交易中的机器学习：理论、模型、实践和算法交易 - 页 1532 1...152515261527152815291530153115321533153415351536153715381539...3399 新评论 Aleksey Vyazmikin 2019.09.17 08:19 #15311 阿列克谢-尼古拉耶夫。 或者类似于系统表的组合，并进行滚动重新计算。 我到底应该重新计算什么？ Maxim Dmitrievsky 2019.09.17 08:27 #15312 阿列克谢-尼古拉耶夫。 或者类似于系统列表组合的滑动重新计算的东西。 那么它就是一个多类。做一个第2个模型，将选择哪张是目前最好的交易。优势不明显，更难做。 Aleksey Vyazmikin 2019.09.17 08:36 #15313 马克西姆-德米特里耶夫斯基。 嗯，你必须从理论开始。例如，为销售和购买分别选择模型的意义何在？ 所有不买的就是卖，反之亦然。 我的意识形态是对基本交易策略的改进，该策略是趋势跟踪；因此，它没有规定在空处的翻转--从平处入市，而 "不要进入 "基本上消除了假翻转的突破。 此外，我还试验了在长ZZ峰附近关闭盈利头寸的模型，结果并不令人满意，也就是说，要么是那里的预测能力较低，要么是我的预测器在那里效果不好，也可能是两者都有，所以我没有使用反转策略。相反，我认为在这里训练两个不同的模型会更好。 马克西姆-德米特里耶夫斯基。 当你可以通过一个更高的阈值来过滤条目时。不交易 "类可以被模型赋予不适当的权重，导致模型误差减少，预测（概括）能力普遍下降。 几乎这种方法，用二进制分类来交易/不交易，其中由模型阈值指定，我在CatBoost的实验中使用，但麻烦的是，模型的建立就像一个吸尘器，吸走所有好的和坏的东西，输出是一个快速的模型，但输入的数量很少。 马克西姆-德米特里耶夫斯基。 第二个模型的意义在于，第一个模型会有第一类和第二类的错误--假阳性和假阴性。我们有兴趣清除它们。 要做到这一点，你把相同的特征输入到第二个模型的输入和第一个模型的交易输出，其中0 - 交易是盈利的，1 - 交易是亏损的。训练第二个分类器，只在它显示为0时进行交易，即过滤第一个模型的信号。 亏损交易几乎会在托盘上消失，你必须在测试上进行测试--这就是一个。 你不仅可以在托盘上训练第二个模型，还可以捕捉OOS，然后它将在新数据上纠正交易--这就是两个。然后是测试。 这正是我所做的，只是我没有使用非链接的预测器，而是已经将工作表作为预测器，其中1是预测器中工作表的信号，而目标中的正确分类答案。当然，我的方法不允许找到新的预测者关系，但它确实允许寻找现有关系之间的关系。 我也会试试你的方法，谢谢。然而，在这个概念中，有可能只作为CatBoost模型来实现，以节省时间，但我担心这可能又会把一切都削减得太多。 Aleksey Vyazmikin 2019.09.17 08:37 #15314 马克西姆-德米特里耶夫斯基。 那么它就是一个多类。做一个第2个模型，将选择哪张是目前最好的交易。其优势并不明显，而且更难做。 不，有太多的床单了，这样的分类是行不通的...... Maxim Dmitrievsky 2019.09.17 08:39 #15315 阿列克谢-维亚兹米 金。 我的意识形态是对基本交易策略的改进，而该策略是趋势跟踪， 所以它没有规定在空旷的地方进行翻转--市场 从平坦处进入，"不要进入 "基本上消除了虚假的平坦破位。 此外，我还试验了在长ZZ峰附近关闭盈利头寸的模型，结果并不令人满意，也就是说，要么是那里的预测能力较低，要么是我的预测器在那里效果不好，也可能是两者都有，所以我没有使用反转策略。相反，我认为在这里训练两个不同的模型会更好。 几乎这种方法，用二进制分类来交易/不交易，其中由模型的阈值指定，我在CatBoost的实验中使用，但麻烦的是，模型的建立就像一个吸尘器，吸走所有好的和坏的东西，输出的是一个智能模型，条目数量少。 因此，这正是我所做的，只是我没有使用未捆绑的预测器，而是用床单作为预测器， 其中1是预测器中床单的信号，而正确的分类答案则在目标中。当然，我的方法不允许找到新的预测者关系，但它确实允许寻找现有关系之间的关系。 我也会试试你的方法，谢谢。然而，有可能在给定的概念中只作为CatBoost模型来实现，可能是为了节省时间，但我担心它会再次强烈地削减一切。 反转不应该是这样的，只会被第二模型的错误信号过滤掉。好吧，这取决于执行情况和你想要什么。 那就奇怪了，为什么会有很多亏损的交易，还是OOS的图片？是的，为了使用第二种模式，应该有很多交易要过滤掉，你甚至可以人为地增加交易来达到这个目的（超采样）。 Aleksey Vyazmikin 2019.09.17 09:03 #15316 马克西姆-德米特里耶夫斯基。 不应该有这样的反转，它只是用第二种模式过滤掉错误的信号。好吧，这取决于执行情况和你想要什么。 那就奇怪了，为什么会有很多亏损的交易，还是OOS的图片？是的，我们应该有足够的交易来过滤第2个模型，我们甚至可以为此人为地增加交易（超额采样）。 