交易中的机器学习：理论、模型、实践和算法交易 - 页 1744

[Vladimir Perervenko]

mytarmailS:

是我给你看了这个软件包，记得吗，当我让你为mt4做一个脚本时，有一个来自nfor软件包的神经元，目标是来自TSrepr的PIP--感知重要点（repr_pip）:)

弗拉基米尔！我有几个问题，如果可以的话。

1） 请告诉我，在欧元兑美元的人字形方向分类上，你设法达到的最大误差是多少？你在做这件事时是否使用了noisefilter？

2） 你在文章中描述的预测因子的 "离散化 "是否会降低学习的质量？

3） 我想尝试做某种元学习，在最低水平上，想法的要点如下。

n1.在数据上训练一个预报员

n2.我们把Forest生成的所有规则拉出来，作为新的预测器提交；每个规则都是一个预测器，所以我们有500-1000个规则。预测器看起来很 "稀疏"，但可以做什么呢？

P.3 在预测器规则上训练一个新模型...

这个想法是为了

1）增加预测因子的数量

2）获得更复杂、更深入的规则，即层次更复杂的规则

3）森林显示的预测是所有规则（树）的总和，我认为如果我们不考虑规则的总和，而是分别考虑规则，那么我们可以更好地分离类标签，也许可以找到一些独特的规则组合等等。

问题是：我刚才写的不是通常的梯度提升吗？

4) 还有，在哪里可以得到你使用的那些光谱指标satl、 fatl等 。

1.我记得这个关于包裹的故事。赞成的包装。

2 使用ELM集合的最佳结果是Acc=0.8+-0.1。这不仅可以用噪音过滤器 来完成。 准确度并不是TC最重要的质量指标。对 于我们的目的来说，更重要的是在一个特定的时间区间内，每个柱子的最大平均回报。

3.离散化消除了异常值的问题，并使预测器与目标的关系更加线性。但我还没有收到分类质量的明显改善。我将继续朝着这个方向挖掘。出现了许多新技术。

4.我不明白你为什么会在一片简单的森林中陷入困境。该地区现在已被耕种，并被淘汰。有几十种新的射频选项。 最新的异国情调，仍然是原始的是gensemble。一个森林，其中的节点可以嵌套任何模型，而不仅仅是一棵决策树。

试试现成的解决方案，没必要重新发明轮子，最好是学会好好驾驭现成的。

我正在实施一个与MT5的Python集成包，太糟糕了，他们停止了与R的集成。

祝好运

[MrBobr1]

这是一个有趣的话题。虽然我不是数学家，也远离机器学习，但我可以看出问题所在。而且我知道如何解决这个问题。如果你不知道市场何时开始运动，是否会开始，如果会开始何时结束，以及你是否能在这种运动中赚钱，你就无法创建一个自我培训系统。 你需要创建一个工作模式，即创建一个盈利系统。然后，从它出发，设定比较和改进系统的算法。我遵循这种方式，创建了一个简单的算法，虽然是手动交易。请看感兴趣的话题 如何让你的账户增加1000倍。https://www.mql5.com/ru/forum/330313

[mytarmailS]

弗拉基米尔-佩雷文科。

2.ELM组合的最佳结果是Acc=0.8+-0.1，对噪声样本的处理是必须的。这不仅可以用噪音过滤器 来完成。

看，这里是xgboost的结果

zigzag，分类，eura时钟，不去除 噪音样本，预测器（pca和指标），没有数据准备，只是把所有东西堆起来就可以了。

OOS上的错误

[1] "Final Accuracy = 77.16%"

因此，树木也不坏，如果你去掉噪音......。

弗拉基米尔-佩雷文科。

准确度并不是TS最重要的质量因素。 对于我们的目的来说，更重要的是在一定的时间间隔内，每条杠的最大平均奖励。

以及如何将其表达为目标变量？

弗拉基米尔-佩雷文科。

3.离散化消除了异常值的问题，使预测者与目标的关系更加线性。但我还没有在分类 质量方面 获得有意义的 改善 。我一直朝着这个方向挖掘。出现了许多新技术。

最主要的是不要让它变得更糟，我个人需要离散化来转化为分类数据，最好是没有信息损失。同样，所有这些对于创建规则是必要的。

弗拉基米尔-佩雷文科。

4.我不明白你为什么要在一个简单的森林中陷入困境。

我在决定性的规则中一般都比较纠结......你对研究模型感兴趣，我理解，但我对研究过程本身感兴趣，这就是需要可解释性的地方。

你和 （99.9%的人） 所做的 "标准学习 "与市场相比有一个缺陷。

我所说的 "标准学习 "是指数据被表示为一个矩阵（一行是一个带有类别标签的训练集），这个模型除了矩阵行之外什么都看不到。

如果我们想象市场是一个事件驱动的模型，而且我确信它是，那么让我们来模拟一个情况。

如果 事件1然后 事件2然后 事件3然后 Y == 1

正如你看到的这个规则))))(这是另一个答案，说明我为什么在规则中陷入困境)

