交易中的机器学习:理论、模型、实践和算法交易 - 页 125 1...118119120121122123124125126127128129130131132...3399 新评论 Andrey Dik 2016.08.26 08:59 #1241 阿列克谢-伯纳科夫。你是在历史上评估战略的表现,还是有一个长期的前进?地狱可以在对历史的评价中。在势头上进入,在一些条件下通过OR 退出。原则上说,这是个好办法。但是,如果你在高峰期进入,然后等待一年时间来摆脱缩减... 我在外汇市场上检查它。如果他们在一个高峰期进入--这有SL的作用。 mytarmailS 2016.08.26 09:27 #1242 安德烈-迪克更多细节:在当前条形上的买入信号,如买入,计算最少条形的数量,向前看......。我也有一个类似的版本,你可以把它抹平,我在大约100页之前告诉过你,但这是在一个更抽象的层面上...我们不知道如何交易,在哪里进入,在哪里退出。这就是为什么我们发明的一切(趋势、ZZ、烛台颜色、反弹)都是试图描述市场运动的无稽之谈,主观主义就是如此。每个人都选择了自己的方向,每个人都在其中挖掘--有些人使用烛台颜色,有些人使用ZZ,我个人使用ZZ反弹,等等。这都是非常主观的,这就是我们之间的区别,尽管在本质上我们都做同样的事情,结果也是一样。我建议采取将我们所有人团结在一起的东西,而且不会是主观的,即目标的形式--我们可以说是愿望"我想让算法赚取min。每周5%,最大缩水。2%"正常的目标吗?每个人都喜欢和适合,对吗?而且一切都很清楚...你不必根据我们设计的目标(如 GZ和其他目标)来训练净值,这些目标是主观的,但你必须训练净值,以寻找利润或缩水的某个最低或最高值,或锐利比率或PV或这些指标的组合。我不在乎你是如何交易的,但每周我都应该获得+5%的收益,缩水幅度不超过2%.....。让网本身进行交易,并确定是否有趋势或反转,事实上,我们所关心的是利润和缩水,我们控制的是利润和缩水,我们不知道如何交易,所以我们不应该陷入....。如何做到这一点...有一些网络已经在教我们玩游戏,特别是超级马里奥http://gekkoquant.com/2016/03/13/evolving-neural-networks-through-augmenting-topologies-part-1-of-4/, 我建议用同样的方式来教网络,让我们用一个比喻......1)有一个环境--吐痰的乌龟、管道形式的障碍物、需要跳过的箱子等。2)有动作--网络上按下的操纵杆上的按钮,可以控制马里奥3)有积分--对网络的一种奖励4)有一个惩罚--马里奥的死亡一旦进入环境(1),网络就开始按操纵杆的按钮(2),如此反复数千次,直到学会完成关卡,得到合理的分数(3)而不死亡(4)。比喻为交易1)有一个环境--接收进入网络的数据--预测器2)有行动 - 买/卖/不做3)有积分--收到的利润4)有惩罚--获得的提款 Dr. Trader 2016.08.26 09:47 #1243 mytarmailS: 你不应该通过我们开发的目标 来训练网络,如 GZ和其他主观性的目标,而是通过训练网络来寻找一些最小或最大的利润或缩减或锐比或PV或这些指标的组合。我同意,选择的目标是主观的、不合理的。我试着用rneat包做了一个交易模型,它在历史上学会了一点交易,但仍然不能正确预测新的数据。有一个非常重要的区别--在所有这些关于游戏的实验中,模型在每个游戏上被训练了数万次。它的结果是通过玩这些游戏来估计的,可以说是通过对数据的评估来学习。对于外汇交易来说,在数据上的良好表现对于训练来说是不够的,必须让模型在新的数据上也能工作,对于这样的算法来说,这似乎是一个大问题。 mytarmailS 2016.08.26 09:55 #1244 Dr.Trader:1)我同意,选择的目标是主观的,不合理的。我试着用rneat包做了一个交易模型,它在历史上有一些学习,但仍然不能正确预测新的数据。2)对于外汇来说,在训练数据上的良好表现是不够的,模型还需要在新的数据上工作,显然这对这样的算法来说是一个大问题。