交易中的机器学习：理论、模型、实践和算法交易 - 页 139

[СанСаныч Фоменко]

这一切听起来都是学术性的。

我记得有超过10万次的观察，即使是原始的cotier也几乎是静止的。

那又怎样？

毕竟，我们很可能是在一个有100-150个观察值的窗口中在终端上工作。一般来说，窗口的尺寸应该是多少？为了什么呢？

如果用于去除噪声预测器，则需要一个大的数字，可能达到10000个。你需要100,000个来消除噪声预测器吗？

实际上，样本量必须与市场的一些固定特征有一定的关系。在讨论的案例中，噪声预测器在相当大的时间间隔内应该是如此。

这是去除噪音的阶段。

下一步是训练模型，以确保模型不会被过度训练。

如果我们设法找到一组预测因子，模型不会被过度训练，那么其他一切都有意义。否则，任何谈话都是彻底的空洞。我们不要忘记，使用指标建立一个明知故犯的重新训练的TS要比使用所有那些人工智能的小工具容易得多，其结果我们仍然会得到一个过度训练的TS。

因此，我们有某一组预测器，不会导致重新训练。盈利值并不重要，主要的是要有这样的盈利能力，而且在不同的样本中不会有很大的波动。

而现在是下一步。

我们取一个小窗口=100-500个观测值，用它来教导模型选择预测因子，例如，通过rfe。它将进一步减少预测器的集合。通过两次的经验。

使用这个减少的预测器集，我们完全提前一步进行预测。这种预测通常应该有一个置信区间--这就是风险。

我们在预测中进行交易。也就是说，我们预测第二天，在M5上进行交易。在预测的一半运动中，我们把TP。

在退出所有位置时，我们转移窗口，通过rfe选择预测器并再次预测。

预测误差是每一步的误差，而不是一次性的。

但实际价值不是这个值，而是至少在测试器中的利润/损失系数或其他东西的值。

[Alexey Burnakov]

桑桑尼茨-弗门科。

这一切听起来很学术。

///

我会用一句话取代你所有的结论：非噪声预测器将在无限大的样本上发挥作用。因此，应在尽可能大的样本上进行噪声筛选。

如果你的 "非噪声预测器 "在商的有限样本上工作，那么它们就是局部噪声。

[Vladimir Perervenko]

Alexey Burnakov:

好的，读起来会很有趣。

CNN本身不是一个递归网络。

说到卷积网络。这种神经网络不是为解决回归问题而设计的。这就是为什么公共实验的结果令人失望的原因。

CNN要解决的任务是分类、定位、检测和分割。

所以，这些都是 "边上的注释"。

祝好运

[Alexey Burnakov]

弗拉基米尔-佩雷文科。

说到卷积网络。这种神经网络不是为解决回归问题而设计的。这就是为什么公共实验的结果是令人遗憾的。

CNN所解决的任务是分类、定位、检测、分割。

那些只是 "边上的注释"。

祝好运

你确定分类不能表示为回归，反之亦然吗？毕竟，这个区块是在全连接层上解决的，那里有什么区别？你是否有一个pruf？

顺便说一下，结果并不令人惋惜。为什么如此决定？只是，有关的功能相当复杂，网络不再能将其与噪音区分开来（我指的是一个完整的网状网络）。你自己解决了吗，还是我们在蛊惑人心？

[mytarmailS]

伙计们，谁有盘中报价，最好是M5指数，需要三个工具，至少50,000根蜡烛

1）欧洲斯托克50指数或欧洲斯托克600 指数

2）道琼斯或标准普尔500指数或纳斯达克指数

3)欧元/美元对

你有吗，请让我知道，以便进行实验，我将不胜感激。

[СанСаныч Фоменко]

