交易中的机器学习:理论、模型、实践和算法交易 - 页 1606 1...159916001601160216031604160516061607160816091610161116121613...3399 新评论 Maxim Dmitrievsky 2020.03.03 15:49 #16051 mytarmailS: 首先,什么失败的回归者? 什么废话,那么为什么MGUA也会在问题越来越难的时候熄灭? 第二,我在例子中给出的数据对MGUA和增压都是一样的。 第三,你不需要做什么,你不能用python做一个有四个随机值的矩阵,然后把它们累积起来吗?要自己检查升压情况? 2行代码 ))) 我在想这到底是什么东西。 mgua从源代码中创建假变量,(取决于你使用的内核)。 mytarmailS 2020.03.03 15:53 #16052 马克西姆-德米特里耶夫斯基。 mgua再次创建假的变量,(取决于使用的内核)。 忘掉MSUA吧,我告诉你--创建一个像我这样的数据集,在上面运行你的嘘声,看看会发生什么,没有MSUA,只有forrest或任何你喜欢的东西。或者把带有我的数据的文本文件发给你? Maxim Dmitrievsky 2020.03.03 15:57 #16053 mytarmailS: 忘掉MSUA吧,我告诉你--创建一个像我这样的数据集,在上面运行你的助推器,看看你得到了什么,没有MSUA,只有forrest或任何你喜欢的东西。或者我应该给你发送一个包含我的确切数据的文本文件? 是的,我在告诉你,为什么提升的训练很差,Kusumma你和Mgua是好的。因为假的回归者,比如说多项式回归者。 把x对y的线性回归,加上x^2、x^3作为假的回归因子,就得到了一个适合曲线的多项式回归。 和森林不会像单独的X那样适合。而Mgua在工业规模上大量制造假变量 我说的是它的技术部分。这就是为什么你认为Mgua是伟大的,而助推是垃圾。因为你不了解如何使用 Evgeny Dyuka 2020.03.03 16:08 #16054 mytarmailS: 尤金 下午好,非常感谢你,至少你是一个实践者,而不是另一个有95%.... 的擦边球者。就GMDH 而言,你所做的(在 "第三个 "样本上测试)被称为 "预测能力标准"http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%93%D0%A3%D0%90#.D0.9A.D1.80.D0.B8.D1.82.D0.B5.D1.80.D0.B8.D0.B9_absolute_noise-immune。 让我们提醒一下,关于GMDH的第一个出版物是从1960年开始的,那些"你的诀窍 " 的想法与"第三 "样本 的测试已经有 60年的历史了))))。 但我想指出,这种方法永远不会过时,所以我强烈建议阅读A.G. Ivakhnenko的 作品。 例如,MSUA回归只是嘲笑现代随机森林算法的回归和各种提升...... 现在关于Telegram上的链接...我在那里没有找到任何东西,只有信号,但读到你的方法和你的思维方式是很有趣的,德米特里 说得很对,有必要在这里发表,虽然是以公开的粗野的形式...... 我不明白这种微妙的讽刺,GMDH与此有什么关系?我并没有说这是我的诀窍,这只是一个简单的结果检查。 我只是说,我能够训练神经网络,其在真实市场中的信号证实它得到了充分的训练。 在这个课题普遍失败和缺乏可靠结果的情况下,这是第一次公开展示一个工作网络。 如果你看了这些信号,你一定注意到网络对市场的反应是正确的。此外,它的行为不能用我们通常的交易策略或与指标绑定来解释,相反,它的行为往往是不合逻辑的。 在这个阶段,性能是不重要的,这里重要的是,它甚至是可能的,预测的质量可以无限地提高,这是一个时间和设备的问题。 mytarmailS 2020.03.03 16:08 #16055 马克西姆-德米特里耶夫斯基。 是的,我在告诉你为什么提升训练效果不好的原因ka cusumma你和mgua是好的。因为假的回归者,比如说多项式。 把x对y的线性回归,加上x^2,x^3作为假的回归因子,就得到了一个符合曲线的多项式回归。 和森林不会像单独的X那样适合。而Mgua在工业规模上大量制造假变量 我是指问题的技术部分。这就是为什么你认为Mgua是伟大的,而助推是垃圾。因为你不了解如何使用 是的......知道了)) 但它仍然很好地表明,MGUA的假回归者 而事实上,森林没有产生假的回归者是很糟糕的。 因为MSUA可以处理相同的数据 "开箱即用",而提升需要手动创建这些回归器......我不知道用什么来创建它们,这完全取决于数据。 