交易中的机器学习：理论、模型、实践和算法交易 - 页 11 1...456789101112131415161718...3399 新评论 Alexey Burnakov 2016.06.07 21:41 #101 我将等待CC澄清他想怎么做。再次，我认为通过一个简单的条件来预测有退出的交易可能不是最佳的。如果我们训练另一台机器，从已经开启的交易中学习收盘时刻呢？让我解释一下。一笔交易应该在一小时内完成--我们已经训练机器以这种方式打开交易。对于每笔交易的开启，将有60条记录（线）的筹码--每分钟，从31分钟开始，到90分钟结束。其中约有一半的条目会在第60分钟左右被标记为1，作为一个好的出口。这就是我所说的对应该如何解决问题的详细解释。你怎么看？ СанСаныч Фоменко 2016.06.08 07:56 #102 Alexey Burnakov: 这是个有趣的想法。 我也有EA工作。也许我会考虑如何升级它们。但我不清楚到底需要改进什么？你需要什么来教导机器？专家顾问有一套严格的开仓和平仓 逻辑。在机器学习中，决定是以一种稍微不同的方式作出的。 也就是说，你到底要做什么，并不十分清楚。在这里，你可以从我上面的帖子中看到它。我从高杆上把握大方向。但是，当你仔细观察时间时，特别是在下栏方面，有一个巨大的滞后。因此，如果是D1，但我在M5上交易，事实证明，我几乎以前天的数据作为方向。即使预测D1的30%误差，也从根本上提高了专家顾问的盈利能力，最重要的是增加了对它不会卖出的信心。在我的案例中，我将使用指标的滞后数据进行适当的R预测。 Alexey Burnakov 2016.06.08 16:21 #103 桑桑尼茨-弗门科。这是我上面帖子中的一个说明。大方向是从高杆开始的。但是，当你仔细观察时间时，特别是在下栏方面，有一个巨大的滞后。因此，如果是D1，但我在M5上交易，事实证明，我几乎以前天的数据为方向。即使预测D1的30%误差，也从根本上提高了专家顾问的盈利能力，最重要的是增加了对它不会卖出的信心。在我的特殊情况下，我打算使用来自指标的滞后数据对R的相应预测进行分析。 好吧，这个想法大致上是清楚的。 Alexey Burnakov 2016.06.08 16:36 #104 我有直接的大新闻。在出差的时候，晚上我在我的数据上运行了学习机。尝试了不同的组合方法。而且看起来像一朵石花出来了--突然之间。因此，我一直在使用我引用的链接中的数据，进行越来越多的训练，尝试在我的博客中已经描述过的事情。但我又加了几招。例如，我选择了那些在交叉验证上有更多利润的训练参数，而不是抽象猜测的准确性。为此，我当然要编写我的健身函数。图中是不同预测范围和训练参数下的训练和验证的期望值对。我还使用了 "灰色区域 "的概念，即一个什么都不发生的预测空间。正如你所看到的，我在训练中得到了相当合理的MO值，而在验证中得到了相关的值！这就是为什么我在训练和验证中都得到了相当合理的值。请注意，模拟使用的是0.00020（二十个选区）的点差。我还计算了包括点差在内的总交易量。价值观也非常好。最大的利润是在交易数量与交易量的一定比例下实现的，所有这些都是在12小时的计划范围内。图上是所有规划范围、所有灰色区域值和模型的最佳学习参数的运行情况。见下文。好了，为了传播这个知识，我附上一个文件，里面有所有的结果，甚至包括脚手架的训练参数。但没有投入。我的数据中的输入被选中。这将是一个小秘密。我将考虑一下实验的全部代码，或者不考虑。我现在想和这台机器的MT做整合，因为在我看来结果已经很有效了。ǞǞǞ 附加的文件： validate_gbm_new_sj_gray-zoned_validated.zip 51 kb Vladimir Perervenko 2016.06.08 17:27 #105 阿列克谢-伯纳科夫。我有直接的大新闻。在出差的时候，晚上我在我的数据上运行了学习机。尝试了不同的组合方法。而且看起来像一朵石花出来了--突然之间。总之，根据我给出的链接中的数据，我一次又一次地进行训练，尝试了我博客上已经描述过的东西。但我又加了几招。例如，选择那些在交叉验证上有更多利润的训练参数，而不是抽象的猜测的准确性。为此，我当然要编写我的健身函数。图中是不同预测范围和训练参数下的训练和验证的期望值对。我还使用了 "灰色区域 "的概念，即一个什么都不发生的预测空间。正如你所看到的，我在训练中得到了相当合理的MO值，而在验证中得到了相关的值！这就是为什么我在训练和验证中都得到了相当合理的值。请注意，模拟使用的是0.00020（二十个选区）的点差。我还计算了包括点差在内的总交易量。价值观也非常好。最大的利润是在交易数量与交易量的一定比例下实现的，所有这些都是在12小时的计划范围内。图上是所有规划范围、所有灰色区域值和模型的最佳学习参数的运行情况。见下文。好了，为了传播这个知识，我附上一个文件，里面有所有的结果，甚至包括脚手架的训练参数。但没有投入。我的数据中的输入被选中。这将是一个小秘密。我将考虑一下实验的全部代码，或者不考虑。我现在想和这台机器的MT做整合，因为在我看来结果已经很有效了。