上述截图是对没有以任何方式参与模型训练的数据进行的测试。 下面是训练的结果，截图--第一张是我对用于训练的数据的汇编表（只取了1/5部分）。 请注意，有52.86%的多头交易是盈利的。 我们在其他床单答案的基础上增加了一棵树。 而结果也有所改善，盈利的多头交易已经变成79.56%。 总而言之，该方法总体上是有效的，但在现实生活中应用时，其产出却不是那么大--为什么呢，可能是用于学习的一些片材没有稳定的连接，或者这些连接很少。每张样本的回复率在1%-3%之间。 Aleksey Vyazmikin 2019.09.17 09:13 #15317 我认为另一个选择是尝试回归而不是分类，准确地分离出高产的叶片组合，也许在货币方面会有更好的效果。 Maxim Dmitrievsky 2019.09.17 09:13 #15318 阿列克谢-维亚兹米 金。 上面的截图是对没有以任何方式参与训练模型的数据进行的测试。 下面是训练的结果，截图是我在训练用的数据上第一次布置的表（只取了1/5部分）。 请注意，有52.86%的多头交易是盈利的。 我们在其他床单答案的基础上增加了一棵树。 而结果也有所改善，盈利的多头交易已经变成79.56%。 总而言之，该方法总体上是有效的，但在现实生活中应用时，输出并不是那么大--为什么呢，可能是用于学习的一些片子没有携带稳定的连接，或者这些连接很少。每张样本的回复率在1%-3%左右。 好吧，如果你只是试图改善你所拥有的东西，那就是福尔德的选择。把它分成几块，第一块训练一些内容，第二块训练其他内容。我曾做过多达500次的犯规。当然，你可以做得更少。某种程度上的改进。 Aleksey Vyazmikin 2019.09.17 09:17 #15319 马克西姆-德米特里耶夫斯基。 好吧，如果你只是试图改善你所拥有的，这就是犯规的选择。把它分成几块，第一块训练一些内容，第二块训练其他内容。我已经做了多达500次的犯规。当然，你可以做得更少。它给予了一些改善。 把样本分成几块，训练多个模型，还是什么？ 虽然我的样本只有大约14000行... Maxim Dmitrievsky 2019.09.17 09:18 #15320 阿列克谢-维亚兹米 金。 把样本分成几部分，训练多个模型，还是什么？ 虽然我只有大约14,000行的样本... 我在上面写道。基本模型在一半的块状物上，第二个修正模型在另一半上 5-10次犯规就够了，也许更多 1...152515261527152815291530153115321533153415351536153715381539...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
或者类似于系统表的组合，并进行滚动重新计算。
我到底应该重新计算什么？
或者类似于系统列表组合的滑动重新计算的东西。
那么它就是一个多类。做一个第2个模型，将选择哪张是目前最好的交易。优势不明显，更难做。
嗯，你必须从理论开始。例如，为销售和购买分别选择模型的意义何在？
所有不买的就是卖，反之亦然。
我的意识形态是对基本交易策略的改进，该策略是趋势跟踪；因此，它没有规定在空处的翻转--从平处入市，而 "不要进入 "基本上消除了假翻转的突破。
此外，我还试验了在长ZZ峰附近关闭盈利头寸的模型，结果并不令人满意，也就是说，要么是那里的预测能力较低，要么是我的预测器在那里效果不好，也可能是两者都有，所以我没有使用反转策略。相反，我认为在这里训练两个不同的模型会更好。
当你可以通过一个更高的阈值来过滤条目时。不交易 "类可以被模型赋予不适当的权重，导致模型误差减少，预测（概括）能力普遍下降。
几乎这种方法，用二进制分类来交易/不交易，其中由模型阈值指定，我在CatBoost的实验中使用，但麻烦的是，模型的建立就像一个吸尘器，吸走所有好的和坏的东西，输出是一个快速的模型，但输入的数量很少。
第二个模型的意义在于，第一个模型会有第一类和第二类的错误--假阳性和假阴性。我们有兴趣清除它们。 要做到这一点，你把相同的特征输入到第二个模型的输入和第一个模型的交易输出，其中0 - 交易是盈利的，1 - 交易是亏损的。训练第二个分类器，只在它显示为0时进行交易，即过滤第一个模型的信号。 亏损交易几乎会在托盘上消失，你必须在测试上进行测试--这就是一个。
你不仅可以在托盘上训练第二个模型，还可以捕捉OOS，然后它将在新数据上纠正交易--这就是两个。然后是测试。
这正是我所做的，只是我没有使用非链接的预测器，而是已经将工作表作为预测器，其中1是预测器中工作表的信号，而目标中的正确分类答案。当然，我的方法不允许找到新的预测者关系，但它确实允许寻找现有关系之间的关系。
我也会试试你的方法，谢谢。然而，在这个概念中，有可能只作为CatBoost模型来实现，以节省时间，但我担心这可能又会把一切都削减得太多。
那么它就是一个多类。做一个第2个模型，将选择哪张是目前最好的交易。其优势并不明显，而且更难做。
不，有太多的床单了，这样的分类是行不通的......