mytarmailS 2020.03.03 16:14 #16056 Evgeny Dyuka: 我不明白这种微妙的讽刺,这和GMDH有什么关系?我没有声称这是我的诀窍,这只是一个常规的结果检查。 我只是声称,我能够训练神经网络,其在真实市场中的信号证实了它的训练是充分的。 在这个课题普遍失败和缺乏可靠结果的情况下,这是第一次公开展示一个工作网络。 如果你看了这些信号,你一定注意到网络对市场的反应是正确的。此外,它的行为不能用我们通常的交易策略或指标约束来解释,相反,它的行为往往是不合逻辑的。 有效性,在这个阶段并不重要,重要的是它甚至是可能的,而且预测的质量可以无止境地提高,这是一个时间和设备的问题。 不要在意这种讽刺))。 文本信息形式的信号在某种程度上很难比较市场上的表现,我很高兴能以更直观的形式看到交易情况。我很乐意看到交易结果以可视化的形式出现。 同样,对建立交易算法 的行动算法只字不提,筹码是什么,目标是什么,数据是如何预处理的,等等。 mytarmailS 2020.03.03 16:22 #16057 马克西姆-德米特里耶夫斯基。 麦克斯!你是否尝试过使用关联规则来搜索模式,比如阿利奥里算法或类似算法? Evgeny Dyuka 2020.03.03 16:39 #16058 mytarmailS: 不要在意这种讽刺))。 文本信息形式的信号很难比较市场上的表现,我很高兴能以更直观的形式看到交易情况。我很乐意看到交易结果以可视化的形式呈现出来。 而对于建立交易算法的行动,筹码是什么,目标是什么,数据是如何预处理的等等,又是只字未提。 是的,我需要视觉化,信号是歪的。有一个想法是做一个AO型指标--在每根蜡烛下有一个预测强度高于和低于零的柱子。但也有问题。 1)只有M1 tf,因为预测不与时间段挂钩。 2)指标将需要通过套接字从我的服务器上请求信息,因为在客户端运行tensorflow是不真实的。 3)现在计算每个蜡烛图的所有模型需要12-13秒,下一次会更长,我将不得不耗尽硬件...... 第二个选择--尝试在tradingview上做一个指标,但不确定pine是否支持web-sockets。没有其他选择,追溯性地绘制图表--没有人会相信。 关于算法和其他东西--我准备回答任何问题,除了训练时选择输入数据的逻辑。 mytarmailS 2020.03.03 17:12 #16059 你的专家 顾问将帮助你了解你将用来分析数据的分析工具,你将需要对情况进行详细的描述。 是的,视觉化是必要的。 信号是歪的。有一个想法是做一个AO类型的指标--在每个蜡烛图下都有一个预测力高于和低于零的柱子。但也有问题。 1)只有M1 tf,因为预测不与时间段挂钩。 2)指标将需要通过套接字从我的服务器上请求信息,因为在客户端运行tensorflow是不真实的。 3)现在计算每支蜡烛的所有模型需要12-13秒,下一次会更长,我将不得不耗尽硬件......。 第二个选择--尝试在tradingview上做一个指标,但不确定pine是否支持web-sockets。没有其他选择,追溯性地绘制图表--没有人会相信。 关于算法和其他东西--我准备回答任何问题,除了训练时选择输入数据的逻辑。 在这里很难问出什么,一切都要从预处理数据开始,而这正是你不想谈的......( 好吧......我在想 1.该算法是否适用于货币 2.它是为一个固定长度的n个蜡烛建立预测,还是网络将自己决定它将走多长时间 3.为什么处理信号需要这么长的时间 每支蜡烛12-13秒 4.你为什么要公开广播交易? 5.对于预测,使用函数形式的数据(价格、指标)或更棘手的东西。 最好的视觉化是交易 Maxim Dmitrievsky 2020.03.03 17:23 #16060 mytarmailS: 是的......知道了)) 但是,假的MSUA回归者被生产出来还是很好的。 而事实上,森林没有产生假的回归者是很糟糕的。 因为同样的数据,MSUA可以处理 "开箱即用",而boosting需要手动创建这些回归器......我不知道该创建哪些,这完全取决于数据。 有专门的独立库用于生成虚构的特征,然后你可以把它们添加到列表中。 mgua本身是一种使用普通回归的弱化算法,所以它一开始就会滋生呆子。 1...159916001601160216031604160516061607160816091610161116121613...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
首先,什么失败的回归者? 什么废话,那么为什么MGUA也会在问题越来越难的时候熄灭?
