交易中的机器学习:理论、模型、实践和算法交易 - 页 1892 1...188518861887188818891890189118921893189418951896189718981899...3399 新评论 Aleksey Vyazmikin 2020.07.19 10:40 #18911 mytarmailS: 是的!如果所有类型的AMO之间的识别质量的 "差距 "小于5%,我还没有找到一个很好的理由去看所有类型的AMO。它们显然都缺乏信息(特征),无法深入了解(更好的分类) 对象,所以是的,我开始专门研究特征和呈现信息的方式。顺便说一下,有一个有趣的python软件包,是关于自动生成特征的featuretools,不幸的是我没有设法在R-ka中运行它,我的python有些问题))))。看一看吧,我觉得这是个有趣的事情。 你又添加了什么类型的预测因素? 还没有接触到Python和R--时间非常少:( 我想知道用回归渠道可以得出什么样的预测因素?我有一个系数,渠道建设 向量的重复次数,固定价格跨越渠道边界的点。 而且,也许谁知道在MT5中,如果回归通道的终点延伸到当前日期之外,也就是延伸到未来,那么回归通道是如何计算的? Renat Akhtyamov 2020.07.19 10:49 #18912 NeuralNetwork: 一切皆有可能 ) 因此,下水道就在拐角处;) Maxim Dmitrievsky 2020.07.19 10:51 #18913 mytarmailS: featuretools,不幸的是,我从来没有设法在R中运行它,我在python方面有一些问题))看一看吧,我觉得这是个有趣的事情。 认为或证明? 有什么有趣的地方? In [12]: feature_matrix_customers Out[12]: zip_code COUNT(session) NUM_UNIQUE(session.device) MODE(session.device) SUM(transactions.amount) STD(transactions.amount) MAX(transactions.amount) SKEW(transactions.amount) MIN(transactions.amount) MEAN(transactions.com) amount) COUNT(transactions) NUM_UNIQUE(transactions.product_id) MODE(transactions.product_id) DAY(date_of_birth) DAY(join_date) YEAR(date_of_birth) YEAR(join_date) MONTH(date_of_birth) MONTH(join_date) WEEKDAY(date_join_date) SUM(session.SKEW(transactions.mount) )SUM(session.NUM_UNIQUE(transactions.product_id))SUM(session.MAX(transactions.mount))SUM(session.MIN(transactions.mount))SUM(session.STD(transactions.amount))SUM(session.MEAN(transactions.mount))STD(session.SKEW(transactions.amount))STD(session.NUM_UNIQUE(transactions.product_id))STD(session.MAX(transactions.amount)))STD(session.SUM(transactions.amount)))STD(session.COUNT(transactions))STD(session.MIN(transactions.amount))STD(session.MEAN(transactions.amount))MAX(session.SKEW(transactions.amount))MAX(session.NUM_UNIQUE(transactions.product_id))MAX(session.SUM(transactions.mount))MAX(session.COUNT(transactions))MAX(session.MIN(transactions.mount))MAX(session.STD(transactions.amount))MAX(session.MEAN(transactions.mount))SKEW(session.NUM_UNIQUE(transactions.product_id))SKEW(session.MAX(transactions.amount)))SKEW(session.SUM(transactions.mount)))SKEW(session.COUNT(transactions))SKEW(session.MIN(transactions.amount)))SKEW(session.STD(transactions.amount))SKEW(session.MEAN(transactions.amount)))MIN(session.SKEW(transactions.amount))MIN(session.NUM_UNIQUE(transactions.product_id))MIN(session.MAX(transactions.mount))MIN(session.SUM(transactions.mount))MIN(session.COUNT(transactions))MIN(session.STD(transactions.amount))MIN(session.MEAN(transactions.amount))MEAN(session.SKEW(transactions.amount))MEAN(session.NUM_UNIQUE(transactions.product_id))MEAN(session.MAX(transactions.mount))MEAN(session.SUM(transactions.mount)))MEAN(session.COUNT(transactions))MEAN(session.MIN(transactions.mount))MEAN(session.STD(transactions.amount)))MEAN(session.MEAN(transactions.mount))NUM_UNIQUE(session.MODE(transactions.product_id)))NUM_UNIQUE(session.DAY(session_start))NUM_UNIQUE(session.WEEKDAY(session_start))NUM_UNIQUE(session.YEAR(session_start))NUM_UNIQUE(session.MONTH(session_start)))MODE(session.MODE(transactions.product_id))MODE(session.DAY(session_start))MODE(session.WEEKDAY(session_start))MODE(session.YEAR(session_start))MODE(session.MONTH(session_start))NUM_UNIQUE(transactions.session.device) NUM_UNIQUE(transactions.session.customer_id) MODE(transactions.session.device) MODE(transactions.session.customer_id)customer_id 1 60091 8 3 mobile 9025.62 40.442059 139.43 0.019698 5.81 71.631905 126 5 4 18 17 1994 2011 7 4 0 6 -0.476122 40 1057.97 78.59 312.745952 582.193117 0.589386 0.000000 7。322191 279.510713 4.062019 6.954507 13.759314 0.640252 5 1613.93 25 26.36 46.905665 88.755625 0.000000 -0.780493 0.778170 1.946018 2.440005 -0.312355 -0.424949 -1.038434 5 118.90 809.97 12 30.450261 50.623125 -0.059515 5.000000 132.246250 1128.202500 15.750000 9.823750 39.093244 72.774140 4 1 1 4 1 2 2014 1 3 1 移动 1 2 13244 7 3 桌面 7200。28 37.705178 146.81 0.098259 8.73 77.422366 93 5 4 18 15 1986 2012 8 4 0 6 -0.277640 35 931.63 154.60 258.700528 548.905851 0.509798 0.000000 17.221593 251.609234 3.450328 15.874374 11.477071 0.755711 5 1320.64 18 56.46 47.935920 96.581000 0.000000 -1.539467 -0.440929 -0.303276 2.154929 0.013087 0.235296 -0.763603 5 100.04 634.84 8 27.839228 61.910000 -0.039663 5.000000 133.090000 1028.611429 13.285714 22.085714 36.957218 78.415122 4 1 1 1 1 3 1 2 2014 1 3 1 313244 6 3桌面6236。62 43.683296 149.15 0.418230 5.89 67.060430 93 5 1 21 13 2003 2011 11 8 4 5 2.286086 29 847.63 66.21 257.299895 405.237462 0.429374 0.408248 10.724241 219.021420 2.428992 5.424407 11.174282 0.854976 5 1477.97 18 20.06 50.110120 82.109444 -2.449490 -0.941078 2.246479 -1.507217 1.000771 -0.245703 0.678544 -0.289466 4 126.74 889.21 11 35.704680 55.579412 0.381014 4.833333 141.271667 1039.436667 15.500000 11.035000 42.883316 67.539577 4 1 1 1 1 2 2014 1 3 1 桌面 3 60091 8 3 移动 8727。