ǞǞǞ以点为单位的总利润并不是一个指标。这个总利润与历史上获得的条数 之比，才是有参考价值的质量因素。我已经说了很久了，我只用它来做模型优化和估计。 勤奋工作会带来成果。祝好运 СанСаныч Фоменко 2016.06.08 17:39 #106 弗拉基米尔-佩雷文科。以点为单位的总利润不是指标。这个总利润与历史上获得的条数 之比，才是有参考价值的质量因素。我已经说了很久了，我只用它来做模型优化和估计。 勤奋工作会有结果。祝好运在我看来，一个并不排除另一个。阿列克谢克服了所有分类预测评估的明显缺点：很明显，一个正确的1点柱状预测的价值和一个10点柱状预测的价值是完全不同的。祝贺你，阿列克谢! Alexey Burnakov 2016.06.08 18:07 #107 弗拉基米尔-佩雷文科。以点为单位的总利润并不是一个指标。这是该总利润与获得该利润的历史条数 之比--这就是具有指示意义的质量系数。我早就说过，只用它来做模型优化和估计。 勤奋工作会有结果。祝好运让我解释一下。预测提前12小时（准确地说，是724分钟）。每个验证样本的交易数量都超过5000个。该结果是49个验证样本的平均数。每个样本内的交易以大约12小时为单位发生，也就是说，没有明显的依赖性，也没有结果的重叠性。我一会儿会发布更多的交易模拟图。结果太好。但到目前为止，一切都得到了证实。 Alexey Burnakov 2016.06.08 19:03 #108 我的实验的最终数据。训练有素的机器对49个验证样本的模拟交易信号（单位：点）。49个样本的交易结果以点为单位的分布。并对每个验证样本的平均（中位）MO与零之间的显著差异进行假设检验。 验证样本 Shapiro检验正态性P值 检验与零的差异的P值 意味着 中位数 平均距离上99%-尾数 平均距离较低的99%-尾数 1 1.11E-65 0 0.000139 0.000095 0.000146 0.000133 2 8.55E-64 0 0.000139 0.000096 0.000145 0.000133 3 8.24E-63 0 0.000137 0.000096 0.000143 0.000131 4 3.31E-66 0 0.000139 0.000095 0.000146 0.000133 5 4.64E-66 0 0.000142 0.000097 0.000149 0.000136 6 7.08E-63 0 0.000141 0.000097 0.000147 0.000135 7 8.72E-65 0 0.000135 0.000096 0.000141 0.000129 8 4.52E-65 0 0.000139 0.000096 0.000145 0.000132 9 4.31E-64 0 0.000143 0.000102 0.000149 0.000137 10 4.53E-66 0 0.000141 0.000099 0.000147 0.000134 11 8.97E-67 0 0.000143 0.000098 0.000149 0.000136 12 2.21E-63 0 0.000139 0.000102 0.000145 0.000133 13 1.16E-63 0 0.000142 0.000099 0.000148 0.000135 14 7.82E-64 0 0.000138 0.000097 0.000144 0.000132 15 1.41E-65 0 0.000146 0.000103 0.000152 0.000140 16 8.17E-63 0 0.000135 0.000097 0.000140 0.000129 17 6.54E-65 0 0.000143 0.000099 0.000149 0.000136 18 6.70E-66 0 0.000138 0.000096 0.000144 0.000132 19 1.86E-65 0 0.000143 0.000099 0.000149 0.000136 20 1.79E-66 0 0.000142 0.000098 0.000148 0.000135 21 2.37E-62 0 0.000136 0.000099 0.000142 0.000131 22 5.51E-65 0 0.000141 0.000100 0.000147 0.000135 23 7.15E-67 0 0.000142 0.000097 0.000149 0.000136 24 1.06E-65 0 0.000144 0.000102 0.000150 0.000137 25 4.01E-65 0 0.000147 0.000101 0.000153 0.000140 26 2.33E-64 0 0.000141 0.000098 0.000147 0.000135 27 7.85E-65 0 0.000141 0.000100 0.000147 0.000134 28 2.07E-64 0 0.000141 