交易中的机器学习：理论、模型、实践和算法交易 - 页 2464

[Mihail Marchukajtes]

Dmytryi Nazarchuk#:

你用哪个经纪人用MT进入莫斯科交易所？

Otkrytie, BKS, Finam.有关于它的单独主题!

[JeeyCi]

Mikhail Mishanin#:

你把我的意见理解成相反的，在自然界中，目标是最实用的--最 "必要 "的生存和繁衍。而且有必要在不以任何方式改变的情况下训练最 "实用 "的目标。

关于数据，是的，输入的信息，但理想情况下，我们应该形成/接受--"眼睛"、"耳朵"、"鼻子 "等。

1）除了 "为了训练神经网络，你需要巨大的精心挑选的数据集"。

要创建一个新的神经网络，你需要设置一个算法，通过它运行所有的数据，测试它，并反复优化它。这很复杂，也很耗时。因此，有时使用更简单的算法--例如回归，会更容易。

2）我一开始也以为是简单的（回归）......。但线性回归是令人困惑的，因为在我的印象中，价格是非线性的，而收益是线性的（如果不是相反的话？最可悲的是，这样的分析不是线性的，而回报是线性的，如果不是反过来的话--至少对于不同到期日的期权，但它并不总是由3D图像来证明这样的好。而这种分析最可悲的是，根据DB CME，所有的价格都与中央罢工一致，我没有看到任何可能在报告中看到不平衡，但要实时监测（我不是仲裁员，所以我不能打扰它）...一切都不是那么线性的，而是逻辑上的指数，我不想把鳄鱼和犀牛放在一起（在2个因素的模型中--时间和利率）。似乎在期权定价中，一切都已经交叉进行了...

3)

Mihail Marchukajtes#:
关于目标的一切都很正确，我的目标是完美的，从信号到信号，如果信号是盈利的，那么就放一，如果是亏损的，那么就放0，没有别的，除了利润可以用点差条件计算!!!!。

这是另一种可能的机器学习算法--使用贝叶斯定理（对我来说描述似乎是这样的）..."这些算法被用来处理文本文件--例如，用于垃圾邮件过滤......"。另一方面，神经网络以更复杂的方式工作--从一层到另一层（深度学习）...

总之，看着这3种机器学习算法--到目前为止，我意识到从概率论的角度来看，在你的模型中不划出目标函数并不那么容易，以免你最终从最好的到最坏的过度学习，最重要的是只是依赖历史......算法+数据+选择下一层的条件=似乎是最合乎逻辑的（虽然只有在处理大量数据的时候，但它们并不总是这样）。

可能，这就是为什么（由于三个算法中的两个算法落空）H.Grid层在交易中比简单的回归或贝叶斯定理更有前景......但在本质上，对我来说，这一切都归结为决策过程的平庸编程，只用巨大的样本来支持机器人的决策，用统计数据来支持机器人的决策......可惜的是，我们没有太多的资料，而且这并不以输出的具体内容为中心，而是以输出的可能性范围为中心......在同一范围内，价格通常会浮动(因为浮动汇率本身会产生波动）......。

和交易者的决策过程（和他自己的学习）不能通过不学习它自己 ...交易员的决策过程（以及他自己的学习）不能在没有学习的情况下被编码......那么编码者就有东西可以传递给机器人，但是，当然，错误分析算法不能以特定的矩阵转移给它（而它本身就存在于编码者的大脑中）......印象中

好吧，我会在闲暇时思考如何不颠倒黑白（以便不被过度训练而变得更糟）......溢价、OI、成交量-- 反正只是交易员预期和决策的部分数据，供求关系来自于他们，而不是数学模型。印象中

(即5个因素，不考虑报价单中出现的2个国家的财政和货币政策)

米哈伊尔-米山宁 谢谢你的提示。

有一点与你的观点有点矛盾？(从链接上的引文看不太清楚）。

基本上，隐藏层执行某种数学功能。我们不设置它，程序会自己学习输出结果。

听起来像一个愚蠢的蛮力路径...(如算法，例如用于破解密码)

p.s.and yet:

Igor Makanu#:

MO不记得历史，也许你说的是模型再训练

因此，你不能在目前收集到很多数据来为网络的各层收费，而不是一个简单的决策过程......所以仍然倾向于在RM中可能有用，但不是TM

[[删除]]

在你能教导一个神经网络之前，你必须自己知道一些东西。至于交易，如果你不能用手交易，机器人也无济于事。

[JeeyCi]

至于论坛，如果你不知道如何从反馈中得出结论，你可以做这样的机器人，甚至不需要机器学习，如果你自己的大脑没有帮助...到另一个巨蟹座的谈话者。

机器学习系统允许你快速应用在大型数据集上学习获得的知识，使其能够在人脸识别、语音识别、物体识别、翻译等任务中表现出色。

[mytarmailS]

JeeyCi#:

至于论坛，如果你不知道如何从反馈中得出结论，你可以做这样的机器人，甚至不需要机器学习，如果你自己的大脑没有帮助...对另一个由巨魔转为垃圾的人。

+

[Forester]

Igor Makanu#:

国防部不记得历史，也许你说的是重新训练模型。

它怎么会不记得呢？它正是这样做的。
你是否遇到过 "基于神经网络的数据库 "这一说法？我遇到过一次，我认为这是对NS/树的最佳定义。

一棵树可以被训练到最后一次分裂，然后它将绝对精确地记住所有的历史（得到一个过度训练的模型）。
如果不是最后的分割，而是稍早的停止分割（例如在一张纸上的10个例子），那么我们就会得到具有概括性的记忆，并对 这10个最相似的例子的结果进行平均化。过度学习的情况会减少。也就是说，当学习不足开始变成过度学习时，你必须停止划分。这是最主要和最困难的任务。

[[删除]]

elibrarius#:

怎么可能不呢？它正是这样做的。
你是否遇到过 "基于神经网络的数据库 "这一说法？我遇到过一次，我认为这是对NS/树的最佳定义。

一棵树可以被训练到最后一次分裂，然后它将绝对精确地记住所有的历史（得到一个过度训练的模型）。
如果不是最后一次分割，而是稍微早一点停止分割（例如在一张纸上的10个例子），那么我们就会得到具有概括性的记忆，并对 这10个最相似的例子的结果进行平均化。过度学习的情况会减少。也就是说，你应该以最小的过度学习来找到划分的深度。

适用于外汇，记住历史并根据它进行交易？

[Forester]

Vladimir Baskakov#:
适用于外汇，记住历史并在此基础上进行交易？

是的，我们希望历史会重演。也许是徒劳的。但我们没有别的希望了。

[[删除]]

elibrarius#:

是的，我们希望历史会重演。也许是徒劳的。但我们没有别的希望了。

他们自己在《信号》中写了一个警告，过去的成就并没有说以后会有这种情况。幽默

[Fast235]

弗拉基米尔-巴斯卡科夫#:
他们自己在《信号》中写了一个警告，过去的成就并没有说还会是这样的。幽默

有趣的是，没有人可以保证--别人的行为。

机器学习，现在只对静力学起作用，马克西姆卡刚刚证明了这一点。