交易中的机器学习:理论、模型、实践和算法交易 - 页 241

 
Dr.Trader:
试过了,没有用。你可以在样本上以相当不错的交易量捡到集群,但在奥斯上它几乎总是暴跌,这是不好的策略。

到底是什么东西被簇拥着?

以及目标是什么?

 
弗拉基米尔-佩雷文科

我喜欢这篇文章就好了。

我是说关于蜡烛的整个系列帖子。

 
mytarmailS:

桑尼奇,去吧,去做吧!!!。

1)讲述想法的要点

2) 编写并发布代码

3)展示在OOS上的贸易图片

只是胡说八道......

你至少应该发一个真正的帖子,证实你的观点,你如此热情地鼓吹,你可以触摸它, 但你不会这样做, 对吗?我知道为什么...

嗯,你错了。

给我目标和预测因素,我会给你一个他们对目标重要性的估计。我的例子不多(我想我做了10个以上的订单),但结果总是一样的:模型没有对选定的预测器进行重新训练。而分类误差是由预测因子的列表决定的。如果误差很大,那么就有必要改变预测因子的构成。

等待。如果.RData.这种形式对你来说是相当可用的。

顺便说一句,我把它提供给大家。免费的。

 
桑桑尼茨-弗门科

好吧,那是在浪费时间。

给我目标和预测因素,我会给你一个关于它们对目标重要性的估计。我的例子不多(我想我做了10个以上的订单),但结果总是一样的:模型没有对选定的预测器进行重新训练。而分类误差是由预测因子的列表决定的。如果误差很大,那么就有必要改变预测因子的构成。

等待。如果.RData.这种形式对你来说是相当可用的。

顺便说一句,我把它提供给大家。免费的。

这与我写的东西有什么关系呢?

呃,桑尼茨,桑尼茨......。

 
mytarmailS:

这与我写的东西有什么关系呢?

呃,桑尼茨,桑尼茨......。

1.说我什么都不发。你错了。

2.我准备将我的技能和算法应用于其他人的数据,以证实我反复说过的想法。

3.和关于你的一些帖子以及其他一些帖子。

你是在试图形成预测器。是的,这是一个问题,而且从一开始就是一个问题,关于这个问题的各种想法都值得关注。

但是。

很多帖子,预测者的形成都是为了形成本身而涌现的。

  • 什么目标变量的预测器?
  • 如果该模式没有教师,那么在内容方面的学习结果将是什么?这里都是一个班里有两支白蜡烛的情况--那是好的,如果其中有成对的黑蜡烛--那就不好了。为什么?选择标准是什么?蜡烛的颜色?蜡烛图的颜色与交易结果有什么关系?

首先,确定研究的目的,然后进行研究。还能怎样呢?

 

妙趣横生。

"向论坛询问我的代码有什么问题。了解了很多关于我自己的事情"。

 
Vizard_
这些帖子并不是关于蜡烛...
好吧,我们就假设我只是没有得到它。
 
偏离主题的问题,但...有人知道什么是多谐波近似吗?
 
SanSanych Fomenko:

所有这些烛光练习中都有一股挥之不去的萨满教气息。根本就没有规律性的思考!这只是高深莫测的机器学习算法和典型的技术分析废话的惊人组合。

整个要点是在模式中,当连续的几个蜡烛图形成一个模式。它真的很有效,但这样的模式非常难找。例如,我所知道的模式策略对某些货币对在D1上起作用,需要两个以上的蜡烛图。 当模式重合时,我们不应该只是开仓,还应该在某一水平上下挂单,然后用特殊方法进行追踪。所有这些都不太有利可图。 我不喜欢D1,而且自己寻找替代模式很困难。但它仍然是有利可图的。


mytarmailS:

到底是什么东西在作祟?

目标是什么?

正如我之前所说的--我采用了蜡烛图,按照_Vizard的描述从它们中制作了4个预测器,对某一时刻进行了辅导,为表格中的每一行找到了群组编号,通过选择方法找到了每个群组中最有利可图的行动(买入/卖出/退出)。没有目标,有的只是根据获得的集群数量选择行动。
 
Dr.Trader:

这都是关于模式的,连续的几根蜡烛形成一种模式。它真的很有效,但这样的模式非常难找。例如,我所知道的模式策略在一些货币对的D1上起作用,你需要远远超过两根蜡烛,当一个模式匹配时,你需要的不仅仅是开仓,而是在某一水平上进行暂停,然后通过特殊技术进行追踪。所有这些都不太有利可图。 我不喜欢D1,而且自己寻找替代模式很困难。但它仍然是有利可图的。


和我之前写的一样--我取了蜡烛图,按照_Vizard的描述,从蜡烛图中做了4个预测器,训练了som,为表格中的每一行找到一个群组编号,用匹配方法找到每个群组中最有利可图的行动(买入/卖出/退出)。没有目标,有的只是根据获得的集群数量选择行动。

我的情绪爆发并不像人们可能得到的印象那样与烛台有关。

它是关于别的东西。

谈到烛台,已经有很多书列出了烛台的众多组合。此外,有的人声称你可以通过交易获利。

我对所有这些蜡烛图,以及一般的技术分析的不满是,过去的盈利能力与未来没有任何关系。而如果我们采取比 "三个士兵 "复杂得多的模型,我们应该得到一些回报。而在我看来,这证明了未来将与过去相似。

如果我们进入R,或者更确切地说,机器学习,数学统计,只是为了。

1.对于回归模型,我们在静止的预测因子上建立预测值

2.对于分类模型,我们知道如何防止它们被过度训练,至少可以通过预先过滤噪声预测器。

如果我们知道如何做这样的事情,那么我们就有一个与技术分析有质的区别的工具。如果我们不能,我们就不需要麻烦。