交易中的机器学习：理论、模型、实践和算法交易 - 页 1227 1...122012211222122312241225122612271228122912301231123212331234...3399 新评论 Forester 2018.12.23 18:48 #12261 有毒。 筹码是一毛不拔的笼统，很难说出什么有用的东西，而具体细节，你知道......。 有一些 "规则 "可以让你在用时间序列构建特征时避免严重的错误，特别是其中最违反的是特征与目标的平庸 "混合"，特征应该严格来自过去，而目标来自严格来自未来的点，这种分离应该是在序列转换为数据集的算法层面，而不是像大家所做的各种指标然后切入追踪和测试，转移某处等等。我们应该削减初始系列，然后使用滑动窗口（过去和未来）来运行系列，并分别获得特征和目标，用于Lerne和测试，甚至用于验证。当然，你可以用指标来做，如果你肯定知道指标的特征不是往前看，而对目标来说，它不是往后看。还有一些更微妙的错误，但我现在不说了。 变换本身可能是不同的，从琐碎的（返回者、变化、体积变化、堆栈的delta、交易的分布等）到各种奇特的变换。)几十个通过 "灵感 "或聚类获得的特定定制统计，结果是有用的，如 "趋势/夏季"（上文Inokenty提到），以及 "订单/豪斯 "和其他。有些统计资料对不同的时间段有效，有些则无效，有些功能对某些工具有效，有些则无效，你需要知道如何过滤和选择目标属性。有很多东西，标准ARMA 模型，GARCH ...作为特征的中长期宏观预测，等等。我还没来得及做NLP/NLU 来分析文本流，来自社交网络等。这就是肯定会需要浸润式收入的地方。当我重复弗拉基米尔-佩雷文科的文章时，我做了一个额外的实验--没有任何额外的指标（ 最后一篇文章的数字过滤器），也就是说，纯粹的价格。结果只差了几个百分点。即使如此，我认为这只是NS的训练不太成功（不同的混合和初始化权重，以及OHLC不是来自文章，而是来自我的服务器）。如果需要预测，NS将很容易在其内部制作任何指标。我认为没有必要猜测哪个DF与哪个参数（LPF/FTF/带通或一些MA）对预测有用。NS会自己用OHLC制造一切。 但关于更细微的错误，还是很想知道...... 令人遗憾的是，关于MO对BP的有用信息散布在1200多页中。我希望这一切都在一个地方。如果不是工作思路--那么至少是死胡同，如ZZ、PCA和向前/向后看。 Кеша Рутов 2018.12.23 22:48 #12262 回到地狱去吧。因此，"圣杯 "只能是在超级盗窃的背景下，或者说是在没有这种阴暗的监管的时候，或者是在没有这种监管的情况下，那些可以在危机中直接印钱并用它购买他们的债券的人可以使用的内幕））。我们又来了... 如果你不厌其烦地用你的万亿和内幕来吓唬人，你知道有句话叫 "狗吠声中，大篷车的足迹"，我们不需要你对你留下最后一百英镑的经纪公司的侮辱，世界是不公平的，你是不幸的，而我是幸运的，我将从一百中赚取一百万，如果不是，我将再次尝试，直到我得到它。 不要阻止我们对游艇和岛屿的梦想，并使我们的梦想一步步成为现实。他们甚至不知道在哪里下载沃罗诺夫，也不知道如何区分趋势和平面。 Forester 2018.12.24 06:33 #12263 凯沙-鲁托夫。我们又来了... 你知道他们是怎么说的："杂种狗叫，大篷车跟踪。" 我们不需要你对你留下最后一百英镑的经纪公司的侮辱，世界是不公平的，你是不幸运的，我将是幸运的，我将从一百美元中赚取一百万，如果不是，我将再次尝试，直到我成功。 不要阻止我们对游艇和岛屿的梦想，并使我们的梦想一步步成为现实。他们都是 "大师"，甚至不知道在哪里下载沃罗诺夫，也不知道如何区分趋势和平面。 马上说--你为哪个区政府工作？梦想宣传者。 Maxim Dmitrievsky 2018.12.24 06:54 #12264 我知道没有人试过，但也许。 按盈利/亏损对交易进行排序，分别在将交易划分为不同等级时，对最赚钱的交易给予更多概率，对最不赚钱的交易给予0.5左右的概率。也就是说，只要按照效率对交易进行排序，并为其分配概率，很明显，最有效的交易会出现得更少，而嘈杂的交易会更多。 值得实验吗？误差应该减少吗？ Forester 2018.12.24 07:10 #12265 马克西姆-德米特里耶夫斯基。