交易中的机器学习：理论、模型、实践和算法交易 - 页 1342 1...133513361337133813391340134113421343134413451346134713481349...3399 新评论 revers45 2019.02.16 07:07 #13411 弗拉基米尔-佩雷文科。恭喜你。 终端： 增加了API，用于通过使用R 的应用程序从MetaTrader 5终端请求数据。我们准备了一个特别的软件包MetaTraderR。它包含用于R和MetaTrader 5终端之间互动的DLL，文档和辅助R文件。该软件包正在CRAN资源库中注册，并将 在最近的将来可供下载和安装。 让我们等待续集的到来。 祝好运或者甚至是哀悼，因为现在很容易将工作与大数据上的本地mql进行比较，并理解--这是个什么垃圾...) Maxim Dmitrievsky 2019.02.16 13:59 #13412 阿列克谢-维亚兹米 金。这里有另一种表示样本中模型行为的方法--这里是通过颜色来表示。 TP - 正确的分类 "1" - 绿色 FP - 错误分类 "1" - 红色 FN--错误分类 "0"（实际缺失 "1"）--蓝色 屏幕尺寸很大--通过点击观看更有意思。 而按下两个变体的GIF，为了清晰起见，将进行切换 可以看出，我的模型在市场上的浸润非常少，因为有很多蓝色的东西--我们需要研究不活跃的原因。也许我应该寻找其他停止学习的方法，而不仅仅是靠准确性。当然，我也会把完整性和准确性都设置到一定的限度，但不知什么原因，开发商没有提供这种教育停止的选项，这很可惜。因取值超过范围 而跳过 发现任何有趣的预测因素吗？ Aleksey Vyazmikin 2019.02.16 14:07 #13413 马克西姆-德米特里耶夫斯基。由于特征超过数值范围 而造成的遗漏 你有没有发现任何有趣的预测因素？所以你认为这样的数值在历史上从未被发现过，这就是为什么模型在不活动时形成缺口，即样本不够完整，无法进行训练？ 好吧，我的预测器都很有趣--它们是多年来形成的 :)什么工作更好，我还不知道，我目前正在编写一个脚本，希望能帮助我更好地理解它。 mytarmailS 2019.02.17 11:20 #13414 弗拉基米尔-佩雷文科。恭喜你。 终端： 增加了API，用于通过使用R语言 的应用程序从MetaTrader 5终端请求数据。我们准备了一个特别的软件包MetaTraderR。它包含用于R和MetaTrader 5终端之间互动的DLL，文档和辅助R文件。该软件包正在CRAN资源库中注册，并将 在最近的将来可供下载和安装。 让我们等待续集的到来。 祝好运非常有趣，我们将等待 Aleksey Vyazmikin 2019.02.17 11:53 #13415 树木发出的声音是什么？ 图中Y轴是叶子（二叉树）的编号，X轴是采样字符串（本例中是测试字符串）。图例中的颜色范围--数值取模，显示了叶子的反应。该模型使用7棵树，即每片叶子的一个值会到一行，总共7个，它们被加起来，然后应用logistic函数，例如0的总和将等于0.5。 你可以从图中得出结论，一些叶子在测试样本期没有被激活，即训练和测试样本中的情况没有被重复，你也可以注意到有大量的低反应的叶子（红色），这些叶子对结果没有明显的影响，表明更可能是噪音或逻辑上相似条件的不统一。 该模型在市场上的图表 精度平衡图 仅以模型为例，它包含少量的叶子（树）。 Yuriy Asaulenko 2019.02.17 20:01 #13416 我试图在Python中训练一个神经网络。这个包是scikit-learn，NS本身是sklearn.neural_network.MLPRegressor。神经元超过100，隐藏层-7，输入-19，输出-1。