阿列克谢-伯纳科夫。

如果你的 "非噪声预测器 "在有限的商数段上工作，那么它们就是局部噪声。

你想在最长的可能样本上证明什么？有效市场假说？外面有一群无知的人，包括宣扬这种假说的破产者。

而我，则是在谈论工具的一个非常具体的应用。对我来说，这种特殊性被概括为这句话。"预付一半的回报"。在这个框架中，最佳的预测范围是1周，为了让人放心--2个月。

其他一切都必须根据利润的提取进行精确调整。在这里和现在。87年之前发生的事情并不有趣。97年之前发生的事情并不有趣，如果我们再往前走，下一个前沿就是2007年。当选择一个时间段来确定噪音预测因素时，人们必须有某种有意义的考虑，即前一个时期将与未来相似。英国脱欧后的一切运作与脱欧前一样吗？ 美国大选后会发生什么？有与政治无关的政治冲击和股市崩盘，它们将历史数据分成几块。

[mytarmailS]

视频 -https://www.youtube.com/watch?v=-INzzOXxkhU

在我看来，这里是正确的发展方式之一，它全面地解决了噪声选择和再训练的问题（当然，都是理论上的）。

1) 我们在历史上寻找重复出现的情况--一种特征选择

2）我们计算价格反应的统计数字，比如说，10次下降和1次增长，结果是我们做了以下工作

1.我们已经确定了具有良好统计数据的强势模式（定性的特征选择）。

2.我们已经理解了模式不会重复（定性的特征选择）。

3.我们基本上对该性状进行了交叉验证，因为我们对其进行了所有的统计计算。

4.我们摆脱了再培训，因为我们已经消除了所有不必要的东西，只留下我们历史上行之有效的东西。

而这一切都在一个瓶子里 :)

p.s.在看视频看指标的时候，我没有看到任何一次他的预测是错误的，这是一个很大的...

[Alexey Burnakov]

桑桑尼茨-弗门科。

你想用尽可能长的样本来证明什么？有效市场假说？外面有一群无名小卒，包括那些宣扬这种假设的破产者。

实际上，我显示的是，在最大的可用样本上，对所选小说的依赖是可重复的，这与你的说法直接相反。纵观历史，市场是无效率的。

我不会对你的其他观点发表评论：那是你的偏好。

[Alexey Burnakov]

mytarmailS:

视频 -https://www.youtube.com/watch?v=-INzzOXxkhU

在我看来，这里是正确的发展方式之一，它全面地解决了噪声选择和再训练的问题（当然，都是理论上的）。

1) 我们在历史上寻找重复出现的情况--一种特征选择

2）我们计算价格反应的统计数字，比如说，10次下降和1次增长，结果是我们做了以下工作

1.我们已经确定了具有良好统计数据的强势模式（定性的特征选择）。

2.我们已经理解了模式不会重复（定性的特征选择）。

3.我们基本上对该性状进行了交叉验证，因为我们对其进行了所有的统计计算。

4.我们摆脱了再培训，因为我们已经消除了所有不必要的东西，只留下我们历史上行之有效的东西。

而这一切都在一个瓶子里 :)

p.s.在看视频看指标时，我没有看到一次他的预测是错误的，这是强烈...

都是真的。

没有看视频，因为我相信你可以装下任何东西，让它看起来很漂亮，有多大的故事。真相并不美好。证明该模型没有被过度训练是非常困难的。

[mytarmailS]

交易员博士。

对我来说，这一切都与风险有关--我试图至少承担一点风险。你可能会创建一个专家顾问，成功交易十几个货币对多年，但为了什么？每年的利润可能会有几个百分点.....

好吧，你甚至还没有试过...:)

只是一个关于我的统计套利实验的小报告。

我还没有决定参数，我已经根据快速测试采取了最好的参数，我也没有去管资金管理问题。

所以说，新的数据 "保持套利踢 "比我使用的那些系统好得多，使用机器学习，它保持得更好10倍 ...

有什么好奇怪的......我在半天的套利实验中的收获比我在半年的机器学习中的收获还要多。这不仅是奇怪的，而且是令人不安的...

第一个问题是，套利有一个很大的问题。

首先是有一个显著的+/-30%的缩减。

而第二种，我仍然想不出有什么办法可以把机器学习附加到它身上 :)