交易中的机器学习：理论、模型、实践和算法交易 - 页 2289

新评论
 

有可能产生长的合成序列，分别是

有趣的是，如果你产生了大量的数据，初始系列中平均数的一个小偏移就会产生非常强烈的趋势效应。

事实证明，这样的模型只有在平均数明显偏移的真实市场中才能发挥作用。

但这很容易通过获得具有相同规律性的系列来加以纠正，但减少了


 

训练生成的，测试真实的......现在作为一个实验......。

有时它是有效的。有必要了解如何生成，针对哪些情况，等等。


 
Maxim Dmitrievsky:

训练生成的，测试真实的......现在作为一个实验......。

有时它是有效的。它需要一些时间来弄清楚如何生成，用于哪些情况，等等。


酷，再培训应该有帮助

这是一个自动编码器吗？潜伏向量将如何被打开，它记忆了哪些行的特征等等。
 
Rorschach:

酷，它应该有助于再培训

它是一个自动编码器吗？一个潜伏的向量会如何打开，它记忆了哪些行的特征等等。

高斯混合。

我认为这种模拟更适合于马丁格尔的东西和评估TS的稳定性。

 

我将告诉你一些关于我如何看待市场中的规律性的问题

有一个特定的模式（起点），然后发生一系列的事件（规则），作为其结果，我们得到一个结果（Y）。

数据是二维的

1) 极限（S=支持 R=阻力）。

2) 极限值的价格


这就是数据最初的模样

price lab
 1.0   R
 0.0   S
 0.4   R
 0.0   S
 0.3   R
-0.3   S
-0.1   R
-0.5   S
-0.1   R
-0.5   S

初始模式

研究数据

我使用了SPADE算法（在维基上很有帮助），并不得不将数据转换成稍微不同的格式，例如事件格式

[1] "(-0.2)S"  "(2.2)R"   "(1.1)S"   "(3.1)R"   "(2.2)S"  
 [6] "(2.8)R"   "(1.2)S"   "(2.5)R"   "(1.9)S"   "(3)R"    
[11] "(2.4)S"   "(5.1)R"   "(3.4)S"   "(4.5)R"   "(4.1)S"  
[16] "(4.5)R.1" "(4)S"     "(5.3)R"   "(4.8)S"   "(7.3)R"  
[21] "(4.9)S"   "(6.2)R"   "(3.9)S"   "(5.5)R"   "(4.9)S.1"
[26] "(5.7)R"   "(4.8)S.1" "(6.2)R.1" "(4.8)S.2" "(5.5)R.1"
[31] "(4.2)S"   "(5.7)R.1" "(4.9)S.2" "(6.6)R"   "(6)S"    
[36] "(7)R"     "(6.1)S"   "(8.5)R"   "(7.6)S"   "(8.2)R"  
[41] "(7.6)S.1" "(8.3)R"   "(7.8)S"   "(8.4)R"   "(7.6)S.2"

这基本上是同一件事，但形式不同。


运行算法，寻找规则...

我马上告诉你，这个算法可以找到非常强的规则...

我给你看一个...


该模式是.

price lab
0.4   R
0.0   S
1.0   R

...接着是一系列的事件，之后的 结果...

 "(-0.3)S"   "(-0.6)R"   "(-0.6)R.1" "(-0.6)R.2"


这是一种从根本上寻找市场模式的新方法，SPADE有很多缺点和局限性，我已经在想另一种寻找自我编写的规则的算法 ...

因此，这里有一些非微不足道的想法和任务...

 
难道没有人写过神经网络上的马丁格尔吗？ 在谷歌上搜索得到的结果为0
 
Maxim Dmitrievsky:
难道没有人写过神经网络上的马丁格尔 吗？ 在谷歌上搜索得到的结果为0

那么人工智能的意义就失去了

 
Maxim Dmitrievsky:
难道没有人在神经元上写过马丁格尔吗？谷歌给出的结果是0。
神经键的头骨正在破裂;)
 
Vitaly Muzichenko:

那么人工智能的意义就失去了

职位

我的意思是通过martinOM来教授交易，而不是在培训后进行平均交易。

 
Maxim Dmitrievsky:

电子邮件

我的意思是教马丁交易，而不是培训后的平均交易。

我甚至无法想象从哪里开始，以及它应该是什么样子。我不认为它是兼容的。

1...228222832284228522862287228822892290229122922293229422952296...3399
新评论