交易中的机器学习：理论、模型、实践和算法交易 - 页 2474 1...246724682469247024712472247324742475247624772478247924802481...3399 新评论 ... 2021.10.26 15:16 #24731 mytarmailS#: 没有人对以下事实感兴趣：它解释了为什么模型在新的数据上不起作用，为什么交易者总是亏损，市场本身的机制被揭示......不？ 不感兴趣？ https://www.mql5.com/ru/forum/231011 https://squeezemetrics.com/download/The_Implied_Order_Book.pdf Кукл :) 2018.03.07www.mql5.com Провел миниисследование на тему Кукла :) Если кто не верит в хождение за стопами, то вот вам с вертушки :) Конкретно на рисунке, пытался представит... mytarmailS 2021.10.26 15:55 #24732 Evgeniy Ilin#: 这里有一些真理，但我检查了我的模型，那里的主要问题是要知道我们指望的是哪个前锋....。 我不太明白，但这是我的问题，我没有好好学习，我对交易的算法有点不同的看法，更多的是对社会规则和遗传搜索规则或公式，如符号回归等。但如果你设法使简单的模型在新的数据下工作，听到这个消息非常有趣... ...#: https://www.mql5.com/ru/forum/231011https://squeezemetrics.com/download/The_Implied_Order_Book.pdf 谢谢你的阅读... 我也喜欢Maitreid，他的视频大概看了8遍，没有一个多余的字。 至于假人，我认为要简单得多：交易所以佣金为生，如果大多数人想 买，而这种 购买要求低于目前的 价格，那么交易所就能满足买家的利益，因为他们的数量更多，所以佣金（钱）可以赚得更多，所以价格会下降，反之，卖家也会下降...... 它是如何做到的，只是打印价格或操纵滚筒或其他东西，我不知道，但我认为底线是一样的......。 这就是为什么价格与参与者的立场背道而驰。 Evgeniy Ilin 2021.10.26 16:08 #24733 mytarmailS#: 我不太明白你的意思，但这是我的问题，我没有好好学习，我对交易算法的看法有点不同，更倾向于非社会规则和遗传搜索规则或公式，如符号回归等。但如果你设法使常规模型在新数据上发挥作用，听到这个消息非常有趣。 是的，我已经得到了它，质量不像训练图上的那样，但总是有一部分质量被保留下来，我的研究是从10年的历史向前推进，可以达到一年，平均2-3个月就可以达到相当好的质量，相对于训练图的百分比60-70就可以了。神经网络会给出更好的结果，但已经需要增加这些重新训练的标准，输入像权重一样的综合数据，对数据量给予一定的权重，然后是最终backsest的质量，例如期望值或profitka，当然还有最终算法的复杂性，这就是结果（例如所有感知器的所有权重的数量）。为了在神经网络中实现它，神经元的类型应尽可能不同，层数及其组成应是任意的，在这种情况下，它是可能的。基本上每个人都使用固定架构的神经网络，但由于某些原因，他们不明白架构也必须是灵活的，通过破坏这种灵活性，我们破坏了尽量减少再训练的可能性。一般来说，同样的标准当然可以应用于简单的模型，甚至需要，那么你会得到一个很好的前瞻，我的模型给出了几个月的前瞻利润，设置可能在一天内更新。主要的技巧之一是尽可能多的数据（10年的历史或更多），在这种情况下，我们正在寻找全球模式，它们是基于市场的物理学，在大多数情况下，在很长一段时间内都是有效的。 mytarmailS 2021.10.26 16:20 #24734 Evgeniy Ilin#: 我做了，质量不..... 我需要强壮的铁，我已经有了铁的天花板，但有一个解决这个问题的办法。 如果你没有读过，你会喜欢它的，我相信它对模型质量的标准有有趣的想法。 Evgeniy Ilin 2021.10.26 16:42 #24735 mytarmailS#: 我需要强壮的铁，我也有硬件方面的问题，但这个问题有一个解决办法。 我真的需要服务器），但我没有服务器（我刚刚在死掉的上网本上做了所有这些），我需要漫长而痛苦的时间来阅读。但本身没有其他办法，或者你从某个地方取来电源，并用力加载它们，在这种情况下，你必须至少检查20-30个配置，最好是近百个，并对每个信号进行悬挂和监测，最稳定的将通过自然选择并离开，然后尝试添加更多的电源。没有别的办法，否则就是一条不归路，很多人已经在这里写过了......。它真的可以延伸很多年而不知道在哪里挖掘。另一种选择是在论坛科学中获得学位，并本着普罗科佩科的表演精神，喋喋不休地讨论月相及其对市场的影响）））。如果不是一个秘密，解决方案是什么？ mytarmailS 2021.10.26 17:02 #24736 Evgeniy Ilin#: 如果这不是一个秘密，那么解决方案是什么？ 在我链接的那本书中，对解决方案的描述更加智能... 