68 45.068765 149.95 -0.036348 5.73 80.070459 109 5 2 15 8 2006 2011 8 4 1 4 0.002764 37 1157.99 131.51 356.125829 649.657515 0.387884 0.517549 3.514421 235.992478 3.335416 16.960575 13.027258 0.382868 5 1351.46 18 54.83 54.293903 110.450000 -0.644061 0.027256 -0.391805 0.282488 2.103510 -1.065663 1.980948 -0.711744 4 139.20 771.68 10 29.026424 70.638182 0.000346 4.625000 144.748750 1090.960000 13.625000 16.438750 44.515729 81.207189 5 1 1 1 1 2 2014 1 3 1 移动 4 5 60091 6 3 移动 634966 44.095630 149.02 -0.025941 7.55 80.375443 79 5 5 28 17 1984 2010 7 7 5 5 0.014384 30 839.76 86.49 259.873954 472.231119 0.415426 0.000000 7.928001 402.775486 3.600926 4.961414 11.007471 0.602209 5 1700.67 18 20.65 51.149250 94.481667 0.000000 -0.333796 0.472342 -0.317685 -0.470410 0.204548 0.335175 -0.539060 5 128.51 543.18 8 36.734681 66.666667 0.002397 5.000000 139.960000 1058.276667 13.166667 14.415000 43.312326 78.705187 5 1 1 1 3 1 2 测试日志 - 算法交易, 交易机器人 mytarmailS 2020.07.19 10:54 #18914 阿列克谢-维亚兹米 金。 我在想,我们可以用回归渠道得出什么样的预测因素?我得出的结论是,最好不要去思考,也不要去发明,而是写一种改写算法,将特质综合起来检查,如果特质好就留下,如果不好就扔掉,这样就可以通过数以百万计的选项,这显然比人类发明更有效率。之后,我们可以改进和修改好的迹象,然后再次,再次等等,直到错误下降......我受到了伊瓦赫年科的著作和MSUA方法的启发。 我喜欢这个方法本身的哲学。Maxim Dmitrievsky: 认为或证明?那里有什么有趣的? 好吧,我写的是我不能运行软件包,如果我甚至没有接触过它,我怎么能证明什么呢?我读了文档,有一个功能,尝试它是有意义的,但由于上述原因,我没有尝试它 Maxim Dmitrievsky 2020.07.19 10:58 #18915 mytarmailS: 我写的是我不能运行软件包,如果我连碰都没碰过,怎么能证明什么呢?我读过文档,有一些技巧,尝试一下是有意义的,但由于上述原因,我还没有尝试。 你不可能自己找到中号、标准号和模号。 对于任何泰国系列来说,它都是完美的。所以你不必用手去做。 这应该放在LSTM中,这里已经提到了。 mytarmailS 2020.07.19 10:59 #18916 Maxim Dmitrievsky: 你不能自己找到媒介、标准和时尚。 并不是那么原始的,阅读更多 但最终你将不得不编写你自己的功能合成器,当然了 Maxim Dmitrievsky 2020.07.19 11:05 #18917 mytarmailS: 这并不都是原始的,阅读更多。我几乎完成了我的机器人!测试将很快完成。 有多少geomoro冲动需要被克服 mytarmailS 2020.07.19 11:06 #18918 Maxim Dmitrievsky: 我的机器人就快完成了!测试就要来了。 伺候)。 Petros Shatakhtsyan 2020.07.19 11:13 #18919 NeuralNetwork: 他在神经元上的交易已经有三年了。我亲自和他谈过。他管理的账户至少有100,000,000个。 打开他的个人资料,你会看到他所有的账户。他成功了。所以你也会。如果你现在不做,你以后会成功的,不要放弃)。 他做到了,而且他已经在模拟账户上 交易了三年)。 Renat Akhtyamov 2020.07.19 11:25 #18920 Petros Shatakhtsyan: 他成功了,这就是为什么他一直在模拟账户中 交易,至今已有三年了?) 就这样吧。 他们踩灭了致富的幻想......。 1...188518861887188818891890189118921893189418951896189718981899...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
是的!如果所有类型的AMO之间的识别质量的 "差距 "小于5%,我还没有找到一个很好的理由去看所有类型的AMO。它们显然都缺乏信息(特征),无法深入了解(更好的分类) 对象,所以是的,我开始专门研究特征和呈现信息的方式。
顺便说一下,有一个有趣的python软件包,是关于自动生成特征的featuretools,不幸的是我没有设法在R-ka中运行它,我的python有些问题))))。看一看吧,我觉得这是个有趣的事情。
你又添加了什么类型的预测因素?
还没有接触到Python和R--时间非常少:(
我想知道用回归渠道可以得出什么样的预测因素?我有一个系数,渠道建设 向量的重复次数,固定价格跨越渠道边界的点。
而且,也许谁知道在MT5中,如果回归通道的终点延伸到当前日期之外,也就是延伸到未来,那么回归通道是如何计算的?
一切皆有可能 )
featuretools,不幸的是,我从来没有设法在R中运行它,我在python方面有一些问题))看一看吧,我觉得这是个有趣的事情。
认为或证明? 有什么有趣的地方?