如果事件1发生在一周前，事件2发生在昨天呢？

如果事件1可能发生在一周前和5分钟前，那些不定期 的事件，因此对每个事件来说，主要的事情是事件发生和正确的顺序。

当数据是以矩阵的形式，用滑动 窗口法 绘制数据时，任何AMO都不会发现这些规律性。

所以这就是我说的，呵呵......如何寻找在非正常时间范围内出现的模式？

以下是我试图找到一些应该尝试回答这些问题的东西

寻找关联性规则--arules 包。

你可以找到与Y相关的此类规则，无论这些规则以何种顺序出现

查询关联规则序列arules seqence

人们可以找到与Y相关的这种规则，但要考虑到这些规则的顺序。

TraMineR 序列的深度分析和聚类

遗传规则生成 SDEFSR

该软件包的本质不是预测Y，而是解释它，这种算法试图解释在学习矩阵中应该发生什么事件才能使Y出现

所有这些方法在理论上应该大大增强我们目前预测能力的潜力。

而且你可以看到所有这些都是基于逻辑规则的)

[mytarmailS]

MrBobr1:
有趣的话题。虽然我不是数学家，也远离机器学习，但我知道问题出在哪里。而且我知道如何修复它。如果我们不知道市场何时开始运动，如果它根本没有开始，如果它何时开始结束，以及是否有可能在这种运动中获利，就不可能创建一个自我训练系统。 有必要创建一个工作模式，即创建一个盈利系统。然后，从它出发，设定比较和改进系统的算法。我遵循这种方式，创建了一个简单的算法，虽然是手动交易。请看感兴趣的话题 如何让你的账户增加1000倍。 https://www.mql5.com/ru/forum/330313

看完了这个主题的一半，仍然没有得到它的要点)

[Valeriy Yastremskiy]

mytarmailS:

我已经看了这个主题的一半，但仍然不明白重点是什么)

问题是，单个运行的概率与集合运行的概率不同，可以是任何东西。

[MrBobr1]

mytarmailS:

我看了半天，还是没看懂这个主题的要点)。

这很简单。你不应该试图去了解整个市场。而且不要相信机器人会在整个市场中寻找这些模式。只占市场的一小部分。并相信机器人只在市场的类似部分寻找模式。或者自己找到这些模式。在市场上有些情况下，挣钱的概率要比输钱的概率高得多。而在有些情况下，最好不要进入市场。而这些情况大部分都有。因此，只取市场的这一部分，忽略其他所有的运动，并创建一个交易算法。

[MrBobr1]

mytarmailS:

我看了这个主题的一半，仍然不明白有什么意义）。

这就像读了半本书却什么都不懂一样。 有些人成功地将他们的账户增加了几百倍，而我则成功地增加了几十倍，一位作者在支部里写道，他成功地将账户增加了1000倍。因此，市场上有一些规律性的东西。我们要做的就是利用这些规律性的东西。https://www.mql5.com/ru/forum/330313

[mytarmailS]

MrBobr1:

这很简单。你不必试图去了解整个市场。而且不要相信机器人能在整个市场中寻找这些模式。 只占市场的一小部分。并相信机器人只在市场的类似部分寻找模式。或者自己找到这些模式。在市场上有些情况下，挣钱的概率要比输钱的概率高得多。而在有些情况下，最好不要进入市场。而这些情况大部分都有。因此，只取市场的这一部分，忽略其他所有的运动，并创建一个交易算法。

这就是我们在这里所做的，但在不同的层面...

这里有一种算法......解题树或设计树。

它是什么？

这是一个逻辑规则，可以认为是对市场的某些部分 进行标记， 或者你可以想象这是一个针对这部分市场的微型交易系统。然后我们更进一步，增加许多这样的规则（微系统），有时在一个系统中会有数千条，这将是一个森林算法。

[Renat Akhtyamov]

MrBobr1:

这很简单。你不必试图去了解整个市场。而且不要相信机器人能在整个市场中寻找这些模式。只占市场的一小部分。 并相信机器人 只在市场的类似部分寻找模式。或者自己找到这些模式。在市场上有些情况下，挣钱的概率要比输钱的概率高得多。而在有些情况下，最好不要进入市场。而这些情况大部分都有。因此，只取市场的这一部分，而忽略其他所有的运动，创建一个交易算法。

不，它不会。

[mytarmailS]

MrBobr1:

这就像读了半本书却什么都不懂一样。 有些人成功地将他们的账户增加了一百倍，我也多次增加了十倍，一位作者在一个主题中写道，他成功地将他的账户增加了一千倍。因此，市场上有规律可循。所以要利用这些规律来工作。https://www.mql5.com/ru/forum/330313

我查了一下，不明白，因为我没有看到任何明确的行动算法，也没有看到任何不明确的，我根本没有看到，只有图片和有1000%份额的帖子。