个带止损的条目生成器。

但这种方法的可悲之处在于，它不清楚如何训练模型

===========================================

虽然该模型工作能力相当弱，但这并不妨碍它获得稳定的利润，一个月14%的利润并不是极限，我已经看到了35%，这一切都取决于你如何训练模型。

=====================================

我有一个很好的停止/停止比率，即10:1，我赚了很多钱。

这很好！有什么大不了的？
 
安德烈-迪克
很好！你担心什么？

不清楚如何训练这样的模型，所有的方法都被削去了错误的分类，而我的方法将永远低于基座，总之，我的模型的有效性必须以不同的方式评估，但如何不知道。

 
mytarmailS:

我不知道如何训练这样的模型，所有的方法都是针对分类错误的，而我的方法总是会在柱子下面，总之，我的模型的有效性应该以不同的方式来评估，但我不知道如何评估。

因此，你说每月14%，有时你得到多达35%。那么就不要再担心不知道了，因为结果是惊人的，不用为结果而虚伪地谦虚。

虽然，我不会使用固定的止损来退出市场（因为我们知道模式在进入市场之前和之后都有任何比例的倾向）。但为了简单起见，我有时也会这样做：我学会了用sl/tp=1/3挡退出，但在OOS上使用了1/2的比例（我给了神经元一个先机，它以增加正确答案的形式感谢我，而如果我使用1/3，它就会增加）。正如我所说，有必要限制交易的时间，因为未来价格不会达到SL和TP的概率虽然很小，但仍然存在，我们不能说电网被训练得很糟糕，我们只能说生命很短暂。

 

有人在某处建议，在训练期间，模型应该预测至少给定数量的点的移动...在我看来，这是一个非常明智的想法。

我可以补充一点--考虑到适当时间框架内特定时刻的典型波动性和交易的特定寿命时间，至少要有指定点数的移动。我上次在两年前从事网格工作时，就是朝这个方向努力的。一般来说，我放弃了网格，因为市场的一些概率特征对我来说并不清楚。现在一切都在我的脑海中或多或少地安定下来，也许我应该继续在网格上工作....。

在我看来，"机器学习 "方法在TS中的作用应尽可能地减少，而那些每年持续重复的市场因素应被放在首位。例如，在这个话题中，是否有人使用波动性在交易日中间最大的知识？- unlikely....而这是一个不可否认的市场特征，不会改变。

 

还有一个众所周知的观察（不变的事实），但却被 "机器操作员 "顽固地忽略了--在较低的TFs上，夜间的价格行为与白天有很大的不同。

但这种差异在大于H1的TF上是没有意义的，也许这就是为什么许多TS在更高的TF上显示出更稳定的结果（因为烛台的价格变化或多或少是同质的）？

但我们希望有更多的交易（但由于佣金和价差，损失不可避免地更大），这就是为什么我们必须使用低于H1的TFs。有两种方法可以解决一天内 "不同价格行为 "的问题：1）.或将适当的TS分为 "夜间 "和 "白天"，2）.或限制一天的交易时间（例如从5:00到20:00）。我通常不费吹灰之力就采用第二种变体，但即使是这样一个简单的按时间划分的过滤器，也能显著改善训练和后续交易的结果。

对于 "夜间 "盘面，我还没有设法在神经元上建立一个适当的TS，因为还有其他的，我认为，不同于模式组合的规则....。由于这个原因，我无法建立足够的日内神经元，因为那里应用了其他规则，与模式组合不同，imho: .哪些规则正是问题所在，但主要问题是 "夜间 "是否需要使用网格（预测器难以正规化的规则），如果在这些非常夜间的时间，更简单和不复杂的TS，如通道交易和通道主题的类似变化可以成功应用...。

 
安德烈-迪克

还有一个众所周知的观察（不变的事实），但却被 "机器男 "顽固地忽略了--在较低的TF上，夜间的价格行为与白天截然不同。

时间应被列为预测因素（与其他因素一起）。

  • 小时数
  • 小时数
  • 周号。

每个预测因子除以相应的预测因子数量，例如，小时数除以24个预测因子。例如，第一个预测器的第1小时为1，其他位置为0。第二个预测器的第二小时为1，其他位置为零，等等。

如果我们检查这种预测器的预测能力，结果发现每个这样的人工预测器都有不同的预测能力。例如，对于一周中的某一天，它是星期三和星期四。一周中的其他日子=噪音，应从模型中排除。

我们有非常好的质量预测器。

 
桑桑尼茨-弗门科。

时间应被列为预测因素（与其他因素一起）。

  • 小时数
  • 小时数
  • 周号。

每个预测器都被相应的预测器数量除以，例如，小时数被24个预测器除。例如，第一个预测器的第1小时为1，其他位置为0。第二个预测器的第二小时为1，其他位置为零，等等。

如果我们检查这种预测器的预测能力，结果发现每个这样的人工预测器都有不同的预测能力。例如，对于一周中的某一天，它是星期三和星期四。一周中的其他日子=噪音，应从模型中排除。

我们得到了非常高质量的预测器。

正是如此。几乎。小时数只需要分解成23个二进制变量...

而对于某些方法，你也不需要这样做。一个随机森林会自己处理这个猫咪变量。

 
安德烈-迪克

还有一个众所周知的观察（不可改变的事实），但却被 "机器男 "顽固地忽略了--在较低的TF上，夜间的价格行为与白天截然不同。


绝望的打字员 "考虑到了这一点。时间被输入到机器中。此外，价格不仅在夜间，而且在会议上也有不同的表现。
1...100101102103104105106107108109110111112113114...3399
新评论