1)我不知道怎么说才对,但在你的实验中,你没有让网络思考,你没有让它通过设置你的目标进行交易,因此你把网络变成了一个非常简单的模型,它的主要想法是自我学习,而你为它做了,你明白吗?我说让它做交易,让它自己做交易并得出结论。我们控制的是利润和缩减,仅此而已......她要靠自己......。2)是的,这对任何算法都是一个问题,但有希望的是,如果网络训练自己做好交易,没有我们的目标,没有我们的主观主义,那么就有可能更客观地感知新数据,我们已经知道有我们目标的算法如何感知新数据。 Alexey Burnakov 2016.08.26 10:28 #1245 安德烈-迪克 我正在检查前锋的情况。如果你已经进入了高峰期--这有SL。 奴隶制就在那里。 Alexey Burnakov 2016.08.26 10:47 #1246 Dr.Trader: 尽管它是隐含的,我还是想把它加进去,让大家更清楚。通常情况下,模型中的过度学习会产生这样的效果:模型对训练实例的记忆非常准确。学习开始时,模型会推导出一些一般规则,即预测因子的目标值依赖性,但学习越深入,模型中的这些规则就越严格,最终导致完全记忆的例子,模型完全无法对新数据进行预测。这是通过交叉验证来处理的,当模型已经学会了一些广义的规则,但还没有开始学习具体的例子时,就停止训练,这在新的数据上会有更好的预测性能。这在依赖性随时间变化而保持不变的数据上非常有效--例如,图像识别或声音识别。但外汇的不同之处在于,发现的许多依赖关系并不随时间推移而持续存在。问题是不仅要在不记忆训练实例的情况下实现学习,而且要以某种方式确保所发现的模式在未来仍然存在。你说的很有道理。图片、声音识别是一个伪静态过程,前提是样本具有代表性,而且对照样本中的图片绘制方式不是给左撇子脑瘫患者的(大致如此,抱歉)。任务更加完整:开发一种相对于目标变量估计预测因子的方法,确保预测因子和目标变量之间的关系是恒定的,并且在新数据上也会存在。根据预测变量在一段时间内的持久性,按其对预测变量的重要性来选择预测因子,这与在单一的大样本上寻找预测因子几乎是一样的。也就是说,如果你在几个连续的样本中选择了在所有图中表现同样好的预测因子,那么对这些图的拟合是很直接的。实质上,在N个预测器中,选择了n个能全面表现良好的预测器(在所有可用样本上)。装好了,接下来是什么?然后是真正的前进,在此基础上,我们观察到一个暴跌。原因是什么呢?原因是在K地块选择预测因子的方法没有在M地块产生类似质量结果的测试。换句话说,所选的每个预测器子集必须在K和M上产生相关的结果。我可以为你选择这样的预测器和一个相应的模型,它不会脱离样本学习,但却能很好地穿越绘图。事实上,这种模型如果把所有的样品都粘在一起,就会学得很好,而我算是用手来做这种粘帖工作。我们需要找到一种方法来选择预测器,使模型在训练和验证时表现得像左图那样。也只有这样,我们才能说该模型通过了样本外检验。不仅仅是一些模型(预测器)在样本外通过。 Alexey Burnakov 2016.08.26 10:50 #1247 桑桑尼茨-弗门科。这里似乎只有我们两个人,因为阿列克谢的立场我不太清楚。我不明白为什么我的立场很复杂。我已经说过,如果我没有看到样本内和样本外的模型表现之间的相关性,那么我就没有产生一个稳健的模型。你要么不明白,要么就没有做过。我的意思是,如果你拟合预测因子或模型参数,使模型在任何地方都能很好地工作,这只是一件很好的事情。该模型将被过度拟合,即使它被保护不被过度拟合。 mytarmailS 2016.08.26 11:05 #1248 阿列克谢-伯纳科夫。原因是在K点选择预测器的方法还没有在M点产生类似质量结果的测试。换句话说,所选的每个预测器子集必须在K和M上产生相关的结果。什么应该与什么相关联? 你怎么做?我也不明白...阿列克谢-伯纳科夫。你要么不明白,要么就没有做过。我想除了你,这里没有人做过)。 СанСаныч Фоменко 2016.08.26 11:55 #1249 Alexey Burnakov: 我不明白为什么我的立场很复杂。我已经说过,如果我没有看到模型在样本内和样本外的表现之间的相关性,那么我就没有产生一个强大的模型。你要么不明白,要么你从来没有做过。