交易中的机器学习：理论、模型、实践和算法交易 - 页 1354 1...134713481349135013511352135313541355135613571358135913601361...3399 新评论 Aleksey Vyazmikin 2019.02.21 04:11 #13531 Yuriy Asaulenko: 保存档案。见附件。Learn.csv - 输入。每一行中的第一个数字是历史的约束，它应该被删除。Cell.scv - 目标。对这一数据的训练应产生以下图表。滤波器大约等于EMA(16)，预测 - 5分钟。我将在以后需要时进行测试。我不确定这个图是训练图还是测试图。 这是测试中的CatBoost--最后的100个数值。 偏差的柱状图。 我取了4000个用于训练，2000个用于验证，还有100行用于测试。我训练了1000棵深度为6的树，RMSE公式（用Poisson 代替）。 附上样本和设置，如果要播放，你需要下载CB并把它放在设置目录中。 在训练样本上，同样的分布并不像你的那样 新增： 模型的应用不正确--概率图变成了... 附加的文件： Setup.zip 587 kb Yuriy Asaulenko 2019.02.21 04:48 #13532 阿列克谢-维亚兹米 金。我不太清楚，你是在哪个样本上得到这个图的--是在训练中还是在测试中？ 这是测试中的CatBoost--最后的100个数值。 偏差的柱状图。 我取了4000个用于训练，2000个用于验证，还有100行用于测试。我训练了1000棵树，深度为6，RMSE公式。 附上样本和设置，如果要播放，你需要下载CB并把它放在设置目录中。 在训练样本上，其分布也不像你的那样 我的图表只对整个样本进行训练。这一次没有做测试。将与训练大致相同。X轴图上的负值去了哪里？而X值的范围 与Y值不一样？怎么说呢？我有一个比较预测值和实际值（目标）的图表。没有分配。 Aleksey Vyazmikin 2019.02.21 04:58 #13533 尤里-阿索连科。 我的图表只对整个样本进行训练。我还没有做过这方面的测试。将与培训大致相同。图中X轴上的负值在哪里？而X值的范围 与Y值不一样？怎么说呢？我有一个比较预测值和实际值的图表。是的，我以前没有做过回归，有很多不明显的适配函数，相对于分类来说，给出的结果不同，我取错了值。 这里是测试样本。 这是训练样本--4,000行。 测试样本的偏差柱状图 下面是3个样本的总体图。 用来训练测试样本的指标 他说，我们本可以在250次迭代时停止训练，模型被重新训练。 Yuriy Asaulenko 2019.02.21 05:08 #13534 阿列克谢-维亚兹米 金。是的，我以前没有做过回归，有很多模糊的适配函数，不像分类，会有不同的结果，我取错了值。 这里是测试样本。 这里是训练样本--4000行。 测试样本的偏差柱状图 下面是3个样本的一般图表 似乎没有问题。在测试中，也是如此。虽然经过了重新培训）。 Aleksey Vyazmikin 2019.02.21 05:10 #13535 Yuriy Asaulenko: 看起来不错。嗯，是的，如果你愿意，你可以改进它--我只是对回归模型 没有经验。因此，主要的预测因素是工作工具 :) 我附上了带有设置的最终版本--它训练了10个具有不同种子的模型。 附加的文件： Setup.zip 588 kb Yuriy Asaulenko 2019.02.21 05:20 #13536 阿列克谢-维亚兹米 金。嗯，是的，如果你想，它可以被改进--我只是没有回归模型的经验。 因此，主要的预测因素是工作工具 :) 有一个按比例的价格系列作为输入。- 20个近似值，仅此而已。这不是关于预测器的问题，而是问题的表述--它是可以解决的。而你的森林会自己想出预测因素）。 Aleksey Vyazmikin 2019.02.21 06:37 #13537 尤里-阿索连科。 在输入处有一个按比例的价格系列。- 有20个近似值，仅此而已。这不是预测者的问题，而是问题的表述--它可以被解决。而你的森林会自己想出预测因素）。是的，这与问题的陈述有关，我同意。只是，我不认为价格是塑造馅饼的面团，需要预测因素来塑造这些馅饼。 Aleksey Vyazmikin 2019.02.21 06:38 #13538 马克西姆-德米特里耶夫斯基。可以改善一个模型的经典技术之一。或者说，找到最佳的一个。蒙特卡洛的原始应用。 https://en.wikipedia.org/wiki/Importance_sampling你在你的文章中没有应用这种方法吗？ Aleksey Vyazmikin 2019.02.21 06:39 #13539 马克西姆-德米特里耶夫斯基。对于非政策性（政策梯度）RL https://medium.com/@jonathan_hui/rl-importance-sampling-ebfb28b4a8c6你能用俄语，用你自己的话解释一下这个想法吗？可以这么说，是用英语）。 Forester 2019.02.21 18:11 #13540 尤里-阿索连科。