In [12]: feature_matrix_customers Out[12]: zip_code COUNT(session) NUM_UNIQUE(session.device) MODE(session.device) SUM(transactions.amount) STD(transactions.amount) MAX(transactions.amount) SKEW(transactions.amount) MIN(transactions.amount) MEAN(transactions.com) amount) COUNT(transactions) NUM_UNIQUE(transactions.product_id) MODE(transactions.product_id) DAY(date_of_birth) DAY(join_date) YEAR(date_of_birth) YEAR(join_date) MONTH(date_of_birth) MONTH(join_date) WEEKDAY(date_join_date) SUM(session.SKEW(transactions.mount) )SUM(session.NUM_UNIQUE(transactions.product_id))SUM(session.MAX(transactions.mount))SUM(session.MIN(transactions.mount))SUM(session.STD(transactions.amount))SUM(session.MEAN(transactions.mount))STD(session.SKEW(transactions.amount))STD(session.NUM_UNIQUE(transactions.product_id))STD(session.MAX(transactions.amount)))STD(session.SUM(transactions.amount)))STD(session.COUNT(transactions))STD(session.MIN(transactions.amount))STD(session.MEAN(transactions.amount))MAX(session.SKEW(transactions.amount))MAX(session.NUM_UNIQUE(transactions.product_id))MAX(session.SUM(transactions.mount))MAX(session.COUNT(transactions))MAX(session.MIN(transactions.mount))MAX(session.STD(transactions.amount))MAX(session.MEAN(transactions.mount))SKEW(session.NUM_UNIQUE(transactions.product_id))SKEW(session.MAX(transactions.amount)))SKEW(session.SUM(transactions.mount)))SKEW(session.COUNT(transactions))SKEW(session.MIN(transactions.amount)))SKEW(session.STD(transactions.amount))SKEW(session.MEAN(transactions.amount)))MIN(session.SKEW(transactions.amount))MIN(session.NUM_UNIQUE(transactions.product_id))MIN(session.MAX(transactions.mount))MIN(session.SUM(transactions.mount))MIN(session.COUNT(transactions))MIN(session.STD(transactions.amount))MIN(session.MEAN(transactions.amount))MEAN(session.SKEW(transactions.amount))MEAN(session.NUM_UNIQUE(transactions.product_id))MEAN(session.MAX(transactions.mount))MEAN(session.SUM(transactions.mount)))MEAN(session.COUNT(transactions))MEAN(session.MIN(transactions.mount))MEAN(session.STD(transactions.amount)))MEAN(session.MEAN(transactions.mount))NUM_UNIQUE(session.MODE(transactions.product_id)))NUM_UNIQUE(session.DAY(session_start))NUM_UNIQUE(session.WEEKDAY(session_start))NUM_UNIQUE(session.YEAR(session_start))NUM_UNIQUE(session.MONTH(session_start)))MODE(session.MODE(transactions.product_id))MODE(session.DAY(session_start))MODE(session.WEEKDAY(session_start))MODE(session.YEAR(session_start))MODE(session.MONTH(session_start))NUM_UNIQUE(transactions.session.device) NUM_UNIQUE(transactions.session.customer_id) MODE(transactions.session.device) MODE(transactions.session.customer_id)customer_id 1 60091 8 3 mobile 9025.62 40.442059 139.43 0.019698 5.81 71.631905 126 5 4 18 17 1994 2011 7 4 0 6 -0.476122 40 1057.97 78.59 312.745952 582.193117 0.589386 0.000000 7。