我的意思是,如果你拟合预测因子或模型参数,使模型在任何地方都能很好地工作,这只是一件很好的事情。该模型将被过度拟合,即使它被保护不被过度拟合。我想起来了--已经讨论过了,但很抱歉,我忘了。在我看来,你的要求太死板了,而且是以使工具更复杂为代价的,而一个更简单的工具总是比一个复杂的工具要好。我使用以下方案。1.我制定了目标变量2.我发明了一套与我的目标变量有直观联系的预测因子。3.使用我的算法,我筛选出那些因形式原因而被我归结为噪音的预测因素。这通常会给我留下15-20%的原始数字,而这些数字是我编出来的。4.生成一个不少于10000条的大文件5.我把这个文件分为两部分。7000 и 30006.关于7000,我讲授模型,测试和验证7.如果这三个数字都大致相同,那么就进行第8步。 如果不是,我就回到第1步。8.训练好的模型被用于实践中。我通过当前窗口中的一种算法(我使用rfe)来选择预测器。我在H1的输出上做这个选择。Rfe来自我学习模型的集合,从当前窗口的5个或更多预测器中选择。预测器的列表一直在变化,但它是从我在最初训练时得到的集合中挑选出来的。 这整个计划自去年秋天以来一直在真实地有力地运作。但有一个必不可少的但是:这只是EA的一部分。早些时候,我在TA上的EA的寿命不超过半年。现在我没有看到这个问题。 Andrey Dik 2016.08.26 12:19 #1250 mytarmailS: 我也有类似的想法,我在大约100页之前就表达了这个想法,但这是在一个更抽象的层面上......我们不知道如何交易,在哪里进场,在哪里出场,我们根本就不知道。这就是为什么我们发明的一切(趋势、ZZ、烛台颜色、反弹)都是试图描述市场运动的无稽之谈,主观主义就是如此。每个人都选择了自己的方向,每个人都在其中挖掘--有些人使用烛台颜色,有些人使用ZZ,我个人使用ZZ反弹,等等。这都是非常主观的,这就是我们之间的区别,尽管在本质上我们都做同样的事情,结果也是一样。我建议采取将我们所有人团结在一起的东西,而且不会是主观的,即目标的形式--我们可以说是愿望"我想让算法赚取min。每周5%,最大缩水。2%"正常的目标吗?每个人都喜欢和适合,对吗?而且一切都很清楚... 你似乎误解了我的意思。我不告诉网在哪里进入,不使用ZZ或任何其他指标。训练有素的网会 自己选择进入的地方。 1...118119120121122123124125126127128129130131132...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
你是在历史上评估战略的表现,还是有一个长期的前进?地狱可以在对历史的评价中。
在势头上进入,在一些条件下通过OR 退出。原则上说,这是个好办法。但是,如果你在高峰期进入,然后等待一年时间来摆脱缩减...
更多细节:在当前条形上的买入信号,如买入,计算最少条形的数量,向前看......。
我也有一个类似的版本,你可以把它抹平,我在大约100页之前告诉过你,但这是在一个更抽象的层面上...
我们不知道如何交易,在哪里进入,在哪里退出。
这就是为什么我们发明的一切(趋势、ZZ、烛台颜色、反弹)都是试图描述市场运动的无稽之谈,主观主义就是如此。
每个人都选择了自己的方向,每个人都在其中挖掘--有些人使用烛台颜色,有些人使用ZZ,我个人使用ZZ反弹,等等。这都是非常主观的,这就是我们之间的区别,尽管在本质上我们都做同样的事情,结果也是一样。
我建议采取将我们所有人团结在一起的东西,而且不会是主观的,即目标的形式--我们可以说是愿望
"我想让算法赚取min。每周5%,最大缩水。2%"
正常的目标吗?每个人都喜欢和适合,对吗?而且一切都很清楚...
你不必根据我们设计的目标(如 GZ和其他目标)来训练净值,这些目标是主观的,但你必须训练净值,以寻找利润或缩水的某个最低或最高值,或锐利比率或PV或这些指标的组合。
我不在乎你是如何交易的,但每周我都应该获得+5%的收益,缩水幅度不超过2%.....。让网本身进行交易,并确定是否有趋势或反转,事实上,我们所关心的是利润和缩水,我们控制的是利润和缩水,我们不知道如何交易,所以我们不应该陷入....。
如何做到这一点...
