交易中的机器学习：理论、模型、实践和算法交易 - 页 118

新评论
 
mytarmailS:
...

就个人而言，我的做法是删除RSI的地狱。

...

因为它是自相矛盾的。

而如果我们只是采取哪怕是一个普通的价格--比方说一系列的20个值，而市场是向上的趋势--那么趋势是向上的，没有第二种选择，一切都毫不含糊，没有矛盾，你明白我的意思吗？

说实话，我不明白。

RSI和 "正常 "价格（动量）都显示了昨天的情况--回顾一下。如果价格在之前的20个数值中上升了，并不意味着现在有上升的趋势，很有可能在未来出现三种相互排斥的可能性。

  1. 价格将继续上涨
  2. 价格将持平
  3. 价格反转并下降。

未来潜在事件的相互存在本质上也是矛盾的，如RSI的情况。

过去是一个事实（客观上），因此是毫不含糊的。而未来只是一种假设（主观），因此是概率性的。

 
本文而是一个使用Keras（Python）包创建和使用神经网络（MLP、CNN和LSTM）的例子。不进行超参数调整得到的结果不能被认为是有代表性的。顺便说一下，作者在文章的结尾也说了。
 
尤里-雷舍托夫。

说实话，我不明白。

RSI和 "正常 "价格（动量）都显示了昨天的情况--后知后觉。如果价格在之前的20个数值中上涨了，并不意味着现在就有上涨的趋势，很有可能在未来出现三种相互排斥的可能性。

  1. 价格将继续上涨
  2. 价格将持平
  3. 价格反转并下降。

未来潜在事件的相互排斥性，实质上也是矛盾的，如RSI的情况。

过去是一个事实（客观上），因此是毫不含糊的。而未来只是一种假设（主观的），因此是概率性的。

我不是在谈论预测未来。

让我们拿一个系列的20根蜡烛来说，目前在这个系列中，一个强大的上升趋势是可能的。 第二个是不确定的，趋势是上升的，就这样，不管怎样，下一个21根蜡烛会发生什么是不清楚的，这是一个对未来的概率预测，有很多结果，我绝对同意你的这个观点

现在让我们用一个rsi指标或动量指标，一个有固定周期的指标，比如说10，并将其应用于我们一系列的20个蜡烛图，其中趋势是向上的，我们会看到在第11根蜡烛上，该指标将开始从其最大值向下弯曲，为什么在第11根？该指标不仅不能描述未来，甚至不能客观地描述现在/过去，它只是在说谎和混淆，它混淆了普通交易者和神经网络。

 
mytarmailS:

我不是在谈论预测未来，这对我来说是个禁忌，我是在谈论当前的数据表述

让我们拿一个系列的20个蜡烛图来说，目前在这个系列中，一个强大的上升趋势是可能的。 没有两个蜡烛图的趋势是上升的，就这样，我不管，下一个21号蜡烛图会发生什么还不清楚，这是一个对未来的概率预测，有很多结果，我绝对同意你的这个观点

现在让我们用一个rsi指标或动量指标，一个有固定周期的指标，比如说10，并将其应用于我们一系列的20个蜡烛图，其中趋势是向上的，我们会看到在第11根蜡烛图上，指标将开始从其最大值向下弯曲，为什么在第11根？该指标不仅不能描述未来，甚至不能客观地描述现在/过去，它只是在说谎和混淆视听，它混淆了普通交易者和神经网络。

TA指标和震荡器对过去的描述与它们的算法中写的完全一样。而且他们有一个滞后性，结果是他们错过了价格的急剧波动，如果在他们的指导下，你可以跳上 "已经离开很久的火车 "或 "跳出火车，它将提前向正确的方向发展"。由于TA的滞后性，也有背离现象，当价格向一个方向发展，而示波器却向相反的方向绘制。

因此，没有什么可讨论的：大多数技术分析工具的代码都是公开的，如果你对数学很了解，理解它们并不困难。

但这是题外话，因为上述所有内容都与机器学习的主题无关。预测部分的机器学习是关于过去和未来的关系，而不是试图只在事后 "理解"。

 
尤里-雷舍托夫。

TA指标和震荡器对过去的描述完全按照其算法的规定。而且它们有一个滞后性，所以它们会错过价格的急剧波动，如果你使用它们，你可以跳上 "很久以前离开的火车 "或 "提前跳下火车，这将朝着正确的方向发展"。由于TA的滞后性，也会出现背离，当价格向一个方向发展，而示波器却向相反的方向绘制。