任务是预测一个随机过程。 这个任务是人为的，是在噪声发生器上做的，所以这个噪声在理论上是可以预测的。试了一下，前面有几个数。 对5千个随机选择的点进行预测和实际比较的结果。 X是预测值，Y是实际值。它们都非常接近于45度的直线。也就是说，预测几乎是完美的（在人工样本上）。 学习速度非常快--24个历时。在时间上，大约10秒。 我必须说我非常惊讶。我非常努力地想隐藏数据。我很惊讶她找到了它。一般来说，接近于神秘主义）。 结论。NS sklearn.neural_network.MLPRegressor是相当可用的。我还没有试过分类器。 已经在市场上做了一些尝试，到目前为止没有结果。没有搜索，说那里什么都没有，虽然这个任务与人工生成的任务是同一类的。 [删除] 2019.02.17 21:28 #13417 尤里-阿索连科。试图在Python中训练一个神经网络。这个包是scikit-learn，NS本身是sklearn.neural_network.MLPRegressor。神经元超过100，隐藏层-7，输入-19，输出-1。任务是预测一个随机过程。 这个任务是人为的，是在噪声发生器上做的，所以这个噪声在理论上是可以预测的。试了一下，前面有几个数。 对5千个随机选择的点进行预测和实际比较的结果。 X是预测值，Y是实际值。它们都非常接近于45度的直线。也就是说，预测几乎是完美的（在人工样本上）。 学习速度非常快--24个历时。在时间上，大约10秒。 我必须说我非常惊讶。我非常努力地想隐藏数据。我很惊讶她找到了它。一般来说，接近于神秘主义）。 结论。NS sklearn.neural_network.MLPRegressor是相当可用的。我还没有试过分类器。 已经在市场上 做了一些尝试，到目前为止没有结果。不搜索，说那里什么都没有，尽管这个任务 与人工生成的任务是同一类 的。这不是同一类的任务。市场不是一个噪音发生器。 Yuriy Asaulenko 2019.02.17 23:00 #13418 Oleg avtomat:这是个不属于同一级别的任务。市场不是一个噪音发生器。这个问题是非常有意义的））。给出你的型号，如果有可能在NS中驾驶，同时并检查这台拖拉机是否工作）。 Женя 2019.02.18 00:13 #13419 尤里-阿索连科。任务是预测一个随机过程。 这个任务是人为的，是在一个噪声发生器上完成的，因此这个噪声在理论上是可以预测的。试了一下，前面有几个数。 结果是在5,000个随机选择的点上对预测和真实进行比较。 也就是说，预测几乎是完美的（在人工样本上）。所以，数据不是随机的，否则怎么解释。 [删除] 2019.02.18 02:04 #13420 尤里-阿索连科。这是一个没有意义的问题）。给我们提供你的型号，如果可以在NS中驾驶，我们会检查这个拖拉机是否有效）。这个问题完全没有实际意义。而这正是你的NS所说的，对噪声发生器相当有效，但对市场BP无效，其结果是"没有搜索，说那里没有东西"。 1...133513361337133813391340134113421343134413451346134713481349...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
恭喜你。
终端： 增加了API，用于通过使用R 的应用程序从MetaTrader 5终端请求数据。
我们准备了一个特别的软件包MetaTraderR。它包含用于R和MetaTrader 5终端之间互动的DLL，文档和辅助R文件。该软件包正在CRAN资源库中注册，并将 在最近的将来可供下载和安装。
让我们等待续集的到来。
祝好运
或者甚至是哀悼，因为现在很容易将工作与大数据上的本地mql进行比较，并理解--这是个什么垃圾...)
