交易中的机器学习:理论、模型、实践和算法交易 - 页 2259 1...225222532254225522562257225822592260226122622263226422652266...3399 新评论 mytarmailS 2021.01.01 22:21 #22581 http://www.math.nsc.ru/AP/ScientificDiscovery/pages/Applications_Financial_forecasting_rus.html Maxim Dmitrievsky 2021.01.02 11:11 #22582 Dr.mr.mom Mishanin: 马克西姆,你试过神经图灵机 吗? 在哪个框架下,你的成功经验是什么?新年快乐,所有的愿望都能实现。 嗨,新年快乐。不,我现在对生成模型更感兴趣,它们更接近于图灵,如果你不能区分人工系列和真实系列。实际上,已经找到了将MO应用于市场的正确解决方案,但仍有细微差别。你只需要正确地模拟概念漂移,并教育自己 Mikhail Mishanin 2021.01.02 11:49 #22583 马克西姆-德米特里夫斯基: 嗨,新年快乐。不,我现在对生成模型更感兴趣,它们更接近于图灵,如果你不能区分人工系列和真实系列。实际上,已经找到了将MO应用于市场的正确解决方案,但仍有细微差别。你只需要正确地模拟概念漂移,并教育自己 ...将MO应用于市场的正确解决方案已经被找到...那么这个解决方案是什么呢?我想有一些相互竞争的解决方案) 那么对概念漂移 的建模呢?反馈没有帮助吗? 而在概念上,还有什么假设。 - 随着时间的推移逐渐改变 - 周期性或周期性变化 - 突然或突发的变化 还是我们一次把所有东西都包括进去? Maxim Dmitrievsky 2021.01.02 11:54 #22584 Dr.mr.mom Mishanin: ...将ME应用于市场的正确解决方案已经被找到...那么这个解决方案是什么呢?我想有一些相互竞争的解决方案)那么对概念漂移 的建模呢?反馈没有帮助吗?而在概念上,还有什么假设。- 随着时间的推移逐渐改变- 周期性或周期性变化- 突然或突发的变化还是一次性包括所有内容?你需要看一下到底是什么在变化,以及轴的设计目的是什么。模拟什么变化,即创建人工系列。看看历史上的变化范围。没有单一的解决方案,但有可能根据情况和相当长的时间使其发挥作用。用于建模规范的逆向关系,例如递归甘氏,但我还没有谈到它们。而模型本身的分类器可以是任何 它通常归结为相当琐碎的事情,如增量平均数和方差偏差,这需要改变。而波动率的聚类是完美的模型 Mikhail Mishanin 2021.01.02 12:21 #22585 Maxim Dmitrievsky: 你需要看一下到底是什么在变化,以及轴的设计目的是什么。对正在变化的事物进行建模,即创建人工系列。看看历史上的变化范围。没有单一的解决方案,但有可能根据情况和相当长的时间使其发挥作用。用于建模规范的逆向关系,例如递归甘氏,但我还没有谈到它们。而模型本身的分类器可以是任何 通常情况下,这一切都归结为相当琐碎的事情,如平均增量转移,这需要改变。而波动率的聚类是完美的模型 如果平均数(也许是中位数)增量的转变,假设它是 "随时间逐渐变化"/"周期性或循环性变化",把它引入模型作为控制变量,会怎么样?基于终身 学习的概念。 但对于突然或突发的变化,它可能更复杂,尽管它可能正好相反) Maxim Dmitrievsky 2021.01.02 12:31 #22586 Dr.mr.mom Mishanin: 把增量的平均数(也许是中位数)的变化作为 "随时间推移的渐变"/"周期性或循环性变化",作为控制变量引入模型,如何?基于终身 学习的概念。突然或突发的变化可能更困难,尽管可能是相反的情况) 我对这种概念并不熟悉。我认为把这一排分成n个批次就足够了,如果你想要突然性,你可以洗牌。我不相信你能具体指出什么,但通过列举变体得到一个正常的模型不是问题。它没有看到新的数据,但被训练在类似的东西上,产生了。