交易中的机器学习:理论、模型、实践和算法交易 - 页 1106 1...109911001101110211031104110511061107110811091110111111121113...3399 新评论 Yuriy Asaulenko 2018.10.16 10:01 #11051 mytarmailS:小的我们称之为 "平",大的则是 "势"。 但这里的问题又是什么是小运动和大运动,相对于什么是小运动或大运动? 事实上,这个问题给出了答案,为什么参数系统和其中的莫氏系统永远不会在未经处理的 市场数据上发挥作用?嗯,没有明确的定义--哪里是平坦,哪里是趋势,小的或大的。对某些应用来说是小的,对其他应用来说是大的。 确定什么是你(你的系统)的小事,什么是任何特定单位的大事,一切都会落到实处。 Farkhat Guzairov 2018.10.16 10:14 #11052 伊利亚-安提平。总之,事情是这样的。我开始使用提升算法,因为在这种算法中,除了准确性和高通用性之外,模型的建立也更加不含糊。由于特定的外部参数数量少,该方法也更容易设置。唯一的缺点是计算时的内存负荷,因此模型大小会增加几十或几百兆字节,这取决于迭代的数量。在与随机森林和浅层神经网络方法进行比较后,我得出结论,对于分类任务来说,boosting是更可取的。我测试了很多预测因素。它们主要是由最不同的指标和它们的组合建立的顺序时间序列。我使用程序方法在多货币模式(27种货币)下进行了测试,考虑到了真实的点差(2点)。时间范围 - 一个小时。在输出中--一个二进制类,使用阶梯深度为100点的人字形信号计算。几乎所有的结果都是负面的。如果我们排除了价差,那么加号就会很明显。作为一种选择,你可以尝试采取一个更高的时间框架。我已经思考如何进一步发展这项研究。 1.尝试另一种类型的 "之 "字形,或在输出端使用不同的参数。 2.在输出端使用由傅里叶法或小波滤波器提取的循环成分信号。 3.使用实际产出指标值(回归)。例如,收盘 和开盘烛台的价格 差异,未来几个柱状的价格变化。 4.使用不一致的数据作为预测因素,例如,关键点或水平 5.通过不同的指标(Volumе或ATR指标)过滤初始采样,即只训练在市场的某些部分工作。 我很高兴得到你的建议和意见。 这个人已经详细解释了一切。 而且从信号监测来看,他的研究结果(+)。干得好! Yuriy Asaulenko 2018.10.16 10:16 #11053 法尔哈特-古扎罗夫。我在等待有人从这个主题中表达的许多聪明话中取得成果,我个人既不需要源代码也不需要算法,而是需要几天后以冻结信号或截图的形式出现的MO的结果。但到目前为止,我们所做的都是谈话,而且没有任何理由。 关于平和MO,其实人工智能在学习的过程中,会在当前时刻找到必要的概率行为,是平还是势。所以我不认为为确定平坦而单独编写算法有任何意义,这是一个无用的活动。如果你不知道如何解决这个问题,你将无法从他们那里得到信号或财务报告。甚至不要考虑这个问题。现在和将来都是空谈。 至于MO,这些方法与人工智能毫无关系。而MO的方法不会自己找到任何东西,除非你向他们展示并告诉他们要找什么,在哪里找。否则就会像一句老生常谈的话语:垃圾进-垃圾出,仅此而已。不管自家的大师们怎么说,MO应用的主要问题之一是准备代表性的数据。而各种趋势平分可能是准备这种数据所必需的,而不是不分青红皂白地把所有东西都送入MO的输入。 mytarmailS 2018.10.16 10:22 #11054 法尔哈特-古扎罗夫。等待着有人能够从众多的聪明人中出等待,等待.... 睁开你的眼睛吧)))。 这里有一个关于层次的神经网的例子。 红色超卖,绿色超买... 看看前面的图片,欧洲是超买的,这里是反应。 (预测已上线) Yuriy Asaulenko 2018.10.16 10:26 #11055 mytarmailS:等待,等待.... 睁开你的眼睛吧))。 这里有一个关于层次的神经网的例子。 红色超卖,绿色超买... 看看之前的图片,欧洲是超买的,这里是反应。 实时预报)。现在让我们画一条回归线,建立一个通道,所有这些水平将与通道的极限相吻合。而超买/超卖将不再需要了。 mytarmailS 2018.10.16 10:27 #11056 尤里-阿索连科。没有一个真正的工作的交易员,在他们正确的头脑中,会向你展示任何信号或财务报告。不要抱太大希望。现在和将来都只有谈话。 至于MO,这些方法与人工智能毫无关系。而MO的方法不会自己找到任何东西,除非你向他们展示并告诉他们要找什么,在哪里找。否则就会像一句老生常谈的话语:垃圾进-垃圾出,仅此而已。不管自家的大师们怎么说,MO应用的主要问题之一是准备代表性的数据。而且可能需要各种趋势平坦的拆分来准备这样的数据,而不是不分青红皂白地把所有东西都送入MO的输入。因为它是 mytarmailS 2018.10.16 10:30 #11057 尤里-阿索连科。现在画一条回归线穿过所有这些,建立一个通道,所有这些水平将与通道的边界重合。而超买/超卖将不再需要了。解释一下 Yuriy Asaulenko 2018.10.16 10:35 #11058 mytarmailS:解释我在你的照片上试试。 mytarmailS 2018.10.16 10:38 #11059 尤里-阿索连科。我在你的照片上试试。拜托,这是最好的。 Yuriy Asaulenko 2018.10.16 10:40 #11060 mytarmailS:拜托,这是最好的办法。这大概是它的样子。回归线可以用一个长的EMA来代替 . 1...109911001101110211031104110511061107110811091110111111121113...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
小的我们称之为 "平",大的则是 "势"。
但这里的问题又是什么是小运动和大运动,相对于什么是小运动或大运动?
