交易中的机器学习：理论、模型、实践和算法交易 - 页 173

新评论
 
J.B:

都是真的，但这种模式是很有胡子的，大家都知道了很久了，所以......。

而现在最简单的分类器也会发现，对于一个系列来说，这种对价格、成交量和OI的解释是不够的，你至少需要订单簿和带有交易方向的磁带，而对于外汇来说，因为这种信息不存在，你需要从西方的流动性期货市场中获取。

这种规律性虽然是胡子拉碴的，但它的价值在于具有 "物理意义"。一个上升的OM表明资金正在流入这个价格运动中！这就是我们所看到的。而他们是推动价格的燃料。OM不是来自图表的衍生品（例如像技术指标），它是一个独立的参数。它不能被欺骗。有一个资金流入 - OM上升。资金流出市场 - OM开始下跌。一切都很清楚，而且相互关联，实际上是一种市场法则。因此，可以而且应该使用OI。但不是每个人都知道如何做。而在外汇市场，它甚至不能直接使用，正如你正确地写道。
对于真实的数量，情况是类似的。
 
J.B:
不幸的是，我没有权利，坦率地说，我也不想深入了解，毕竟我们互相拿钱))))。但是2年前，当我在使用SAM时，我在神经网络的输入处处理了超过500个芯片，并有大约30个输出，但是时间流逝...;)
哦，来吧，亲爱的朋友，我们可以一起从别人那里拿面团:-)我想我们是在路障的同一侧，毕竟....。
 
BlackTomcat:
这个图案虽然有胡须，但很有价值，因为它有一个 "物理意义"。一个上升的OM表明，资金正在进入这个价格运动中!而他们是推动价格的燃料。OM不是来自图表的衍生品（例如像技术指标），它是一个独立的参数。它不能被欺骗。有一个资金流入 - OM上升。资金流出市场 - OM开始下跌。一切都很清楚，而且相互关联，实际上是一种市场法则。因此，可以而且应该使用OI。但不是每个人都知道如何做。而在外汇市场，它甚至不能直接使用，正如你所正确写的那样。
对于真实的数量，情况是类似的。
拜托，我从CME的英镑期货中获取成交量和OI，我也从delta集群中获取实时成交量。因此，一切都有了，而且期货和现货之间的差异只有几个点，所以.....。
 
BlackTomcat:
这个图案虽然有胡须，但很有价值，因为它有一个 "物理意义"。一个上升的OM表明，这个价格运动中存在着金钱！这是对的。而他们是推动价格的燃料。OM不是来自图表的衍生品（例如像技术指标），它是一个独立的参数。它不能被欺骗。有一个资金流入 - OM上升。资金流出市场 - OM开始下跌。一切都很清楚，而且相互关联，实际上是一种市场法则。因此，可以而且应该使用OI。但不是每个人都知道如何做。而在外汇市场，它甚至不能直接使用，正如你所正确写的那样。
对于真实的数量，情况是类似的。
谁在争论？OM是一个非常重要的功能，是最重要的功能之一，只是模式变得有点 "棘手"，不像上面尊敬的Mihail Marchukajtes 所说的那样简单明了。
 
Mihail Marchukajtes:
拜托，我从CME的英镑期货中获取成交量和OI，我也从delta集群中获取实时成交量。因此，一切都有了，而期货和现货之间的差异只有几个点，所以.....。
因此，交易期货可能比现货更有利可图？
 
总的来说，我认为那些不使用成交量和Delta的交易，实际上是在玩轮盘赌，因为Delta（在某一特定价格或时期的买家和卖家数量）是缺失的信息，使你能够看到蜡烛图背后，即看到图表无法读取的东西。所以它是这样的....
 
BlackTomcat:
因此，交易期货可能比现货更有利可图？
我认为，如果这对夫妇一致行动，并没有什么区别。
 
J.B:
谁能对此提出异议呢？OI是一个非常重要的功能，是最重要的功能之一，只是模式变得有点 "棘手"，不是像上面尊敬的Mihail Marchukajtes 所说的那么简单。

所以它说，预计会 出现逆转，例如今天的英镑。成交量下降，OI下降，汇率下降，建议，强势上扬。这并不意味着我们今天会上涨，这意味着我们必须寻找一个买入的入口点)。我从底部买入，但之前我卖出，因为TS，你不能违背它....。好吧，还是那句话，虽然有一个错误，用红色圈出，但总体上还是非常好的，按照OM上的建议从下方购买，我认为甚至可以持有更长的时间，如果停止不会打掉它，因为周一我认为英镑会继续增长，而且非常明显......。IMHO

 
Mihail Marchukajtes:
我认为，如果成对的运动是一致的，那就没有太大的区别。
掉期不应该出现，因为没有货币供应。同样有趣的是最近英镑兑美元的情况。期货的表现如何，跌到了什么程度？:)
 
J.B:


在我看来，关于3个像素和高清的比喻与大多数人在这里做的事情非常相关。

有利可图的模型甚至不需要10000或500个预测因子，而是更少，例如10个。把500个预测器塞进国家统计局是个白痴。噪声会淹没外面的一切。我并不感到惊讶，因为它没有很好地发挥作用。

90%的问题（另外10%是形成预测器候选人和选择MO方法）是无偏的模型选择。不知何故，瓶颈往往在于人们如何解释训练结果和应用它们。

我相信，即使有很多很多的信息，把一个实验搞砸也是非常容易的。而且，这不是关于方法或数据的问题（反正会有噪音），而是关于如何将在噪音上训练的模型与在信号上训练的模型分开。

1...166167168169170171172173174175176177178179180...3399
新评论