我真的推荐你阅读它... 简单来说，解决方案很简单，你需要将问题分割开来，比如将数据聚类，为每个聚类训练不同的模型。 或者更简单的例子：一周有5个交易日，所以我们每天为周一训练一个模型，为周二训练第二个，等等。 Evgeniy Ilin 2021.10.26 17:10 #24737 mytarmailS#: 我链接的那本书更明智地描述了这个解决方案... 我真的推荐你阅读它...简单来说，解决方案很简单：你需要将问题分割开来，例如对数据进行分组，并为每个分组训练不同的模型。或者更简单的例子：在一周5个交易日中，我们严格训练一个模型用于周一，第二个用于周二，等等。事实证明，减少5次的训练样本就已经是10年了，还有2年的训练，以此类推就是想象力...... 我没有读过，但都已经实现了，我也是出于同样的原因，我需要减少样本量，但仍然能够深入分析历史，但我是在实验中做的，当我明白我的电脑不够强大，我可以做得更好))))，加上多线程之类的东西...都是为了获得最大的收益。 mytarmailS 2021.10.26 17:22 #24738 Evgeniy Ilin#: 我没有读过，但已经在我家实现了。 我也是出于同样的原因，我必须以某种方式减少采样，但仍然能够深入分析历史，但当我意识到我的电脑不够强大，我可以做得更好))))，再加上多线程之类的东西，我就实验性地来了...都是为了获得最大的收益。 那么 ))) ===== 说真的，这本书介绍了如何在不损失质量的情况下更有效地下载，但它不太可能拯救...我认为现在是时候切换到欧亚算法了...... 或者类似于知识库的东西，这是最小的分割，我的想法和思路是朝这个方向发展的，因为事件和标志的变体将达到几十GB，而一个有2000万个标志的模型是无法训练的......）所以知识库对我来说是摆脱 "维度诅咒 "的一种方式。 Evgeniy Ilin 2021.10.26 17:49 #24739 mytarmailS#: 或者类似于知识库的东西，那是最小的粉碎，我的想法和思路都是朝着这个方向走的，因为会有几十个千兆字节的事件变体和标志，一个有2000万个标志的模型是无法训练的...) 忘记标志。在我看来，这是一个标量（或者换句话说是一个数学表达式，即使是逻辑上的，也可以简化为数学上的，只是准确性会受到影响）。所有这些标量或逻辑值都来自于价格，因为我们没有其他数据，试图使用额外的数据可能只是让预测变得更糟，因为数据是不同的，可能来自不同的来源，在这种情况下，不清楚哪些数据要优先处理。任何数字系列都可以包含其中的所有其他数字系列，如果使用所有可能的方法来转换该系列...试着理解这一点。在这种情况下，不要给算法这个特征空间，而是让它自己去寻找这些特征......。你不需要任何基础，你需要权力。如果有一个系统，而且至少部分运作，下一步就是分散计算。工人需要联网，数据库会有帮助，但它需要作为共同结果的储存库。这听起来已经像是在采矿。 mytarmailS 2021.10.26 18:25 #24740 Evgeniy Ilin#: 忘记属性。我的理解是，它是一个标量（或者换句话说是一个数学表达式，即使是逻辑上的，也可以简化为数学上的，只是准确性会受到影响）。所有这些标量或逻辑值都来自于价格，因为我们没有其他数据，试图使用额外的数据可能只是让预测变得更糟，因为数据是不同的，可能来自不同的来源，在这种情况下，不清楚哪些数据要优先处理。任何数字系列都可以包含其中的所有其他数字系列，如果使用所有可能的方法来转换该系列...试着理解这一点。在这种情况下，你不需要给算法这个特征空间，你需要让它自己找到这些特征......你不需要任何基础，你需要权力。如果有一个系统，而且至少部分运作，下一步就是分散计算。工人需要联网，数据库会有帮助，但它需要作为共同结果的储存库。这听起来已经像是在采矿。 我不太理解你的眼光，所以我不会争论... 我把我的算法看作是一个事件序列，事件是一个日志规则，这个序列没有时间限制，要么有，要么没有。 (作为一个交易者设定的水平，价格可能在5分钟或一天内达到，但情况是一样的) 因此，这种工作序列的合奏将是TS。 但要找到这样的 "非维 "序列，我们需要通过数万亿的变体，我看到的解决方案是--在你的硬盘上创建一个知识库...... 我认为任何算法在移动窗口中的所有 "典型 "训练都是无效的变种，因为市场并不稳定。 输出将是一个带有过去记忆的移动平均线，由于非平稳性，它在未来永远不会重复。 1...246724682469247024712472247324742475247624772478247924802481...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
https://www.mql5.com/ru/forum/231011
https://squeezemetrics.com/download/The_Implied_Order_Book.pdf
这里有一些真理，但我检查了我的模型，那里的主要问题是要知道我们指望的是哪个前锋....。
我不太明白，但这是我的问题，我没有好好学习，我对交易的算法有点不同的看法，更多的是对社会规则和遗传搜索规则或公式，如符号回归等。但如果你设法使简单的模型在新的数据下工作，听到这个消息非常有趣...
