交易中的机器学习：理论、模型、实践和算法交易 - 页 127

[СанСаныч Фоменко]

阿列克谢-伯纳科夫。

你是如何确定这一点的？你是否跟踪了你的预测器在当时未知的未来的表现？

为什么不是一个未知的未来？在历史上一切都知道。我在1-10块瓷砖上学习它，然后用交叉验证法在它们身上测试。然后我获得11、12等的统计数据，并与我在1-10段得到的数据进行比较。即完全类比于真实交易。我在这个主题上已经描述了很多。

[Alexey Burnakov]

桑桑尼茨-弗门科。
为什么不是一个已知的未来？在历史上一切都知道。我在1-10大块上学习它，然后在交叉验证上检查它。然后我得到11、12等的统计数据，并与我在1-10大块的数据进行比较。即完全类比于真实交易。我在这个主题上已经描述了很多。

是的，我也是这么想的。

而你以这种方式经历了多少种不同的模式变化？是否会出现这样的情况：在第11、12等块上，模型的表现比训练块上的表现更差，而你又重新开始？

[СанСаныч Фоменко]

阿列克谢-伯纳科夫。

是的，我也是这么想的。

而你以这种方式经历了多少种不同的模型变化？是否曾经出现过这样的情况：在11、12......等块上，模型的表现比在训练块上差，而你又重新开始？

变化约为2-3%，平均为27-28%。它是作为与平均值的偏差的变化。

你所写的是应该减少学习误差。我还没有这样做。对于我的预测器来说，GBM是最好的，然后是ada。我使用rf。接下来是SVM和最差的nnet。如你所见，我没有使用最好的模型。

[Alexey Burnakov]

桑桑尼茨-弗门科。

变化约为2-3%，平均为27-28%。它是作为与平均值的偏差的变化。

你所写的是应该减少学习误差。我没有这么做。对于我的预测器来说，GBM是最好的，然后是ada。我使用rf。接下来是SVM和最差的nnet。如你所见，我没有使用最好的模型。

嗯，好的。桑桑尼茨。

如果你的所有模型都得到了或多或少的验证，你就不需要手舞足蹈。

我把信息放在那里供你思考。我使用它，测试自己，把自己从错误中拯救出来。

它是否会帮助你--我不知道。

我认为这些信息不是最无用的。

[СанСаныч Фоменко]

阿列克谢-伯纳科夫。

嗯，好吧。桑桑尼茨。

如果你的所有模型都验证得差不多好，就没有必要跳手鼓舞了。

我布置了信息，使之有意义。我使用它，测试自己，把自己从错误中拯救出来。

它是否会帮助你--我不知道。

我认为这些信息不是最无用的。

我一直饶有兴趣地关注着你的所有帖子。

还有，祝你好运。

[Alexey Burnakov]

SanSanych Fomenko:

我一直饶有兴趣地关注着你的所有帖子。

好运。

谢谢你。

然而，我的印象是，你在预测一些与交易无关的事情。不可能是你的模型这么容易得到60-70%，还能给出准确的信号。我们在这里与过度训练作斗争，而你只是看了看数据，然后说，没有所以没有信号。你的工作看起来像费舍尔的 虹膜预测。消除了一点噪音，一切都静止了。你没有尝试过预测复杂的过程吗，同事。在有很多噪音的地方，你立即拒绝。而除了客户的钱之外，你的利润是什么，一点也不清楚。

另外，你不知道你的预测在未来是如何起作用的，尽管你满怀信心地谈论着它。

[СанСаныч Фоменко]

阿列克谢-伯纳科夫。
谢谢你。

然而，我的印象是，你所预测的东西与交易没有什么关系。不可能是你的模型这么容易得到60-70%，还能给出准确的信号。我们在这里与过度训练作斗争，而你只是看了看数据，然后说，没有所以没有信号。你的工作看起来像费舍尔的虹膜预测。消除了一点噪音，一切都静止了。你没有尝试过预测复杂的过程吗，同事。在有很多噪音的地方，你立即拒绝。而除了客户的钱之外，你的利润是什么，一点也不清楚。

此外，你不知道你的预测在未来是如何运作的，尽管你自信地说。

什么是 "复杂过程 "我不明白。我有一个真正的EA，在终端上挂了一个报价...他们给我的东西就是我们咀嚼的东西。

我已经写过，我在老式TF上的TS中使用预测法，它有三个窗口。高级专题小组确定了方向。但除此之外，EA还有相当大的一套工具，其目的是风险管理。这就是为什么我不能肯定地说，属于ZZ方向的下一根蜡烛的预测误差有多大比例会影响总的结果，但我对这个不感兴趣。

我重复我之前的帖子。R工具，特别是机器学习，我试图用它来解决某个专家顾问的具体问题。不是一般的，而是一个具体的。很有可能在其他TS中，我的方法并不奏效。

关于未来...

它从12月开始工作，并有正常的飞行。与专家顾问中的这个地方的指标不同，有一个工具是重新训练的。滞后现象已被消除。还不够吗？ 一个巨大的进步。是最后的真相吗？不，当然不是。

[Dr. Trader]

阿列克谢-伯纳科夫。

是的。

用M1交叉验证对10次犯规进行一个周期的学习，你的理解是正确的。对于每个学习参数的组合：在9次犯规时学习，在延迟检查时。因此，10次。我们得到了10个折的质量指标的平均值。让我们把它称为M1。

我也做了类似的事情，但我没有移动测试窗口，而是移动了训练窗口。在中间，我将始终有一个移动的训练窗口，而测试数据则在两侧围绕着它。我认为，如果依赖关系不是恒定的，一些 "主导时期 "不断地来回浮动（根据mytarmailS，我自己不擅长频率和傅里叶）--那么在极端（时间上）的情况下训练，在中间的东西上测试是没有意义的，这可以通过极端选项的模型来近似。对于训练，我甚至采取了远低于50%的数据，这也是可以的（至少不会更糟）。

我使用类似这张图片中的外循环的东西，但在蓝色上训练，在灰色上测试。我试图确保无论我采取什么30%的连续数据进行训练，模型都应该能够在其余的数据上进行有利的交易。有一种理论认为，如果我能够用任何10%的连续数据进行训练，训练出一个在整个时期交易良好的模型，那么它在新的数据上也会交易良好。

[mytarmailS]

安德烈-迪克

该方法如下（以下所有内容同样适用于ML和经典的TS）.............

我已经读了三遍，但我不明白（（）。

1）这似乎不是纯粹的ML，它就像一些现有的TS的改进，它有信号输入，只有在这些输入上我们才会输入，这个输入我们分析ML，对吗？

2）当有利润时，我们就关闭交易。当交易处于亏损状态时，我们就持仓，为什么要这样做？

3）什么时候买，什么时候卖？

我可以装傻，我为之疯狂），但我不明白你写的东西，也许你可以给我看一张图片或一个方案......

[mytarmailS]

我看到一个博客，几乎要哭了，这个人做的几乎是我曾经想出来并决定实施的想法，正是这个想法，我在一年前开始学习编程。

https://www.r-bloggers.com/time-series-matching-with-dynamic-time-warping/

我还以为我的想法很独特呢））））。年轻、天真...当然，我没有使用DTW，因为我根本不了解它。