我的意识形态是对基本交易策略的改进，而该策略是趋势跟踪， 所以它没有规定在空旷的地方进行翻转--市场 从平坦处进入，"不要进入 "基本上消除了虚假的平坦破位。
此外，我还试验了在长ZZ峰附近关闭盈利头寸的模型，结果并不令人满意，也就是说，要么是那里的预测能力较低，要么是我的预测器在那里效果不好，也可能是两者都有，所以我没有使用反转策略。相反，我认为在这里训练两个不同的模型会更好。
几乎这种方法，用二进制分类来交易/不交易，其中由模型的阈值指定，我在CatBoost的实验中使用，但麻烦的是，模型的建立就像一个吸尘器，吸走所有好的和坏的东西，输出的是一个智能模型，条目数量少。
因此，这正是我所做的，只是我没有使用未捆绑的预测器，而是用床单作为预测器， 其中1是预测器中床单的信号，而正确的分类答案则在目标中。当然，我的方法不允许找到新的预测者关系，但它确实允许寻找现有关系之间的关系。
我也会试试你的方法，谢谢。然而，有可能在给定的概念中只作为CatBoost模型来实现，可能是为了节省时间，但我担心它会再次强烈地削减一切。
反转不应该是这样的，只会被第二模型的错误信号过滤掉。好吧，这取决于执行情况和你想要什么。
那就奇怪了，为什么会有很多亏损的交易，还是OOS的图片？是的，为了使用第二种模式，应该有很多交易要过滤掉，你甚至可以人为地增加交易来达到这个目的（超采样）。
不应该有这样的反转，它只是用第二种模式过滤掉错误的信号。好吧，这取决于执行情况和你想要什么。
那就奇怪了，为什么会有很多亏损的交易，还是OOS的图片？是的，我们应该有足够的交易来过滤第2个模型，我们甚至可以为此人为地增加交易（超额采样）。
上述截图是对没有以任何方式参与模型训练的数据进行的测试。
下面是训练的结果，截图--第一张是我对用于训练的数据的汇编表（只取了1/5部分）。
请注意，有52.86%的多头交易是盈利的。
我们在其他床单答案的基础上增加了一棵树。
而结果也有所改善，盈利的多头交易已经变成79.56%。
总而言之，该方法总体上是有效的，但在现实生活中应用时，其产出却不是那么大--为什么呢，可能是用于学习的一些片材没有稳定的连接，或者这些连接很少。每张样本的回复率在1%-3%之间。
上面的截图是对没有以任何方式参与训练模型的数据进行的测试。
下面是训练的结果，截图是我在训练用的数据上第一次布置的表（只取了1/5部分）。
请注意，有52.86%的多头交易是盈利的。
我们在其他床单答案的基础上增加了一棵树。
而结果也有所改善，盈利的多头交易已经变成79.56%。
总而言之，该方法总体上是有效的，但在现实生活中应用时，输出并不是那么大--为什么呢，可能是用于学习的一些片子没有携带稳定的连接，或者这些连接很少。每张样本的回复率在1%-3%左右。
好吧，如果你只是试图改善你所拥有的东西，那就是福尔德的选择。把它分成几块，第一块训练一些内容，第二块训练其他内容。我曾做过多达500次的犯规。当然，你可以做得更少。某种程度上的改进。
好吧，如果你只是试图改善你所拥有的，这就是犯规的选择。把它分成几块，第一块训练一些内容，第二块训练其他内容。我已经做了多达500次的犯规。当然，你可以做得更少。它给予了一些改善。
把样本分成几块，训练多个模型，还是什么？
虽然我的样本只有大约14000行...
把样本分成几部分，训练多个模型，还是什么？
虽然我只有大约14,000行的样本...
我在上面写道。基本模型在一半的块状物上，第二个修正模型在另一半上
5-10次犯规就够了，也许更多