Рыночные закономерности зависят от интервалов внутри суток или недели. По этой причине разумно ограничивать торговлю ТС по времени. Например, есть скальперские ТС, хорошо торгующие кроссы на азиатско-американской торговой сессии. Или же практикуется выключение ТС в период высокой волатильности. Соответственно, встает задача, как найти наилучшее...
Изначально целью построения торговой системы является предсказание поведения некоторого рыночного инструмента, например, валютной пары. Цели предсказания могут быть разными, мы же ограничимся предсказанием трендов, а точнее предсказанием роста («лонгов») или падения («шортов») значений котировки валютной пары. Обычно, для решения проблемы...
我的机器人总是处于上升状态。我不知道什么时候可以一次下一个订单,我只是不知道如何马上打开它。所以我需要知道机器人什么时候可能做得比平时差......因为风险有限,我的利润纯粹是一个时间问题......有时你必须等待一个星期......。而在一个星期内,如果没有这种缩水,你可以赚得更多......
马丁和拉倒是两个不可分割的朋友
而且,无论你如何顺应潮流/浮动,它都将永远如此。
PS
请给我一个教科书的链接,好吗?
请教,因为懒得看1200页,这里有没有人尝试过根据封闭式EA的交易结果来实现机器学习?
https://www.mql5.com/ru/code/22710
马丁和拉倒是两个不可分割的朋友
而且无论趋势/浮动如何,它将永远是这样的。
PS
你有手册的链接吗?
马丁和拉倒是两个不可分割的朋友
而且无论趋势/浮动如何,它将永远是这样的。
PS
你有手册的链接吗?
在模型创建上确定盈利模型(1)的初步结果(因为我还没有做所有的预测因子)并不是那么糟糕,这里是按y--独立样本中的利润,以及按x--1--TP+FP和0--TN+FN的分类。
目标是2000年的利润,好在到目前为止还没有实现,但只有3个模型从960点进入亏损区,这不是一个坏结果。
共轭表
未分类的平均财务结果是1318.83,分类后1-2221.04,0-1188.66,所以分类后模型的平均财务结果增加了68%,这还不错。
然而,这个模型是否能与基于其他数据的模型一起工作还不清楚。
Logloss训练--令人惊讶的是,测试样本(模型是自动采样的--不是训练样本)和独立的(考试)Logloss_e几乎完美收敛。
召回也是如此。
而精确性指标让我感到惊讶,因为默认情况下,它通常用于模型选择,我没有训练,因为它在第一棵树上立即等于1。
但是测试和考试的不同指标--结果让我非常惊讶--一个非常小的三角洲。
当然,从图表中我可以看到模型被过度训练了,我本可以在3500棵树甚至更早的时候停止训练,但我没有调整模型,数据实际上是用默认设置的。
某个地方的错误,没有所谓的均匀测试和轨道。或圣杯,然后分享 :D
这不是圣杯,我的副本中还有10万个模型,对他们来说结果不是很好--所有盈利的模型都只得到2%,但盈利的也得到了太多。
我认为这是封闭系统的影响,即某种静止性,因为这些模型彼此相似,我只是设法很好地识别它们的特征,所以结果之间有这么小的差异。
我正在整理计划中的预测因素,我想到的是--也许我应该立即删除那些我自己不会选择的模型(大的缩水,购买和销售之间的强烈不相称,非常小的概率分布,等等),那么关于明显不好的模型的信息会减少,但会更加强调从假设的好的模型中选择一个模型(当然,测试中的好模型可能对测试样本有不好的结果)。所以我不知道是否要削减样本,你怎么看?
另外,我将拒绝把裸利润作为目标--我将根据一些标准来选择模型--唉,这将减少目标 "1",但也许会有更深的联系,可以根据测试结果来评估模型。
你能不能给我一些建议,因为我懒得看1200页? 有没有人尝试过根据专家顾问的平仓订单的交易结果来实现机器学习?
没有必要阅读这个主题,相信我,你会扔掉你的想法,试着马上做,因为这里的左转之前 的趋势。这是一个很好的关于在算法交易中使用IR的入门课程,但总的来说,IR是一个非常广泛的学科,事实上IR是经典统计学的延伸,主要是用启发式和工程技巧,所以它不是一门科学,而是一种技术性的萨满教,一方面很有趣,但另一方面又充满了投机和滥用。如果你可能对指标开发感兴趣,你可能会忘记你原来做的事情,而MO是一个无底洞,你可能潜入其中,永远不会出来。 此外,你应该有良好的数学背景,至少有工程学士学位,以便处理指标而不是枯燥的库和包的参数。
不是圣杯,还有10万个模型,结果对他们来说不是很好--是的,它很好地削减了完全不盈利的模型--只有2%,但它也削减了太多的盈利模型。
我认为这是封闭系统的影响,即某种静止性,因为这些模型彼此相似,我只是设法很好地识别它们的特征,所以结果之间有如此小的差异。
我正在整理计划中的预测因素,我想到的是--也许我应该立即删除那些我自己不会选择的模型(大的缩水,购买和销售之间的强烈不相称,非常小的概率分布,等等),那么关于明显不好的模型的信息会减少,但会更加强调从假设的好的模型中选择一个模型(当然,测试中的好模型可能对测试样本有不好的结果)。所以我不知道是否要剪掉这个样本,你怎么看?
好吧,我也将放弃把裸利润作为目标--我将通过一些标准来选择模型--唉,这将减少目标 "1",但也许会有更深的联系,允许通过测试结果来评估模型。
嗯,当然,如果有一个明显的无用的东西,你可以删除它