我们对LPF滤波器的预测相当成功。即使现在我们两个人，甚至不只是NS，而是森林。现在让我们试着预测价格，这完全是一个毫无意义的练习）。我们宁可预测价格预期变化的低频部分，而这（预期）目前是未知的。而在这里，在各种运动的背景下，高频震荡和其他一切。 所以我们得到了以下结果：预测时间是1米TF上的5米。 像往常一样：X是预测值，Y是实际值。好吧，倾斜45度，它看起来像一个长方形，谢谢你没有成为一个圆。如果你在x上向零的右边-左边移动一点，你甚至可以玩到50%多一点的概率（见区域）。 当然，如果能建立各种回归线和分布就更好了，但有必要做切片，至少要做几片--这是后话。 PS 好吧，还有一个使用稍加修改的算法的预测。同样的5分钟在时间框架1米。 已经好多了）。从预测>2和<-2的х开始，如果我们简单地在5分钟内关闭，几乎不会出现亏损的交易。 第二张照片真的很好!算法的哪些变化使之成为可能？ 1...134713481349135013511352135313541355135613571358135913601361...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
保存档案。见附件。
Learn.csv - 输入。每一行中的第一个数字是历史的约束，它应该被删除。
Cell.scv - 目标。
对这一数据的训练应产生以下图表。
滤波器大约等于EMA(16)，预测 - 5分钟。
我将在以后需要时进行测试。
我不确定这个图是训练图还是测试图。
这是测试中的CatBoost--最后的100个数值。
偏差的柱状图。
我取了4000个用于训练，2000个用于验证，还有100行用于测试。我训练了1000棵深度为6的树，RMSE公式（用Poisson 代替）。
附上样本和设置，如果要播放，你需要下载CB并把它放在设置目录中。
在训练样本上，同样的分布并不像你的那样
新增： 模型的应用不正确--概率图变成了...
我不太清楚，你是在哪个样本上得到这个图的--是在训练中还是在测试中？
这是测试中的CatBoost--最后的100个数值。
偏差的柱状图。
我取了4000个用于训练，2000个用于验证，还有100行用于测试。我训练了1000棵树，深度为6，RMSE公式。
附上样本和设置，如果要播放，你需要下载CB并把它放在设置目录中。
在训练样本上，其分布也不像你的那样
我的图表只对整个样本进行训练。我还没有做过这方面的测试。将与培训大致相同。
是的，我以前没有做过回归，有很多不明显的适配函数，相对于分类来说，给出的结果不同，我取错了值。
这里是测试样本。
这是训练样本--4,000行。
测试样本的偏差柱状图
下面是3个样本的总体图。
用来训练测试样本的指标
他说，我们本可以在250次迭代时停止训练，模型被重新训练。
是的，我以前没有做过回归，有很多模糊的适配函数，不像分类，会有不同的结果，我取错了值。
这里是测试样本。
这里是训练样本--4000行。
测试样本的偏差柱状图
下面是3个样本的一般图表
看起来不错。
嗯，是的，如果你愿意，你可以改进它--我只是对回归模型 没有经验。
因此，主要的预测因素是工作工具 :)
我附上了带有设置的最终版本--它训练了10个具有不同种子的模型。
嗯，是的，如果你想，它可以被改进--我只是没有回归模型的经验。
因此，主要的预测因素是工作工具 :)在输入处有一个按比例的价格系列。- 有20个近似值，仅此而已。这不是预测者的问题，而是问题的表述--它可以被解决。而你的森林会自己想出预测因素）。
是的，这与问题的陈述有关，我同意。只是，我不认为价格是塑造馅饼的面团，需要预测因素来塑造这些馅饼。
可以改善一个模型的经典技术之一。或者说，找到最佳的一个。蒙特卡洛的原始应用。
https://en.wikipedia.org/wiki/Importance_sampling
你在你的文章中没有应用这种方法吗？
对于非政策性（政策梯度）RL
https://medium.com/@jonathan_hui/rl-importance-sampling-ebfb28b4a8c6
你能用俄语，用你自己的话解释一下这个想法吗？可以这么说，是用英语）。
我们对LPF滤波器的预测相当成功。即使现在我们两个人，甚至不只是NS，而是森林。现在让我们试着预测价格，这完全是一个毫无意义的练习）。我们宁可预测价格预期变化的低频部分，而这（预期）目前是未知的。而在这里，在各种运动的背景下，高频震荡和其他一切。
所以我们得到了以下结果：预测时间是1米TF上的5米。
像往常一样：X是预测值，Y是实际值。好吧，倾斜45度，它看起来像一个长方形，谢谢你没有成为一个圆。如果你在x上向零的右边-左边移动一点，你甚至可以玩到50%多一点的概率（见区域）。
当然，如果能建立各种回归线和分布就更好了，但有必要做切片，至少要做几片--这是后话。
PS 好吧，还有一个使用稍加修改的算法的预测。同样的5分钟在时间框架1米。
已经好多了）。从预测>2和<-2的х开始，如果我们简单地在5分钟内关闭，几乎不会出现亏损的交易。