交易中的机器学习:理论、模型、实践和算法交易 - 页 2473

 
Alexander Ivanov#:

下午好!

一个聪明的人曾经说过。-一个神经网络就是一个神经网络,但基础会打破一切

所以我们是在浪费时间?或者说我们是吗?

请向我这个没有经验的人解释一下吧。

有一种分析是更差或更好的,但适用于任何基础,一个神经网络参与分析,这意味着它可以预测基础不受强烈影响的情况。
 
Vasiliy Sokolov#:

计量经济学是一门伟大的科学。但它并没有说什么,也没有预测什么。它说明了一个事实。例如,人们可以做一个贝叶斯分类器,对它进行长时间的折磨,然后从经济学和科学的角度得出结论:价格是马丁格尔的,最好的策略是买入,同时卖出。

如果目的是为了确定价格马太效应,你可以停在那里,如果不是 - 检查其他因素。

 
Alexander Ivanov#:

下午好!

一个聪明的人曾经说过。-一个神经网络就是一个神经网络,但基础会打破一切

所以我们是在浪费时间?还是我们?

请向我解释,如果你是个无知的人。

基础并没有打破什么,神经网络也没有,玻璃也没有,计量经济学也没有,等等。

是市场的平衡打破了一切。

而不是别的什么

 
Mikhail Mishanin#:

你在寻找什么?从你的文章中一点也看不出来,告诉我。

对我来说,录制一段视频并上传到YouTube上更容易,比起写大量的文字,更容易清楚地展示。更确切地说,如果我说我已经找到了一个可能的解决方案,很多人就会喜欢它。至于其余的文章,有更多的理论,我希望有人会觉得有用。不幸的是,我不可能独自完成这一切。我有很多想法,很多知识,但我没有足够的实力去实现它们,所以我只设法做出了一个解决方案,我需要动态地测试它,但我没有这方面的资源。目前,我遇到的只是计算能力的短缺,其余的都是需要的。总之,我需要服务器,越多、越强大越好。这里有一段视频:

https://youtu.be/NLA0u172oTw

 
Alexander Ivanov#:

下午好!

一个聪明的人曾经说过。-一个神经网络就是一个神经网络,但基础会打破一切

所以我们是在浪费时间?或者说我们是吗?

请向我这个无知的人解释。

团队现在赚了--也就是说,交易员在企业的组织层面上输了。

每个人都要管好自己的事。

长期而言,交易者可以进行交易,但越是低到噪音水平,越需要一个有组织的团队。而一个交易员自己赚钱而不与人分享是无稽之谈。

你需要一个足够的风险管理人。

充足的贸易商

足够的量化指标

处理基金客户的女孩


也许在无组织的市场上有一些,但目前都没有效率,它们很快就消失了。

 
Evgeny Dyuka#:
,有一种分析是更坏或更好的,但适用于任何基础,一个神经网络参与分析,所以它可以预测,当基础影响不大
+1

时间管理没有被任何自动化所取消。2周后一次(FOMC开会时)--不要依赖TA,只依赖FA(和DB中的一些先决条件)...它顺便开会(对其BP国际收支的当前事务作出决定),并说--在不同的时间...所以 - 在他说话的那一刻听到和理解,这并不重要,反正散户交易者(作为最不知情的人)只理解 "a-post"......但所有时机的细微差别(谁在什么时候进入市场,为了什么目的)必须至少在一般情况下想象......

 
明白了,谢谢你的回答:)
 
Evgeniy Ilin#:

对我来说,录制一段视频并上传到YouTube上更容易,比起写大量的文字,更容易清楚地展示。

问题是,对于这种类型的 新数据模型,立即就会被淘汰,而且不会得到交叉验证或其他方面的帮助......

而且,使用什么样的引用函数 并不重要

无论是多项式近似还是

滤波器级联或

自动生成的过滤器级联或

线性回归的近似级联(MGUA)或

传统谐波的近似值等...

从本质上讲,应该使用哪种参考函数 进行逼近(近似)并不重要,大致上都是一样的,问题是不同的

要么数据是错的,要么我们教错了,因为所有的方法都有相同的结果......。

 
JeeyCi#:
+1

时间管理并没有因为任何自动化而被废除。每两周一次(当FOMC开会时)--不要依靠TA,只依靠FA(以及DB中的一些先决条件)...它顺便开会(对其BP国际收支的当前事务作出决定),并说--在不同的时间...所以--在他说话的那一刻,按照他的理解,这并不重要,反正散户交易者(作为最不知情的人)只会理解 "a-after"......但所有关于时机的细微差别(谁在什么时候进入市场,为了什么目的)必须至少在一般情况下被想象出来......

в...你....你自己....交易....?

FOMC....sits....not....two....times....в....月,但....8..... 次....в....year....

 
mytarmailS#:

我做了一个完整的自动机,这很酷,但问题是,对于这种类型的 新数据模型,会直接进入死区,交叉验证和其他任何东西都不能帮助它们......

而且,使用什么样的引用函数 并不重要

无论是多项式近似还是

滤波器级联或

自动生成的过滤器级联或

线性回归的近似级联(MGUA)或

传统谐波的近似值等...

从本质上讲,应该使用哪种参考函数 进行逼近(近似)并不重要,大致上都是一样的,问题是不同的

要么数据是错的,要么我们教错了,因为所有的方法都有相同的结果......。

这里有一些道理,但我检查了我的模型,主要是要知道远期利率。问题是在再训练中,我们应该争取分析的数据与最终的标准集的最大比例,否则的话,就会出现数据压缩,例如你可以分析抛物线图上的数据,把几千个点减少到三个系数A*X^2+B*X+C。那是数据压缩质量较高的地方--那是前进的地方。考虑到这种数据压缩,可以通过引入适当的质量标度指标来控制再培训。在我的案例中,它是以一种更简单的方式完成的--我们采取固定数量的系数,并尽可能地采取大的样本量,它的效率较低,但很有效。