我知道没有人试过，但也许。 按盈利/亏损对交易进行排序，分别在将交易划分为不同等级时，对最赚钱的交易给予更多概率，对最不赚钱的交易给予0.5左右的概率。也就是说，只要按效率对交易进行分类，并给它们分配概率，很明显，最有效的交易会出现得更少，而嘈杂的交易会更多。 值得实验吗？ 误差应该减少？ 这是回归，但不是通过柱子的高度，而是通过交易的结果（可能你需要的是自学系统）。我不会给出任何建议，因为我已经5个月没有处理IR问题了，现在我正在考虑尝试哪种想法。我想自动减少噪声 预测器的影响。毕竟，在支部成立之初，它就已经完成了。 Ivan Negreshniy 2018.12.24 07:33 #12266 1 2 部分是的，是一种时髦的现象，但这是我的看法，本身 "深度学习 "实际上不是回归/分类本身，而是一种提取相当简单的分层组织的特征的方法从某种类型的数据中，例如从 "真实世界 "进入相机的反射光所绘制的像素图片，其本身的像素亮度，如果你把它们原封不动地塞进分类器中，CNN会做一种 "相邻像素的装饰性关联 "和压缩维度，是非常糟糕的特征。如果我们把图像聚成小片段，也可以做类似的事情，总的来说，"深度学习 "是一种多次聚类，然后把 "高水平的特征 "输入常规分类器。这个话题当然非常有趣，但现在是时候从理论上进行发展了，而不仅仅是用不同结构的神经网络进行 "分析"，用非常慢的Backprop进行训练。但是，我再一次还没有设法使外交工作与市场友好，尽管这个问题是开放的，因为正如你正确指出的那样，在这个方向上进行实验的成本太高了。3 你不必在树叶中放常数，你可以放线性模型，或者更复杂的模型，那么就会有超越点云的 "外推法"))4 你搞错了，森林和提升可以做回归，没问题。3.也就是说，你可以把其他模型组合起来，放在解算器树模型的叶子里，我不知道它是如何工作的，请举一个真实的例子。 4.我并不困惑，我看到了这个问题，因为到目前为止，我还没有遇到像神经网络那样，在有许多输出（因变量）的回归问题的支架上实现。 以MQL库alglib.mqh中的随机森林 构建函数为例 //+------------------------------------------------------------------+ //| This subroutine builds random decision forest. | //| INPUT PARAMETERS: | //| XY - training set | //| NPoints - training set size, NPoints>=1 | //| NVars - number of independent variables, NVars>=1 | //| NClasses - task type: | //| * NClasses=1 - regression task with one | //| dependent variable | //| * NClasses>1 - classification task with | //| NClasses classes. | 即当因变量的数量多于一个时，这个函数只能解决分类问题。带来你对这个问题的解决方法，请用代码说明，毕竟我们是在一个程序员的论坛上:) Ivan Negreshniy 2018.12.24 07:34 #12267 马克西姆-德米特里耶夫斯基。我知道没有人试过，但也许。 按盈利/亏损对交易进行排序，在对交易进行分类时，对最赚钱的交易给予更多的可能性，对最不赚钱的交易给予0.5左右的可能性。也就是说，只要按照效率对交易进行排序，并为其分配概率，很明显，最有效的交易会出现得更少，而嘈杂的交易会更多。 值得实验吗？ 误差应该减少？ 如果是在测试器中，为了间接地通过交易的盈利能力，达到正确的进入点，那么为什么不通过价格系列一次性找到它们，而且是理想的，虽然我已经在蒙特卡洛主题中问过这个问题：) Maxim Dmitrievsky 2018.12.24 07:37 #12268 伊万-内格雷什尼。 如果是在测试器中，为了通过交易的盈利能力间接地找到正确的进入点，为什么不通过价格系列一次性找到它们，而且是理想的，虽然我已经在蒙特卡洛分支中问过了：)那么就会有很少的例子，新的数据会使我们成为一个盲目的失败者，我们需要她在生活中尽可能地 "看到"。