第二,我在例子中给出的数据对MGUA和增压都是一样的。
第三,你不需要做什么,你不能用python做一个有四个随机值的矩阵,然后把它们累积起来吗?要自己检查升压情况?
2行代码 )))
我在想这到底是什么东西。
mgua从源代码中创建假变量,(取决于你使用的内核)。
mgua再次创建假的变量,(取决于使用的内核)。
忘掉MSUA吧,我告诉你--创建一个像我这样的数据集,在上面运行你的嘘声,看看会发生什么,没有MSUA,只有forrest或任何你喜欢的东西。或者把带有我的数据的文本文件发给你?
忘掉MSUA吧,我告诉你--创建一个像我这样的数据集,在上面运行你的助推器,看看你得到了什么,没有MSUA,只有forrest或任何你喜欢的东西。或者我应该给你发送一个包含我的确切数据的文本文件?
是的,我在告诉你,为什么提升的训练很差,Kusumma你和Mgua是好的。因为假的回归者,比如说多项式回归者。
把x对y的线性回归,加上x^2、x^3作为假的回归因子,就得到了一个适合曲线的多项式回归。
和森林不会像单独的X那样适合。而Mgua在工业规模上大量制造假变量
我说的是它的技术部分。这就是为什么你认为Mgua是伟大的,而助推是垃圾。因为你不了解如何使用尤金 下午好,非常感谢你,至少你是一个实践者,而不是另一个有95%.... 的擦边球者。就GMDH 而言,你所做的(在 "第三个 "样本上测试)被称为 "预测能力标准"http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%93%D0%A3%D0%90#.D0.9A.D1.80.D0.B8.D1.82.D0.B5.D1.80.D0.B8.D0.B9_absolute_noise-immune。
让我们提醒一下,关于GMDH的第一个出版物是从1960年开始的,那些"你的诀窍 " 的想法与"第三 "样本 的测试已经有 60年的历史了))))。
但我想指出,这种方法永远不会过时,所以我强烈建议阅读A.G. Ivakhnenko的 作品。
例如,MSUA回归只是嘲笑现代随机森林算法的回归和各种提升......
现在关于Telegram上的链接...我在那里没有找到任何东西,只有信号,但读到你的方法和你的思维方式是很有趣的,德米特里 说得很对,有必要在这里发表,虽然是以公开的粗野的形式......
