交易中的机器学习:理论、模型、实践和算法交易 - 页 2353 1...234623472348234923502351235223532354235523562357235823592360...3399 新评论 Aleksey Nikolayev 2021.02.24 18:36 #23521 Maxim Dmitrievsky: 没办法在外汇市场上)。 那么如果你去看书中的其他主题,就会有更多的纠结。 我们是否应该分别计算出价和要价,然后再以某种方式将其合并?很可能,这不会有任何意义。 这听起来很合理,因为它已经被太多的灰尘污染了)。 Mikhail Mishanin 2021.02.24 18:37 #23522 Aleksey Nikolayev: 也许我们不应该喧宾夺主,而应该做一些更有意义的事情)。例如,把普拉多的东西拆开。不平衡条的想法似乎很有趣,但我无法理解它如何可能适用于外汇。 是否有普拉多的俄文译本? Aleksey Nikolayev 2021.02.24 18:42 #23523 Mikhail Mishanin: 有没有《普拉多》的俄文译本? 有,但最好是英文的--叙述简明而复杂,你必须在文章中获得细节,没有人会把它翻译成俄语。 Машинное обучение: алгоритмы для бизнеса – Маркос Лопез де Прадо 投票: 5www.litres.ru Маркос Лопез де Прадо делится тем, что обычно скрывают, – самыми прибыльными алгоритмами машинного обучения, которые он использовал на протяжении двух десятилетий, чтобы управлять большими пулами средств самых требовательных … Maxim Dmitrievsky 2021.02.24 18:44 #23524 Roman: 那么他的书有什么意义呢?;)) 里面有一些关于重采样和随机森林 训练的有用的东西,总的来说,这是一个熟悉不同方法的好材料。 Maxim Dmitrievsky 2021.02.24 18:45 #23525 Aleksey Nikolayev: 我们是否应该分别计算出价和要价,然后再以某种方式将其合并?最有可能的是,这将是无稽之谈。听起来合乎逻辑,因为它的污染相当严重)。 我不知道他做了什么样的梦,但只有当他们真的有一些意义时才有意义。 Aleksey Nikolayev 2021.02.24 19:02 #23526 Maxim Dmitrievsky: 我不知道他做了什么关于这种转变的梦,但它们只有在真正有意义的时候才有意义,否则就是同样的仁科。 我不知道)但无论谁想成为普拉多那样的人,都需要像普拉多那样思考) 是的,它看起来像一个Renko,但也有一些与CUSUM的关联。 mytarmailS 2021.02.26 15:51 #23527 如何提高时间序列的 可预测性 以人字形分类为例... 波动性正常化 0)创建一个空矢量 1)在一个大小为n的滑动窗口中跟踪价格 2) 将滑动窗口中的价格规范化为0-1的范围 3) 将最后一个归一化值与前一个归一化值的差值写入空向量中 4)对矢量进行累积求和 P代码,如果有NA内插法,则有NA内插法 roll.r01 <- function(x,n=10){ res <- rep(0,length(x)) for(i in n:length(x)){ ii <- (i-(n-1)):i res[i] <- tail(diff(r01(x[ii])),1) } if(any(is.na(res))){ print( paste("WARNING vector haves NAs",sum(is.na(res))) ) res <- imputeTS::na_ma(res) } return(cumsum(res))} 辅助归一化功能 r01 <- function(x) (x-min(x)) / ( max(x) - min(x)) 这就是我们得到的结果,红色一行是价格,蓝色一行是根据波动率归一化的。 我们可以看到,该系列具有所有的价格属性,但它的特征更加稳定。 让我们试着比较一下NW坡度分类的质量 目标--WP的偏角 标志--一打的标准指标 AMO-FOREST,参数和SID相同。 追踪10k , 测试10k 按标准价格预测 Confusion Matrix and Statistics Reference Prediction -1 1 -1 3416 1894 1 1582 3108 Accuracy : 0.6524 按改变后的价格预测 Confusion Matrix and Statistics Reference Prediction -1 1 -1 3504 1568 1 1332 3596 Accuracy : 0.71 我敦促你猜测!!!!! Andrei Trukhanovich 2021.02.26 16:08 #23528 阿列克谢-尼古拉耶夫。 