你不能只追求一个理想的人字形，因为你将无法找到特征，它应该是一个双刃剑的过程，同时尝试一切:) 我已经在考虑是否要参加更多的课程而不是2个。 Ivan Negreshniy 2018.12.24 07:46 #12269 马克西姆-德米特里耶夫斯基。然后会有很少的例子，对新的数据ns会变得盲目迷失，她应该在她的生活中尽可能地 "看到"。 这是符合逻辑的，但另一方面，对她来说，少看一点，只交易确定的东西，可能比不断发出信号和增加风险要好。 Maxim Dmitrievsky 2018.12.24 07:49 #12270 Ivan Negreshniy: 是合乎逻辑的，但另一方面，少看一点，只交易有把握的东西，而不是不断发出信号，增加风险，可能会更好。好吧，我总是在测试样本中寻找错误。 这种 "肯定的事情 "只出现在人类身上，我们的 "思考 "方式不同。我认为神经网络的思考方式......它并不关心是否有把握，只要它能归纳。 如果你把一些垃圾放在0.5的范围内，而尖峰是质量交易，概括能力是否会提高......当然，你应该检查它，因为你不能 用眼睛做它 1...122012211222122312241225122612271228122912301231123212331234...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
筹码是一毛不拔的笼统，很难说出什么有用的东西，而具体细节，你知道......。
有一些 "规则 "可以让你在用时间序列构建特征时避免严重的错误，特别是其中最违反的是特征与目标的平庸 "混合"，特征应该严格来自过去，而目标来自严格来自未来的点，这种分离应该是在序列转换为数据集的算法层面，而不是像大家所做的各种指标然后切入追踪和测试，转移某处等等。我们应该削减初始系列，然后使用滑动窗口（过去和未来）来运行系列，并分别获得特征和目标，用于Lerne和测试，甚至用于验证。当然，你可以用指标来做，如果你肯定知道指标的特征不是往前看，而对目标来说，它不是往后看。还有一些更微妙的错误，但我现在不说了。
变换本身可能是不同的，从琐碎的（返回者、变化、体积变化、堆栈的delta、交易的分布等）到各种奇特的变换。)几十个通过 "灵感 "或聚类获得的特定定制统计，结果是有用的，如 "趋势/夏季"（上文Inokenty提到），以及 "订单/豪斯 "和其他。有些统计资料对不同的时间段有效，有些则无效，有些功能对某些工具有效，有些则无效，你需要知道如何过滤和选择目标属性。有很多东西，标准ARMA 模型，GARCH ...作为特征的中长期宏观预测，等等。我还没来得及做NLP/NLU 来分析文本流，来自社交网络等。这就是肯定会需要浸润式收入的地方。
当我重复弗拉基米尔-佩雷文科的文章时，我做了一个额外的实验--没有任何额外的指标（ 最后一篇文章的数字过滤器），也就是说，纯粹的价格。结果只差了几个百分点。即使如此，我认为这只是NS的训练不太成功（不同的混合和初始化权重，以及OHLC不是来自文章，而是来自我的服务器）。如果需要预测，NS将很容易在其内部制作任何指标。我认为没有必要猜测哪个DF与哪个参数（LPF/FTF/带通或一些MA）对预测有用。NS会自己用OHLC制造一切。
但关于更细微的错误，还是很想知道......
令人遗憾的是，关于MO对BP的有用信息散布在1200多页中。我希望这一切都在一个地方。如果不是工作思路--那么至少是死胡同，如ZZ、PCA和向前/向后看。
因此，"圣杯 "只能是在超级盗窃的背景下，或者说是在没有这种阴暗的监管的时候，或者是在没有这种监管的情况下，那些可以在危机中直接印钱并用它购买他们的债券的人可以使用的内幕））。
我们又来了...
如果你不厌其烦地用你的万亿和内幕来吓唬人，你知道有句话叫 "狗吠声中，大篷车的足迹"，我们不需要你对你留下最后一百英镑的经纪公司的侮辱，世界是不公平的，你是不幸的，而我是幸运的，我将从一百中赚取一百万，如果不是，我将再次尝试，直到我得到它。
不要阻止我们对游艇和岛屿的梦想，并使我们的梦想一步步成为现实。他们甚至不知道在哪里下载沃罗诺夫，也不知道如何区分趋势和平面。
我们又来了...