0.000098 0.000147 0.000134 29 2.01E-63 0 0.000140 0.000098 0.000146 0.000134 30 2.77E-64 0 0.000139 0.000098 0.000145 0.000133 31 1.43E-66 0 0.000145 0.000098 0.000151 0.000138 32 1.08E-65 0 0.000141 0.000098 0.000147 0.000134 33 3.47E-62 0 0.000136 0.000099 0.000141 0.000130 34 6.04E-67 0 0.000140 0.000096 0.000147 0.000134 35 2.32E-65 0 0.000145 0.000100 0.000152 0.000139 36 6.39E-65 0 0.000143 0.000098 0.000149 0.000137 37 1.10E-61 0 0.000141 0.000103 0.000147 0.000135 38 6.74E-63 0 0.000142 0.000100 0.000148 0.000136 39 2.54E-64 0 0.000141 0.000098 0.000147 0.000135 40 2.45E-64 0 0.000139 0.000098 0.000145 0.000133 41 6.25E-66 0 0.000141 0.000099 0.000148 0.000135 42 3.99E-66 0 0.000141 0.000097 0.000147 0.000135 43 1.35E-66 0 0.000142 0.000098 0.000148 0.000135 44 1.01E-63 0 0.000134 0.000097 0.000140 0.000128 45 1.56E-64 0 0.000139 0.000097 0.000145 0.000133 46 3.11E-66 0 0.000145 0.000103 0.000152 0.000139 47 6.11E-66 0 0.000138 0.000099 0.000144 0.000131 48 2.99E-66 0 0.000146 0.000101 0.000152 0.000139 49 1.84E-63 0 0.000138 0.000098 0.000144 0.000131 样本内的分布是不正常的。Wilcoxon检验显示，MO与零有显著不同。顺便说一下，在验证样本的最后3/5部分，点数之和曲线的增长模式的变化是可以解释的。我在样本中对5个专业的观察数量大致相等，它们的顺序如下。dat_eurusd dat_audusd dat_gbpusd dat_usdcad dat_usdchf 我确信，对于最后三个货币对来说，波动性更高，点差也更大（我们应该采取25-30个点，而不是20个点）。因此，他们的总结果和猜测方向的百分比更好。但无论如何，输入增加的价差不会使统计数字无效。只是为了了解发生了什么事。下午。 测试日志 - 算法交易, 交易机器人 Alexey Burnakov 2016.06.09 18:25 #109 桑桑尼茨-弗门科。在我看来，一个并不排除另一个。阿列克谢克服了所有分类预测评估的明显缺点：显然，一个正确的1点柱状预测的价值和一个10点柱状预测的价值是完全不同的。祝贺你，阿列克谢! 谢谢你，SanSanych。一切都在运作。我将尝试在MT4上运行它，作为开始。 Alexey Burnakov 2016.06.13 04:43 #110 警告。发现了代码中的一个错误，造成了很大的结果。在详细分析之前，我所有的优化都被取消了! 我在MT4上做了一个与Arom有关的专家顾问。我看到结果有一些差异，因此我做了详细的代码审查，发现了一个粗略的错误。我还没有发现任何有利可图的东西。实验继续进行。 1...456789101112131415161718...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
这是个有趣的想法。 我也有EA工作。也许我会考虑如何升级它们。但我不清楚到底需要改进什么？你需要什么来教导机器？
专家顾问有一套严格的开仓和平仓 逻辑。在机器学习中，决定是以一种稍微不同的方式作出的。
也就是说，你到底要做什么，并不十分清楚。
在这里，你可以从我上面的帖子中看到它。
我从高杆上把握大方向。但是，当你仔细观察时间时，特别是在下栏方面，有一个巨大的滞后。因此，如果是D1，但我在M5上交易，事实证明，我几乎以前天的数据作为方向。即使预测D1的30%误差，也从根本上提高了专家顾问的盈利能力，最重要的是增加了对它不会卖出的信心。
在我的案例中，我将使用指标的滞后数据进行适当的R预测。
这是我上面帖子中的一个说明。