因此，没有什么可讨论的：大多数技术分析工具的代码是公开的，如果你知道数学，就很容易理解。

但这是题外话，因为以上这些都与机器学习的主题无关。预测性机器学习是关于过去和未来的相互联系，而不是试图只 "理解 "回顾性的。

我不知道，在8年的市场研究中，我从来没有设法跳上指标的 "火车"，我认为它们不一致，不向任何人推荐它们，我也解释了我为什么这么想，我不知道在这里还能补充什么...
 
Vladimir Perervenko:
这篇文章是一个使用Keras（Python）包创建和使用神经网络（MLP、CNN和LSTM）的例子。不调整超参数得到的结果不能被认为是有代表性的。顺便说一下，作者在文章的结尾也这么说。

我个人认为他在这方面犯了一个错误。第一个训练的 MLP网络--在原始价格上训练的，这纯粹是方法上的废话，突然开始显示与原始价格系列几乎完全一致，而其余预测价格的网络显示的正是它应该显示的东西--预测重复了以前的值；零信息。我认为它的MLP向后移了一格，不管是不是巧合。几年前我自己因误解而这样做，结果总是一样--R^2 <= 0。

但方向性分类的准确率是54%--这似乎是真的。有了这样的准确性，考虑到美国市场的管理费用，你可以每年拉到10-15%的利润。

这与超参数调整和可读性有什么关系？如果你擅长的话，你可以不用调音也能做到。通过调整，有可能在测试中重新训练，以至于会很痛苦。

但总体而言，他的实验有点蹩脚。

 
阿列克谢-伯纳科夫。

我个人认为那里有一个错误。第一个训练的MLP网络--在原始价格上训练的，这是方法论上的废话，突然开始显示与原始价格系列几乎完全重合，而其他预测价格的网络显示它们应该显示的东西--预测重复前一个值；零信息。我认为它的MLP向后移了一格，不管是不是巧合。几年前我自己因误解而这样做，结果总是一样--R^2 <= 0。

而超参数的调整和可读性有什么关系？如果你擅长，你可以不用调音也能做到。如果你有调音，你可能会在考试中过度训练，以至于对你来说会很痛苦。

这是关于文章中的结论：1.回归问题得到了更好的解决；2.MLP显示了更好的结果。

 
迪米特里。

上一次在这样的讨论中向我表达这个想法是由Matemat在4日表达的。

这是一个必然的结果--茶，还在寻找，可怜的家伙....

所以我已经在这里写了这些依赖性的内容。他们在那里。问题是，聪明的叔叔们在交易中放了这样的价差，几乎总能补偿到优势。

而要找到强大的、可盈利的，则需要多年时间，这是肯定的。

 
阿列克谢-伯纳科夫。

所以我已经在这里写了关于这些瘾的文章。他们确实存在。问题是，聪明的叔叔们在交易中强加了这样的价差，几乎总是能补偿边缘的损失。

而要找到强大的、可盈利的，则需要多年时间，这是肯定的。

)没有人争辩说有依赖性!争论的焦点是有利可图的战略。

一个简单的树会给出65-70%正确的蜡烛图颜色定义--你不能用它。即使在二进制策略中，优势也太小了

 
mytarmailS:

从他的研究结果来看，回归的效果最好

仔细看一下他的3张图。

https://cdn-images-1.medium.com/max/800/1*pHoc6M3mpkaLd6IleRZrvQ.png

https://cdn-images-1.medium.com/max/800/1*a_99bupenNcTfPPQZoiB7wA.png

https://cdn-images-1.medium.com/max/800/1*a_99bupenNcTfPFQZZoiB7wA.png

他在那里的数字与图表上的数字不符。对于一个据称在预测价格和实际价格之间有很强匹配的图表，以及另外两个网络没有学到任何东西的图表，也声称有相同的RMSE。而图表也是如此。

我认为，这种分类至少可以提供一些东西。

他做的价格回归根本就是错误的。你不能把原始价格喂给NS（扩大规模也不能解决问题）。他的非静态性将是可怕的。输出是一个所谓的 "转变"--预测是最后收盘价的一个略微修改的值。

1...111112113114115116117118119120121122123124125...3399
新评论