最主要的是变体的覆盖面要大,否则我们可能会不小心捡到 例如,在所有货币对上,我得到了在几个月内训练好的具有5年视野的模型+人工模型。我不知道全球变化是什么,但如果我们看季节性变化,平均数的转变是不同的。还没有做过模型。 Mikhail Mishanin 2021.01.02 20:50 #22587 Maxim Dmitrievsky: 例如,在所有货币对上,我在5年的范围内获得了良好的模式,在短短几个月+人工的情况下就学会了。那里的全球变化是什么,我不知道,但如果你看一下季节性的,平均的转变是不同的。还没有做过任何建模。 股票/商品是否会得到相同视野的模型?"几个月 "是英国石油公司的一段历史吗?如果是这样的话,那就是克朗代克! Maxim Dmitrievsky 2021.01.02 21:14 #22588 Dr.mr.mom Mishanin: 股票/商品是否会得到相同视野的模型?"几个月 "是英国石油公司的一段历史吗?如果是这样的话,那就是克朗代克了! 这都是因地制宜的,某地是2个月,某地市场发生了巨大的变化,这段历史是不够的。在某个地方你需要额外的过滤器。我没有试过其他工具,你可以在指数上试试。 我试过其他的指数工具,你可以试试。 这只是方法本身--我们需要大量的似是而非的例子,它在任何地方都适用,不仅仅是对时间序列。没有什么超级科学,只需探究和观察 ) 例如,在特定的时钟(季节性成分)上的教学,做了一个这样的brutforce。按小时选择模式。每个点是一个模型,每块表训练10个模型。点越密集、越高越好 你可以在图表上看到,在交易日的边缘有很多好的模型,在中间,即波动性大的地方,这个策略的效果比较差(平均)。只有几个彻底的垃圾期,其余的都是可以利用的。 然后在我看的第5个小时里,我得到了这样一个平衡曲线。所有的模式对他来说都是好事。一半测试,一半跟踪(5年)。对于季节性的,我需要2个月以上,因为例子很少。 而所有这些都是本着这种精神。我想写一篇文章,但字数太少。 这是英镑兑美元,但它适用于所有货币对 fxsaber 2021.01.02 21:40 #22589 Maxim Dmitrievsky: 按小时选择模型。每个点是一个模型,每块手表训练了10个模型。点越密集、越高越好然后在我看的第5个小时里,我得到了这样一个平衡曲线。所有的模型都很适合。一半是测试,一半是三等奖(5年内)。对于季节性的,我需要2个月以上的时间,因为例子很少。而所有这些都是本着这种精神。我想写一篇文章,但字数太少。这是英镑兑美元,但它适用于所有货币对 他们是如何长期无视明显的问题的? Maxim Dmitrievsky 2021.01.02 21:40 #22590 如果有生成模型方面的专家,我们可以尝试摇动GMM模型的协方差矩阵的方案。也就是说,不要改变序列的均值和方差,而是改变GMM协方差矩阵。输出应该是许多具有不同属性的例子 1...225222532254225522562257225822592260226122622263226422652266...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
马克西姆,你试过神经图灵机 吗? 在哪个框架下,你的成功经验是什么?
新年快乐,所有的愿望都能实现。
嗨,新年快乐。不,我现在对生成模型更感兴趣,它们更接近于图灵,如果你不能区分人工系列和真实系列。实际上,已经找到了将MO应用于市场的正确解决方案,但仍有细微差别。你只需要正确地模拟概念漂移,并教育自己
...将MO应用于市场的正确解决方案已经被找到...那么这个解决方案是什么呢?我想有一些相互竞争的解决方案)
那么对概念漂移 的建模呢?反馈没有帮助吗?
而在概念上,还有什么假设。
- 随着时间的推移逐渐改变
- 周期性或周期性变化
- 突然或突发的变化
还是我们一次把所有东西都包括进去?
...将ME应用于市场的正确解决方案已经被找到...那么这个解决方案是什么呢?我想有一些相互竞争的解决方案)
那么对概念漂移 的建模呢?反馈没有帮助吗?
而在概念上,还有什么假设。
- 随着时间的推移逐渐改变
- 周期性或周期性变化
- 突然或突发的变化
还是一次性包括所有内容?