我只是说,我能够训练神经网络,其在真实市场中的信号证实它得到了充分的训练。
在这个课题普遍失败和缺乏可靠结果的情况下,这是第一次公开展示一个工作网络。
如果你看了这些信号,你一定注意到网络对市场的反应是正确的。此外,它的行为不能用我们通常的交易策略或与指标绑定来解释,相反,它的行为往往是不合逻辑的。
在这个阶段,性能是不重要的,这里重要的是,它甚至是可能的,预测的质量可以无限地提高,这是一个时间和设备的问题。
是的,我在告诉你为什么提升训练效果不好的原因ka cusumma你和mgua是好的。因为假的回归者,比如说多项式。
把x对y的线性回归,加上x^2,x^3作为假的回归因子,就得到了一个符合曲线的多项式回归。
和森林不会像单独的X那样适合。而Mgua在工业规模上大量制造假变量
我是指问题的技术部分。这就是为什么你认为Mgua是伟大的,而助推是垃圾。因为你不了解如何使用是的......知道了))
但它仍然很好地表明,MGUA的假回归者
而事实上,森林没有产生假的回归者是很糟糕的。
因为MSUA可以处理相同的数据 "开箱即用",而提升需要手动创建这些回归器......我不知道用什么来创建它们,这完全取决于数据。
我不明白这种微妙的讽刺,这和GMDH有什么关系?我没有声称这是我的诀窍,这只是一个常规的结果检查。
我只是声称,我能够训练神经网络,其在真实市场中的信号证实了它的训练是充分的。
在这个课题普遍失败和缺乏可靠结果的情况下,这是第一次公开展示一个工作网络。
如果你看了这些信号,你一定注意到网络对市场的反应是正确的。此外,它的行为不能用我们通常的交易策略或指标约束来解释,相反,它的行为往往是不合逻辑的。
有效性,在这个阶段并不重要,重要的是它甚至是可能的,而且预测的质量可以无止境地提高,这是一个时间和设备的问题。
不要在意这种讽刺))。
文本信息形式的信号在某种程度上很难比较市场上的表现,我很高兴能以更直观的形式看到交易情况。我很乐意看到交易结果以可视化的形式出现。 同样,对建立交易算法 的行动算法只字不提,筹码是什么,目标是什么,数据是如何预处理的,等等。
麦克斯!你是否尝试过使用关联规则来搜索模式,比如阿利奥里算法或类似算法?
不要在意这种讽刺))。
文本信息形式的信号很难比较市场上的表现,我很高兴能以更直观的形式看到交易情况。我很乐意看到交易结果以可视化的形式呈现出来。 而对于建立交易算法的行动,筹码是什么,目标是什么,数据是如何预处理的等等,又是只字未提。
1)只有M1 tf,因为预测不与时间段挂钩。
2)指标将需要通过套接字从我的服务器上请求信息,因为在客户端运行tensorflow是不真实的。
3)现在计算每个蜡烛图的所有模型需要12-13秒,下一次会更长,我将不得不耗尽硬件......
第二个选择--尝试在tradingview上做一个指标,但不确定pine是否支持web-sockets。没有其他选择,追溯性地绘制图表--没有人会相信。
关于算法和其他东西--我准备回答任何问题,除了训练时选择输入数据的逻辑。
是的,视觉化是必要的。 信号是歪的。有一个想法是做一个AO类型的指标--在每个蜡烛图下都有一个预测力高于和低于零的柱子。但也有问题。
1)只有M1 tf,因为预测不与时间段挂钩。
2)指标将需要通过套接字从我的服务器上请求信息,因为在客户端运行tensorflow是不真实的。
3)现在计算每支蜡烛的所有模型需要12-13秒,下一次会更长,我将不得不耗尽硬件......。
第二个选择--尝试在tradingview上做一个指标,但不确定pine是否支持web-sockets。没有其他选择,追溯性地绘制图表--没有人会相信。
关于算法和其他东西--我准备回答任何问题,除了训练时选择输入数据的逻辑。
在这里很难问出什么,一切都要从预处理数据开始,而这正是你不想谈的......(
好吧......我在想
1.该算法是否适用于货币
2.它是为一个固定长度的n个蜡烛建立预测,还是网络将自己决定它将走多长时间
3.为什么处理信号需要这么长的时间 每支蜡烛12-13秒
4.你为什么要公开广播交易?
5.对于预测,使用函数形式的数据(价格、指标)或更棘手的东西。
最好的视觉化是交易
是的......知道了))
但是,假的MSUA回归者被生产出来还是很好的。
而事实上,森林没有产生假的回归者是很糟糕的。
因为同样的数据,MSUA可以处理 "开箱即用",而boosting需要手动创建这些回归器......我不知道该创建哪些,这完全取决于数据。
有专门的独立库用于生成虚构的特征,然后你可以把它们添加到列表中。
mgua本身是一种使用普通回归的弱化算法,所以它一开始就会滋生呆子。