这里有另一种表示样本中模型行为的方法--这里是通过颜色来表示。
TP - 正确的分类 "1" - 绿色
FP - 错误分类 "1" - 红色
FN--错误分类 "0"（实际缺失 "1"）--蓝色
屏幕尺寸很大--通过点击观看更有意思。
而按下两个变体的GIF，为了清晰起见，将进行切换
可以看出，我的模型在市场上的浸润非常少，因为有很多蓝色的东西--我们需要研究不活跃的原因。也许我应该寻找其他停止学习的方法，而不仅仅是靠准确性。当然，我也会把完整性和准确性都设置到一定的限度，但不知什么原因，开发商没有提供这种教育停止的选项，这很可惜。
因取值超过范围 而跳过
发现任何有趣的预测因素吗？
由于特征超过数值范围 而造成的遗漏
你有没有发现任何有趣的预测因素？
所以你认为这样的数值在历史上从未被发现过，这就是为什么模型在不活动时形成缺口，即样本不够完整，无法进行训练？
好吧，我的预测器都很有趣--它们是多年来形成的 :)什么工作更好，我还不知道，我目前正在编写一个脚本，希望能帮助我更好地理解它。
恭喜你。
终端： 增加了API，用于通过使用R语言 的应用程序从MetaTrader 5终端请求数据。
我们准备了一个特别的软件包MetaTraderR。它包含用于R和MetaTrader 5终端之间互动的DLL，文档和辅助R文件。该软件包正在CRAN资源库中注册，并将 在最近的将来可供下载和安装。
让我们等待续集的到来。
祝好运
非常有趣，我们将等待
树木发出的声音是什么？
图中Y轴是叶子（二叉树）的编号，X轴是采样字符串（本例中是测试字符串）。图例中的颜色范围--数值取模，显示了叶子的反应。该模型使用7棵树，即每片叶子的一个值会到一行，总共7个，它们被加起来，然后应用logistic函数，例如0的总和将等于0.5。
你可以从图中得出结论，一些叶子在测试样本期没有被激活，即训练和测试样本中的情况没有被重复，你也可以注意到有大量的低反应的叶子（红色），这些叶子对结果没有明显的影响，表明更可能是噪音或逻辑上相似条件的不统一。
该模型在市场上的图表
精度平衡图
仅以模型为例，它包含少量的叶子（树）。
我试图在Python中训练一个神经网络。这个包是scikit-learn，NS本身是sklearn.neural_network.MLPRegressor。神经元超过100，隐藏层-7，输入-19，输出-1。任务是预测一个随机过程。
这个任务是人为的，是在噪声发生器上做的，所以这个噪声在理论上是可以预测的。试了一下，前面有几个数。
对5千个随机选择的点进行预测和实际比较的结果。
X是预测值，Y是实际值。它们都非常接近于45度的直线。也就是说，预测几乎是完美的（在人工样本上）。
学习速度非常快--24个历时。在时间上，大约10秒。
我必须说我非常惊讶。我非常努力地想隐藏数据。我很惊讶她找到了它。一般来说，接近于神秘主义）。
结论。NS sklearn.neural_network.MLPRegressor是相当可用的。我还没有试过分类器。
已经在市场上做了一些尝试，到目前为止没有结果。没有搜索，说那里什么都没有，虽然这个任务与人工生成的任务是同一类的。
试图在Python中训练一个神经网络。这个包是scikit-learn，NS本身是sklearn.neural_network.MLPRegressor。神经元超过100，隐藏层-7，输入-19，输出-1。任务是预测一个随机过程。
这个任务是人为的，是在噪声发生器上做的，所以这个噪声在理论上是可以预测的。试了一下，前面有几个数。
对5千个随机选择的点进行预测和实际比较的结果。
X是预测值，Y是实际值。它们都非常接近于45度的直线。也就是说，预测几乎是完美的（在人工样本上）。
学习速度非常快--24个历时。在时间上，大约10秒。
我必须说我非常惊讶。我非常努力地想隐藏数据。我很惊讶她找到了它。一般来说，接近于神秘主义）。
结论。NS sklearn.neural_network.MLPRegressor是相当可用的。我还没有试过分类器。
已经在市场上 做了一些尝试，到目前为止没有结果。不搜索，说那里什么都没有，尽管这个任务 与人工生成的任务是同一类 的。
这不是同一类的任务。
市场不是一个噪音发生器。这是个不属于同一级别的任务。
市场不是一个噪音发生器。这个问题是非常有意义的））。给出你的型号，如果有可能在NS中驾驶，同时并检查这台拖拉机是否工作）。
任务是预测一个随机过程。
这个任务是人为的，是在一个噪声发生器上完成的，因此这个噪声在理论上是可以预测的。试了一下，前面有几个数。
结果是在5,000个随机选择的点上对预测和真实进行比较。
也就是说，预测几乎是完美的（在人工样本上）。
所以，数据不是随机的，否则怎么解释。
这是一个没有意义的问题）。给我们提供你的型号，如果可以在NS中驾驶，我们会检查这个拖拉机是否有效）。
这个问题完全没有实际意义。而这正是你的NS所说的，对噪声发生器相当有效，但对市场BP无效，其结果是"没有搜索，说那里没有东西"。