你需要看一下到底是什么在变化,以及轴的设计目的是什么。模拟什么变化,即创建人工系列。看看历史上的变化范围。没有单一的解决方案,但有可能根据情况和相当长的时间使其发挥作用。用于建模规范的逆向关系,例如递归甘氏,但我还没有谈到它们。而模型本身的分类器可以是任何
它通常归结为相当琐碎的事情,如增量平均数和方差偏差,这需要改变。而波动率的聚类是完美的模型你需要看一下到底是什么在变化,以及轴的设计目的是什么。对正在变化的事物进行建模,即创建人工系列。看看历史上的变化范围。没有单一的解决方案,但有可能根据情况和相当长的时间使其发挥作用。用于建模规范的逆向关系,例如递归甘氏,但我还没有谈到它们。而模型本身的分类器可以是任何
通常情况下,这一切都归结为相当琐碎的事情,如平均增量转移,这需要改变。而波动率的聚类是完美的模型如果平均数(也许是中位数)增量的转变,假设它是 "随时间逐渐变化"/"周期性或循环性变化",把它引入模型作为控制变量,会怎么样?基于终身 学习的概念。
但对于突然或突发的变化,它可能更复杂,尽管它可能正好相反)
把增量的平均数(也许是中位数)的变化作为 "随时间推移的渐变"/"周期性或循环性变化",作为控制变量引入模型,如何?基于终身 学习的概念。
突然或突发的变化可能更困难,尽管可能是相反的情况)
我对这种概念并不熟悉。我认为把这一排分成n个批次就足够了,如果你想要突然性,你可以洗牌。我不相信你能具体指出什么,但通过列举变体得到一个正常的模型不是问题。它没有看到新的数据,但被训练在类似的东西上,产生了。最主要的是变体的覆盖面要大,否则我们可能会不小心捡到
例如,在所有货币对上,我得到了在几个月内训练好的具有5年视野的模型+人工模型。我不知道全球变化是什么,但如果我们看季节性变化,平均数的转变是不同的。还没有做过模型。
例如,在所有货币对上,我在5年的范围内获得了良好的模式,在短短几个月+人工的情况下就学会了。那里的全球变化是什么,我不知道,但如果你看一下季节性的,平均的转变是不同的。还没有做过任何建模。
股票/商品是否会得到相同视野的模型?"几个月 "是英国石油公司的一段历史吗?如果是这样的话,那就是克朗代克!
股票/商品是否会得到相同视野的模型?"几个月 "是英国石油公司的一段历史吗?如果是这样的话,那就是克朗代克了!
这都是因地制宜的,某地是2个月,某地市场发生了巨大的变化,这段历史是不够的。在某个地方你需要额外的过滤器。我没有试过其他工具,你可以在指数上试试。
我试过其他的指数工具,你可以试试。 这只是方法本身--我们需要大量的似是而非的例子,它在任何地方都适用,不仅仅是对时间序列。没有什么超级科学,只需探究和观察 )
例如,在特定的时钟(季节性成分)上的教学,做了一个这样的brutforce。按小时选择模式。每个点是一个模型,每块表训练10个模型。点越密集、越高越好
你可以在图表上看到,在交易日的边缘有很多好的模型,在中间,即波动性大的地方,这个策略的效果比较差(平均)。只有几个彻底的垃圾期,其余的都是可以利用的。
然后在我看的第5个小时里,我得到了这样一个平衡曲线。所有的模式对他来说都是好事。一半测试,一半跟踪(5年)。对于季节性的,我需要2个月以上,因为例子很少。
而所有这些都是本着这种精神。我想写一篇文章,但字数太少。
这是英镑兑美元,但它适用于所有货币对
按小时选择模型。每个点是一个模型,每块手表训练了10个模型。点越密集、越高越好
然后在我看的第5个小时里,我得到了这样一个平衡曲线。所有的模型都很适合。一半是测试,一半是三等奖(5年内)。对于季节性的,我需要2个月以上的时间,因为例子很少。
而所有这些都是本着这种精神。我想写一篇文章,但字数太少。
这是英镑兑美元,但它适用于所有货币对
他们是如何长期无视明显的问题的?