322191 279.510713 4.062019 6.954507 13.759314 0.640252 5 1613.93 25 26.36 46.905665 88.755625 0.000000 -0.780493 0.778170 1.946018 2.440005 -0.312355 -0.424949 -1.038434 5 118.90 809.97 12 30.450261 50.623125 -0.059515 5.000000 132.246250 1128.202500 15.750000 9.823750 39.093244 72.774140 4 1 1 4 1 2 2014 1 3 1 移动 1 2 13244 7 3 桌面 7200。28 37.705178 146.81 0.098259 8.73 77.422366 93 5 4 18 15 1986 2012 8 4 0 6 -0.277640 35 931.63 154.60 258.700528 548.905851 0.509798 0.000000 17.221593 251.609234 3.450328 15.874374 11.477071 0.755711 5 1320.64 18 56.46 47.935920 96.581000 0.000000 -1.539467 -0.440929 -0.303276 2.154929 0.013087 0.235296 -0.763603 5 100.04 634.84 8 27.839228 61.910000 -0.039663 5.000000 133.090000 1028.611429 13.285714 22.085714 36.957218 78.415122 4 1 1 1 1 3 1 2 2014 1 3 1 313244 6 3桌面6236。62 43.683296 149.15 0.418230 5.89 67.060430 93 5 1 21 13 2003 2011 11 8 4 5 2.286086 29 847.63 66.21 257.299895 405.237462 0.429374 0.408248 10.724241 219.021420 2.428992 5.424407 11.174282 0.854976 5 1477.97 18 20.06 50.110120 82.109444 -2.449490 -0.941078 2.246479 -1.507217 1.000771 -0.245703 0.678544 -0.289466 4 126.74 889.21 11 35.704680 55.579412 0.381014 4.833333 141.271667 1039.436667 15.500000 11.035000 42.883316 67.539577 4 1 1 1 1 2 2014 1 3 1 桌面 3 60091 8 3 移动 8727。68 45.068765 149.95 -0.036348 5.73 80.070459 109 5 2 15 8 2006 2011 8 4 1 4 0.002764 37 1157.99 131.51 356.125829 649.657515 0.387884 0.517549 3.514421 235.992478 3.335416 16.960575 13.027258 0.382868 5 1351.46 18 54.83 54.293903 110.450000 -0.644061 0.027256 -0.391805 0.282488 2.103510 -1.065663 1.980948 -0.711744 4 139.20 771.68 10 29.026424 70.638182 0.000346 4.625000 144.748750 1090.960000 13.625000 16.438750 44.515729 81.207189 5 1 1 1 1 2 2014 1 3 1 移动 4 5 60091 6 3 移动 634966 44.095630 149.02 -0.025941 7.55 80.375443 79 5 5 28 17 1984 2010 7 7 5 5 0.014384 30 839.76 86.49 259.873954 472.231119 0.415426 0.000000 7.928001 402.775486 3.600926 4.961414 11.007471 0.602209 5 1700.67 18 20.65 51.149250 94.481667 0.000000 -0.333796 0.472342 -0.317685 -0.470410 0.204548 0.335175 -0.539060 5 128.51 543.18 8 36.734681 66.666667 0.002397 5.000000 139.960000 1058.276667 13.166667 14.415000 43.312326 78.705187 5 1 1 1 3 1 2
我在想,我们可以用回归渠道得出什么样的预测因素?
我得出的结论是,最好不要去思考,也不要去发明,而是写一种改写算法,将特质综合起来检查,如果特质好就留下,如果不好就扔掉,这样就可以通过数以百万计的选项,这显然比人类发明更有效率。
之后,我们可以改进和修改好的迹象,然后再次,再次等等,直到错误下降......
我受到了伊瓦赫年科的著作和MSUA方法的启发。 我喜欢这个方法本身的哲学。
认为或证明?那里有什么有趣的?
我写的是我不能运行软件包,如果我连碰都没碰过,怎么能证明什么呢?我读过文档,有一些技巧,尝试一下是有意义的,但由于上述原因,我还没有尝试。
你不可能自己找到中号、标准号和模号。
对于任何泰国系列来说,它都是完美的。所以你不必用手去做。
这应该放在LSTM中,这里已经提到了。
你不能自己找到媒介、标准和时尚。
并不是那么原始的,阅读更多
但最终你将不得不编写你自己的功能合成器,当然了
这并不都是原始的,阅读更多。
我几乎完成了我的机器人!测试将很快完成。
有多少geomoro冲动需要被克服我的机器人就快完成了!测试就要来了。
伺候)。
他在神经元上的交易已经有三年了。我亲自和他谈过。他管理的账户至少有100,000,000个。 打开他的个人资料,你会看到他所有的账户。他成功了。所以你也会。如果你现在不做,你以后会成功的,不要放弃)。
他做到了,而且他已经在模拟账户上 交易了三年)。
他成功了,这就是为什么他一直在模拟账户中 交易,至今已有三年了?)
就这样吧。
他们踩灭了致富的幻想......。