有一些网络已经在教我们玩游戏,特别是超级马里奥http://gekkoquant.com/2016/03/13/evolving-neural-networks-through-augmenting-topologies-part-1-of-4/, 我建议用同样的方式来教网络,让我们用一个比喻......
1)有一个环境--吐痰的乌龟、管道形式的障碍物、需要跳过的箱子等。
2)有动作--网络上按下的操纵杆上的按钮,可以控制马里奥
3)有积分--对网络的一种奖励
4)有一个惩罚--马里奥的死亡
一旦进入环境(1),网络就开始按操纵杆的按钮(2),如此反复数千次,直到学会完成关卡,得到合理的分数(3)而不死亡(4)。
比喻为交易
1)有一个环境--接收进入网络的数据--预测器
2)有行动 - 买/卖/不做
3)有积分--收到的利润
4)有惩罚--获得的提款
你不应该通过我们开发的目标 来训练网络,如 GZ和其他主观性的目标,而是通过训练网络来寻找一些最小或最大的利润或缩减或锐比或PV或这些指标的组合。
我同意,选择的目标是主观的、不合理的。我试着用rneat包做了一个交易模型,它在历史上学会了一点交易,但仍然不能正确预测新的数据。
有一个非常重要的区别--在所有这些关于游戏的实验中,模型在每个游戏上被训练了数万次。它的结果是通过玩这些游戏来估计的,可以说是通过对数据的评估来学习。对于外汇交易来说,在数据上的良好表现对于训练来说是不够的,必须让模型在新的数据上也能工作,对于这样的算法来说,这似乎是一个大问题。
1)我同意,选择的目标是主观的,不合理的。我试着用rneat包做了一个交易模型,它在历史上有一些学习,但仍然不能正确预测新的数据。
2)对于外汇来说,在训练数据上的良好表现是不够的,模型还需要在新的数据上工作,显然这对这样的算法来说是一个大问题。
1)我不知道怎么说才对,但在你的实验中,你没有让网络思考,你没有让它通过设置你的目标进行交易,因此你把网络变成了一个非常简单的模型,它的主要想法是自我学习,而你为它做了,你明白吗?
我说让它做交易,让它自己做交易并得出结论。
我们控制的是利润和缩减,仅此而已......她要靠自己......。
2)是的,这对任何算法都是一个问题,但有希望的是,如果网络训练自己做好交易,没有我们的目标,没有我们的主观主义,那么就有可能更客观地感知新数据,我们已经知道有我们目标的算法如何感知新数据。
我正在检查前锋的情况。如果你已经进入了高峰期--这有SL。
尽管它是隐含的,我还是想把它加进去,让大家更清楚。
通常情况下,模型中的过度学习会产生这样的效果:模型对训练实例的记忆非常准确。学习开始时,模型会推导出一些一般规则,即预测因子的目标值依赖性,但学习越深入,模型中的这些规则就越严格,最终导致完全记忆的例子,模型完全无法对新数据进行预测。这是通过交叉验证来处理的,当模型已经学会了一些广义的规则,但还没有开始学习具体的例子时,就停止训练,这在新的数据上会有更好的预测性能。
这在依赖性随时间变化而保持不变的数据上非常有效--例如,图像识别或声音识别。但外汇的不同之处在于,发现的许多依赖关系并不随时间推移而持续存在。问题是不仅要在不记忆训练实例的情况下实现学习,而且要以某种方式确保所发现的模式在未来仍然存在。
你说的很有道理。图片、声音识别是一个伪静态过程,前提是样本具有代表性,而且对照样本中的图片绘制方式不是给左撇子脑瘫患者的(大致如此,抱歉)。
任务更加完整:开发一种相对于目标变量估计预测因子的方法,确保预测因子和目标变量之间的关系是恒定的,并且在新数据上也会存在。
根据预测变量在一段时间内的持久性,按其对预测变量的重要性来选择预测因子,这与在单一的大样本上寻找预测因子几乎是一样的。也就是说,如果你在几个连续的样本中选择了在所有图中表现同样好的预测因子,那么对这些图的拟合是很直接的。
实质上,在N个预测器中,选择了n个能全面表现良好的预测器(在所有可用样本上)。装好了,接下来是什么?然后是真正的前进,在此基础上,我们观察到一个暴跌。原因是什么呢?