大方向是从高杆开始的。但是，当你仔细观察时间时，特别是在下栏方面，有一个巨大的滞后。因此，如果是D1，但我在M5上交易，事实证明，我几乎以前天的数据为方向。即使预测D1的30%误差，也从根本上提高了专家顾问的盈利能力，最重要的是增加了对它不会卖出的信心。
在我的特殊情况下，我打算使用来自指标的滞后数据对R的相应预测进行分析。
我有直接的大新闻。
在出差的时候，晚上我在我的数据上运行了学习机。尝试了不同的组合方法。而且看起来像一朵石花出来了--突然之间。
因此，我一直在使用我引用的链接中的数据，进行越来越多的训练，尝试在我的博客中已经描述过的事情。但我又加了几招。例如，我选择了那些在交叉验证上有更多利润的训练参数，而不是抽象猜测的准确性。
为此，我当然要编写我的健身函数。
图中是不同预测范围和训练参数下的训练和验证的期望值对。我还使用了 "灰色区域 "的概念，即一个什么都不发生的预测空间。
正如你所看到的，我在训练中得到了相当合理的MO值，而在验证中得到了相关的值！这就是为什么我在训练和验证中都得到了相当合理的值。请注意，模拟使用的是0.00020（二十个选区）的点差。
我还计算了包括点差在内的总交易量。价值观也非常好。最大的利润是在交易数量与交易量的一定比例下实现的，所有这些都是在12小时的计划范围内。图上是所有规划范围、所有灰色区域值和模型的最佳学习参数的运行情况。见下文。
好了，为了传播这个知识，我附上一个文件，里面有所有的结果，甚至包括脚手架的训练参数。但没有投入。我的数据中的输入被选中。这将是一个小秘密。我将考虑一下实验的全部代码，或者不考虑。我现在想和这台机器的MT做整合，因为在我看来结果已经很有效了。
ǞǞǞ
我有直接的大新闻。
在出差的时候，晚上我在我的数据上运行了学习机。尝试了不同的组合方法。而且看起来像一朵石花出来了--突然之间。
总之，根据我给出的链接中的数据，我一次又一次地进行训练，尝试了我博客上已经描述过的东西。但我又加了几招。例如，选择那些在交叉验证上有更多利润的训练参数，而不是抽象的猜测的准确性。
为此，我当然要编写我的健身函数。
图中是不同预测范围和训练参数下的训练和验证的期望值对。我还使用了 "灰色区域 "的概念，即一个什么都不发生的预测空间。
正如你所看到的，我在训练中得到了相当合理的MO值，而在验证中得到了相关的值！这就是为什么我在训练和验证中都得到了相当合理的值。请注意，模拟使用的是0.00020（二十个选区）的点差。
我还计算了包括点差在内的总交易量。价值观也非常好。最大的利润是在交易数量与交易量的一定比例下实现的，所有这些都是在12小时的计划范围内。图上是所有规划范围、所有灰色区域值和模型的最佳学习参数的运行情况。见下文。
好了，为了传播这个知识，我附上一个文件，里面有所有的结果，甚至包括脚手架的训练参数。但没有投入。我的数据中的输入被选中。这将是一个小秘密。我将考虑一下实验的全部代码，或者不考虑。我现在想和这台机器的MT做整合，因为在我看来结果已经很有效了。
ǞǞǞ
以点为单位的总利润并不是一个指标。这个总利润与历史上获得的条数 之比，才是有参考价值的质量因素。我已经说了很久了，我只用它来做模型优化和估计。
勤奋工作会带来成果。
祝好运
以点为单位的总利润不是指标。这个总利润与历史上获得的条数 之比，才是有参考价值的质量因素。我已经说了很久了，我只用它来做模型优化和估计。
勤奋工作会有结果。
祝好运
在我看来，一个并不排除另一个。
阿列克谢克服了所有分类预测评估的明显缺点：很明显，一个正确的1点柱状预测的价值和一个10点柱状预测的价值是完全不同的。
祝贺你，阿列克谢!
以点为单位的总利润并不是一个指标。这是该总利润与获得该利润的历史条数 之比--这就是具有指示意义的质量系数。我早就说过，只用它来做模型优化和估计。
勤奋工作会有结果。
祝好运
让我解释一下。
预测提前12小时（准确地说，是724分钟）。
每个验证样本的交易数量都超过5000个。该结果是49个验证样本的平均数。每个样本内的交易以大约12小时为单位发生，也就是说，没有明显的依赖性，也没有结果的重叠性。我一会儿会发布更多的交易模拟图。结果太好。但到目前为止，一切都得到了证实。
我的实验的最终数据。
训练有素的机器对49个验证样本的模拟交易信号（单位：点）。
49个样本的交易结果以点为单位的分布。
并对每个验证样本的平均（中位）MO与零之间的显著差异进行假设检验。
样本内的分布是不正常的。Wilcoxon检验显示，MO与零有显著不同。
顺便说一下，在验证样本的最后3/5部分，点数之和曲线的增长模式的变化是可以解释的。
我在样本中对5个专业的观察数量大致相等，它们的顺序如下。
我确信，对于最后三个货币对来说，波动性更高，点差也更大（我们应该采取25-30个点，而不是20个点）。因此，他们的总结果和猜测方向的百分比更好。但无论如何，输入增加的价差不会使统计数字无效。只是为了了解发生了什么事。
下午。
在我看来，一个并不排除另一个。
阿列克谢克服了所有分类预测评估的明显缺点：显然，一个正确的1点柱状预测的价值和一个10点柱状预测的价值是完全不同的。
祝贺你，阿列克谢!
警告。发现了代码中的一个错误，造成了很大的结果。在详细分析之前，我所有的优化都被取消了!