你知道他们是怎么说的："杂种狗叫，大篷车跟踪。" 我们不需要你对你留下最后一百英镑的经纪公司的侮辱，世界是不公平的，你是不幸运的，我将是幸运的，我将从一百美元中赚取一百万，如果不是，我将再次尝试，直到我成功。
不要阻止我们对游艇和岛屿的梦想，并使我们的梦想一步步成为现实。他们都是 "大师"，甚至不知道在哪里下载沃罗诺夫，也不知道如何区分趋势和平面。
我知道没有人试过，但也许。
按盈利/亏损对交易进行排序，分别在将交易划分为不同等级时，对最赚钱的交易给予更多概率，对最不赚钱的交易给予0.5左右的概率。也就是说，只要按照效率对交易进行排序，并为其分配概率，很明显，最有效的交易会出现得更少，而嘈杂的交易会更多。
值得实验吗？误差应该减少吗？
我知道没有人试过，但也许。
按盈利/亏损对交易进行排序，分别在将交易划分为不同等级时，对最赚钱的交易给予更多概率，对最不赚钱的交易给予0.5左右的概率。也就是说，只要按效率对交易进行分类，并给它们分配概率，很明显，最有效的交易会出现得更少，而嘈杂的交易会更多。
值得实验吗？ 误差应该减少？
1 2 部分是的，是一种时髦的现象，但这是我的看法，本身 "深度学习 "实际上不是回归/分类本身，而是一种提取相当简单的分层组织的特征的方法从某种类型的数据中，例如从 "真实世界 "进入相机的反射光所绘制的像素图片，其本身的像素亮度，如果你把它们原封不动地塞进分类器中，CNN会做一种 "相邻像素的装饰性关联 "和压缩维度，是非常糟糕的特征。如果我们把图像聚成小片段，也可以做类似的事情，总的来说，"深度学习 "是一种多次聚类，然后把 "高水平的特征 "输入常规分类器。这个话题当然非常有趣，但现在是时候从理论上进行发展了，而不仅仅是用不同结构的神经网络进行 "分析"，用非常慢的Backprop进行训练。但是，我再一次还没有设法使外交工作与市场友好，尽管这个问题是开放的，因为正如你正确指出的那样，在这个方向上进行实验的成本太高了。
3 你不必在树叶中放常数，你可以放线性模型，或者更复杂的模型，那么就会有超越点云的 "外推法"))
4 你搞错了，森林和提升可以做回归，没问题。
3.也就是说，你可以把其他模型组合起来，放在解算器树模型的叶子里，我不知道它是如何工作的，请举一个真实的例子。
4.我并不困惑，我看到了这个问题，因为到目前为止，我还没有遇到像神经网络那样，在有许多输出（因变量）的回归问题的支架上实现。
以MQL库alglib.mqh中的随机森林 构建函数为例
即当因变量的数量多于一个时，这个函数只能解决分类问题。带来你对这个问题的解决方法，请用代码说明，毕竟我们是在一个程序员的论坛上:)
我知道没有人试过，但也许。
按盈利/亏损对交易进行排序，在对交易进行分类时，对最赚钱的交易给予更多的可能性，对最不赚钱的交易给予0.5左右的可能性。也就是说，只要按照效率对交易进行排序，并为其分配概率，很明显，最有效的交易会出现得更少，而嘈杂的交易会更多。
值得实验吗？ 误差应该减少？
如果是在测试器中，为了通过交易的盈利能力间接地找到正确的进入点，为什么不通过价格系列一次性找到它们，而且是理想的，虽然我已经在蒙特卡洛分支中问过了：)
那么就会有很少的例子，新的数据会使我们成为一个盲目的失败者，我们需要她在生活中尽可能地 "看到"。
你不能只追求一个理想的人字形，因为你将无法找到特征，它应该是一个双刃剑的过程，同时尝试一切:)
我已经在考虑是否要参加更多的课程而不是2个。
然后会有很少的例子，对新的数据ns会变得盲目迷失，她应该在她的生活中尽可能地 "看到"。
是合乎逻辑的，但另一方面，少看一点，只交易有把握的东西，而不是不断发出信号，增加风险，可能会更好。
好吧，我总是在测试样本中寻找错误。 这种 "肯定的事情 "只出现在人类身上，我们的 "思考 "方式不同。
我认为神经网络的思考方式......它并不关心是否有把握，只要它能归纳。
如果你把一些垃圾放在0.5的范围内，而尖峰是质量交易，概括能力是否会提高......当然，你应该检查它，因为你不能 用眼睛做它