你是在暗示现在是时候离开零售外汇的家巢了吗? 如果有一台可以在一个月内增加存款的小机器,那么留下来是有意义的,在所有其他情况下,到其他地方工作更容易。 Forester 2021.02.26 19:40 #23529 mytarmailS: 如何提高时间序列的 可预测性以人字形分类为例...波动性正常化0)创建一个空矢量1)在一个大小为n的滑动窗口中跟踪价格2) 将滑动窗口中的价格规范化为0-1的范围3) 将最后一个归一化值与前一个归一化值的差值写入空向量中4)对矢量进行累积求和P代码,如果有NA内插法,则有NA内插法辅助归一化功能这就是我们得到的结果,红色一行是价格,蓝色一行是根据波动率归一化的。我们可以看到,该系列具有所有的价格属性,但它的特征更加稳定。让我们试着比较一下NW坡度分类的质量目标--WP的偏角标志--一打的标准指标AMO-FOREST,具有相同的参数和SID。追踪10k , 测试10k按标准价格预测按改变后的价格预测我敦促猜测!!!!! 最好是比较利润。不是倾向性的错误。 sibirqk 2021.02.27 06:11 #23530 mytarmailS: 如何提高时间序列的 可预测性以人字形分类为例...按波动率归一化 基本上,这与建立一个趋势线,然后将其从原始系列中删除几乎是一样的。是的,预测这种残留物比较容易,但一切都取决于趋势预测。为了预测趋势,我们至少应该知道未来价格的大概走向。但如果一个人知道它,就不需要手风琴--我指的是以前的所有阶段。 1...234623472348234923502351235223532354235523562357235823592360...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
没办法在外汇市场上)。
那么如果你去看书中的其他主题,就会有更多的纠结。我们是否应该分别计算出价和要价,然后再以某种方式将其合并?很可能,这不会有任何意义。
这听起来很合理,因为它已经被太多的灰尘污染了)。
也许我们不应该喧宾夺主,而应该做一些更有意义的事情)。例如,把普拉多的东西拆开。不平衡条的想法似乎很有趣,但我无法理解它如何可能适用于外汇。
是否有普拉多的俄文译本?
有没有《普拉多》的俄文译本?
有,但最好是英文的--叙述简明而复杂,你必须在文章中获得细节,没有人会把它翻译成俄语。
那么他的书有什么意义呢?
;))
里面有一些关于重采样和随机森林 训练的有用的东西,总的来说,这是一个熟悉不同方法的好材料。
我们是否应该分别计算出价和要价,然后再以某种方式将其合并?最有可能的是,这将是无稽之谈。
听起来合乎逻辑,因为它的污染相当严重)。
我不知道他做了什么样的梦,但只有当他们真的有一些意义时才有意义。
我不知道他做了什么关于这种转变的梦,但它们只有在真正有意义的时候才有意义,否则就是同样的仁科。
我不知道)但无论谁想成为普拉多那样的人,都需要像普拉多那样思考)
是的,它看起来像一个Renko,但也有一些与CUSUM的关联。
如何提高时间序列的 可预测性
以人字形分类为例...
波动性正常化
0)创建一个空矢量
1)在一个大小为n的滑动窗口中跟踪价格
2) 将滑动窗口中的价格规范化为0-1的范围
3) 将最后一个归一化值与前一个归一化值的差值写入空向量中
4)对矢量进行累积求和
P代码,如果有NA内插法,则有NA内插法
辅助归一化功能
这就是我们得到的结果,红色一行是价格,蓝色一行是根据波动率归一化的。
我们可以看到,该系列具有所有的价格属性,但它的特征更加稳定。
让我们试着比较一下NW坡度分类的质量
目标--WP的偏角
标志--一打的标准指标
AMO-FOREST,参数和SID相同。
追踪10k , 测试10k
按标准价格预测
按改变后的价格预测
我敦促你猜测!!!!!
你是在暗示现在是时候离开零售外汇的家巢了吗?
如果有一台可以在一个月内增加存款的小机器,那么留下来是有意义的,在所有其他情况下,到其他地方工作更容易。
如何提高时间序列的 可预测性
以人字形分类为例...
波动性正常化
0)创建一个空矢量
1)在一个大小为n的滑动窗口中跟踪价格
2) 将滑动窗口中的价格规范化为0-1的范围
3) 将最后一个归一化值与前一个归一化值的差值写入空向量中
4)对矢量进行累积求和
P代码,如果有NA内插法,则有NA内插法
辅助归一化功能
这就是我们得到的结果,红色一行是价格,蓝色一行是根据波动率归一化的。
我们可以看到,该系列具有所有的价格属性,但它的特征更加稳定。
让我们试着比较一下NW坡度分类的质量
目标--WP的偏角
标志--一打的标准指标
AMO-FOREST,具有相同的参数和SID。
追踪10k , 测试10k
按标准价格预测
按改变后的价格预测
我敦促猜测!!!!!
如何提高时间序列的 可预测性
以人字形分类为例...
按波动率归一化