事实上,这个问题给出了答案,为什么参数系统和其中的莫氏系统永远不会在未经处理的 市场数据上发挥作用?
嗯,没有明确的定义--哪里是平坦,哪里是趋势,小的或大的。对某些应用来说是小的,对其他应用来说是大的。
确定什么是你(你的系统)的小事,什么是任何特定单位的大事,一切都会落到实处。
总之,事情是这样的。我开始使用提升算法,因为在这种算法中,除了准确性和高通用性之外,模型的建立也更加不含糊。由于特定的外部参数数量少,该方法也更容易设置。唯一的缺点是计算时的内存负荷,因此模型大小会增加几十或几百兆字节,这取决于迭代的数量。在与随机森林和浅层神经网络方法进行比较后,我得出结论,对于分类任务来说,boosting是更可取的。
我测试了很多预测因素。它们主要是由最不同的指标和它们的组合建立的顺序时间序列。我使用程序方法在多货币模式(27种货币)下进行了测试,考虑到了真实的点差(2点)。时间范围 - 一个小时。在输出中--一个二进制类,使用阶梯深度为100点的人字形信号计算。几乎所有的结果都是负面的。如果我们排除了价差,那么加号就会很明显。作为一种选择,你可以尝试采取一个更高的时间框架。
我已经思考如何进一步发展这项研究。
1.尝试另一种类型的 "之 "字形,或在输出端使用不同的参数。
2.在输出端使用由傅里叶法或小波滤波器提取的循环成分信号。
3.使用实际产出指标值(回归)。例如,收盘 和开盘烛台的价格 差异,未来几个柱状的价格变化。
4.使用不一致的数据作为预测因素,例如,关键点或水平
5.通过不同的指标(Volumе或ATR指标)过滤初始采样,即只训练在市场的某些部分工作。
我很高兴得到你的建议和意见。
我在等待有人从这个主题中表达的许多聪明话中取得成果,我个人既不需要源代码也不需要算法,而是需要几天后以冻结信号或截图的形式出现的MO的结果。但到目前为止,我们所做的都是谈话,而且没有任何理由。
关于平和MO,其实人工智能在学习的过程中,会在当前时刻找到必要的概率行为,是平还是势。所以我不认为为确定平坦而单独编写算法有任何意义,这是一个无用的活动。
如果你不知道如何解决这个问题,你将无法从他们那里得到信号或财务报告。甚至不要考虑这个问题。现在和将来都是空谈。
至于MO,这些方法与人工智能毫无关系。而MO的方法不会自己找到任何东西,除非你向他们展示并告诉他们要找什么,在哪里找。否则就会像一句老生常谈的话语:垃圾进-垃圾出,仅此而已。不管自家的大师们怎么说,MO应用的主要问题之一是准备代表性的数据。而各种趋势平分可能是准备这种数据所必需的,而不是不分青红皂白地把所有东西都送入MO的输入。
等待着有人能够从众多的聪明人中出
等待,等待....
睁开你的眼睛吧)))。
这里有一个关于层次的神经网的例子。
红色超卖,绿色超买...
看看前面的图片,欧洲是超买的,这里是反应。
(预测已上线)
等待,等待....
睁开你的眼睛吧))。
这里有一个关于层次的神经网的例子。
红色超卖,绿色超买...
看看之前的图片,欧洲是超买的,这里是反应。
实时预报)。
现在让我们画一条回归线,建立一个通道,所有这些水平将与通道的极限相吻合。而超买/超卖将不再需要了。
没有一个真正的工作的交易员,在他们正确的头脑中,会向你展示任何信号或财务报告。不要抱太大希望。现在和将来都只有谈话。
至于MO,这些方法与人工智能毫无关系。而MO的方法不会自己找到任何东西,除非你向他们展示并告诉他们要找什么,在哪里找。否则就会像一句老生常谈的话语:垃圾进-垃圾出,仅此而已。不管自家的大师们怎么说,MO应用的主要问题之一是准备代表性的数据。而且可能需要各种趋势平坦的拆分来准备这样的数据,而不是不分青红皂白地把所有东西都送入MO的输入。
因为它是
现在画一条回归线穿过所有这些,建立一个通道,所有这些水平将与通道的边界重合。而超买/超卖将不再需要了。
解释一下
解释
我在你的照片上试试。
我在你的照片上试试。
拜托,这是最好的。
拜托,这是最好的办法。
这大概是它的样子。回归线可以用一个长的EMA来代替
.