原因是在K地块选择预测因子的方法没有在M地块产生类似质量结果的测试。换句话说,所选的每个预测器子集必须在K和M上产生相关的结果。
我可以为你选择这样的预测器和一个相应的模型,它不会脱离样本学习,但却能很好地穿越绘图。事实上,这种模型如果把所有的样品都粘在一起,就会学得很好,而我算是用手来做这种粘帖工作。
我们需要找到一种方法来选择预测器,使模型在训练和验证时表现得像左图那样。
也只有这样,我们才能说该模型通过了样本外检验。不仅仅是一些模型(预测器)在样本外通过。
这里似乎只有我们两个人,因为阿列克谢的立场我不太清楚。
我不明白为什么我的立场很复杂。我已经说过,如果我没有看到样本内和样本外的模型表现之间的相关性,那么我就没有产生一个稳健的模型。你要么不明白,要么就没有做过。
我的意思是,如果你拟合预测因子或模型参数,使模型在任何地方都能很好地工作,这只是一件很好的事情。该模型将被过度拟合,即使它被保护不被过度拟合。
原因是在K点选择预测器的方法还没有在M点产生类似质量结果的测试。换句话说,所选的每个预测器子集必须在K和M上产生相关的结果。
什么应该与什么相关联? 你怎么做?我也不明白...
你要么不明白,要么就没有做过。
我想除了你,这里没有人做过)。
我不明白为什么我的立场很复杂。我已经说过,如果我没有看到模型在样本内和样本外的表现之间的相关性,那么我就没有产生一个强大的模型。你要么不明白,要么你从来没有做过。
我的意思是,如果你拟合预测因子或模型参数,使模型在任何地方都能很好地工作,这只是一件很好的事情。该模型将被过度拟合,即使它被保护不被过度拟合。
我想起来了--已经讨论过了,但很抱歉,我忘了。
在我看来,你的要求太死板了,而且是以使工具更复杂为代价的,而一个更简单的工具总是比一个复杂的工具要好。
我使用以下方案。
1.我制定了目标变量
2.我发明了一套与我的目标变量有直观联系的预测因子。
3.使用我的算法,我筛选出那些因形式原因而被我归结为噪音的预测因素。这通常会给我留下15-20%的原始数字,而这些数字是我编出来的。
4.生成一个不少于10000条的大文件
5.我把这个文件分为两部分。7000 и 3000
6.关于7000,我讲授模型,测试和验证
7.如果这三个数字都大致相同,那么就进行第8步。 如果不是,我就回到第1步。
8.训练好的模型被用于实践中。我通过当前窗口中的一种算法(我使用rfe)来选择预测器。我在H1的输出上做这个选择。Rfe来自我学习模型的集合,从当前窗口的5个或更多预测器中选择。预测器的列表一直在变化,但它是从我在最初训练时得到的集合中挑选出来的。
这整个计划自去年秋天以来一直在真实地有力地运作。但有一个必不可少的但是:这只是EA的一部分。早些时候,我在TA上的EA的寿命不超过半年。现在我没有看到这个问题。
我也有类似的想法,我在大约100页之前就表达了这个想法,但这是在一个更抽象的层面上......
我们不知道如何交易,在哪里进场,在哪里出场,我们根本就不知道。
这就是为什么我们发明的一切(趋势、ZZ、烛台颜色、反弹)都是试图描述市场运动的无稽之谈,主观主义就是如此。
每个人都选择了自己的方向,每个人都在其中挖掘--有些人使用烛台颜色,有些人使用ZZ,我个人使用ZZ反弹,等等。这都是非常主观的,这就是我们之间的区别,尽管在本质上我们都做同样的事情,结果也是一样。
我建议采取将我们所有人团结在一起的东西,而且不会是主观的,即目标的形式--我们可以说是愿望
"我想让算法赚取min。每周5%,最大缩水。2%"
正常的目标吗?每个人都喜欢和适合,对吗?而且一切都很清楚...