交易中的机器学习：理论、模型、实践和算法交易 - 页 2155

新评论
 
mytarmailS:

关于模型的TF不变归一化...

我们采取的系列，我们确定重要的突破点。

只留下极值点，删除其他点

正常化

现在取第一个系列中断点之间的距离，从它们中创建一个新的系列，并将其归一化。

因此，我们得到归一化的系列，在振幅和时间（频率）上都是如此


所需要的是保持模式中极值的数量是偶数，其他的都是正常化的。


因此，模型可以被输入数据，即使是一分钟或一个星期的数据，它也会把它看作是同样的东西，它对TF是不变的。

你可以同时为 所有的TFs 训练一个 模型

=============================================

对于那些还没有了解它是什么以及它的用途的人来说

这对模型来说将是一个相同的模式，因为它是一个相同的模式。

几乎做了同样的事，只是我有时间和100%的点数。但我不明白这里是如何建议将时间正常化的--通过最小距离？

 
Maxim Dmitrievsky:

很快就猜到了）只是没有人......。

我一定是错过了什么？

 
Aleksey Vyazmikin:

我一定是错过了什么？

是的，代词中的连字符。

 
Maxim Dmitrievsky:

我再说一遍，给那些蠢货听的。

在特征空间中有一些点。有些是为了买，有些是为了卖。

假设这些点可以以这样的方式移动，即买入-卖出序列不被尊重，也就是说，关于数据集中的价差信息被丢失。

分布可以等同于各点之间或两类点之间的欧几里德距离

如何添加这些信息。FNF，加速和其他可以塞进你的H的东西。可以这么说，这是为了让人有清晰的认识。

交易中的价差在价格上总是负面的。

zy 恶化的条款

 
马克西姆-德米特里耶夫斯基。

Karoch阅读，阅读，阅读，阅读....

我还是不明白你想用这种传播方式做什么（我的大脑今天显然不正常，或者你没说什么......）。

我甚至不明白你想做什么，为什么...

 
mytarmailS:

我读，我读，我读，我读，我读 ....

我还是不明白你想用传播做什么（我的大脑今天显然不在状态，或者你没有说什么......）。

我甚至不明白你想做什么，为了什么......。

问问瓦列里吧，他正在开窍......。

我觉得很难想到其他的措辞来形容它
 
Aleksey Vyazmikin:

几乎在做同样的事情，只是我有100%的时间和分数。但我不明白这里是如何提出时间正常化的--通过最小距离？

正常化 0-1 正常化

 
Maxim Dmitrievsky:

如果在一个已经有标签的数据集中，根据标签的不同，从特征中减去或增加一个散点，这将产生什么影响？

特征空间的可分离性看起来会更好吗？

很明显，这样做只是为了培训的目的。

这就是我在文章中使用的方法--将标签分散到一个有意义的距离，这大大提高了学习效果。通常我们的标签在本质上取代了回归，所以与零（平均？）的偏差越大，潜在的特征差异越大--通过不考虑小三通来减少噪音。但这在进/出分类和买入/卖出/预期的三重分类中是有用的。该方法的成功可能也取决于基本战略（已形成或正在形成）。有待进一步研究。

 
Aleksey Vyazmikin:

这就是我在论文中使用的方法--将分数分散到一个有意义的距离，这大大改善了学习效果。通常我们的标签在本质上取代了回归，所以与零（平均？）的偏差越大，标志的差异可能越大--通过不考虑小三通来减少噪音。但这在进/出分类和买入/卖出/预期的三重分类中是有用的。该方法的成功可能也取决于基本战略（已形成或正在形成）。有待进一步研究。

到目前为止，我只考虑到了类分离的硬重采样，但我认为还有更简单的方法

你是怎么做的，我应该读哪封信？

 
Maxim Dmitrievsky:

是的，将代词连在一起

已添加 :)

1...214821492150215121522153215421552156215721582159216021612162...3399
新评论