https://www.mql5.com/ru/forum/231011
https://squeezemetrics.com/download/The_Implied_Order_Book.pdf
谢谢你的阅读...
我也喜欢Maitreid，他的视频大概看了8遍，没有一个多余的字。
至于假人，我认为要简单得多：交易所以佣金为生，如果大多数人想 买，而这种 购买要求低于目前的 价格，那么交易所就能满足买家的利益，因为他们的数量更多，所以佣金（钱）可以赚得更多，所以价格会下降，反之，卖家也会下降......
它是如何做到的，只是打印价格或操纵滚筒或其他东西，我不知道，但我认为底线是一样的......。
这就是为什么价格与参与者的立场背道而驰。
我不太明白你的意思，但这是我的问题，我没有好好学习，我对交易算法的看法有点不同，更倾向于非社会规则和遗传搜索规则或公式，如符号回归等。但如果你设法使常规模型在新数据上发挥作用，听到这个消息非常有趣。
是的，我已经得到了它，质量不像训练图上的那样，但总是有一部分质量被保留下来，我的研究是从10年的历史向前推进，可以达到一年，平均2-3个月就可以达到相当好的质量，相对于训练图的百分比60-70就可以了。神经网络会给出更好的结果，但已经需要增加这些重新训练的标准，输入像权重一样的综合数据，对数据量给予一定的权重，然后是最终backsest的质量，例如期望值或profitka，当然还有最终算法的复杂性，这就是结果（例如所有感知器的所有权重的数量）。为了在神经网络中实现它，神经元的类型应尽可能不同，层数及其组成应是任意的，在这种情况下，它是可能的。基本上每个人都使用固定架构的神经网络，但由于某些原因，他们不明白架构也必须是灵活的，通过破坏这种灵活性，我们破坏了尽量减少再训练的可能性。一般来说，同样的标准当然可以应用于简单的模型，甚至需要，那么你会得到一个很好的前瞻，我的模型给出了几个月的前瞻利润，设置可能在一天内更新。主要的技巧之一是尽可能多的数据（10年的历史或更多），在这种情况下，我们正在寻找全球模式，它们是基于市场的物理学，在大多数情况下，在很长一段时间内都是有效的。
我做了，质量不.....
我需要强壮的铁，我已经有了铁的天花板，但有一个解决这个问题的办法。
如果你没有读过，你会喜欢它的，我相信它对模型质量的标准有有趣的想法。
我需要强壮的铁，我也有硬件方面的问题，但这个问题有一个解决办法。
我真的需要服务器），但我没有服务器（我刚刚在死掉的上网本上做了所有这些），我需要漫长而痛苦的时间来阅读。但本身没有其他办法，或者你从某个地方取来电源，并用力加载它们，在这种情况下，你必须至少检查20-30个配置，最好是近百个，并对每个信号进行悬挂和监测，最稳定的将通过自然选择并离开，然后尝试添加更多的电源。没有别的办法，否则就是一条不归路，很多人已经在这里写过了......。它真的可以延伸很多年而不知道在哪里挖掘。另一种选择是在论坛科学中获得学位，并本着普罗科佩科的表演精神，喋喋不休地讨论月相及其对市场的影响）））。如果不是一个秘密，解决方案是什么？
如果这不是一个秘密，那么解决方案是什么？
在我链接的那本书中，对解决方案的描述更加智能... 我真的推荐你阅读它...
简单来说，解决方案很简单，你需要将问题分割开来，比如将数据聚类，为每个聚类训练不同的模型。
或者更简单的例子：一周有5个交易日，所以我们每天为周一训练一个模型，为周二训练第二个，等等。
我链接的那本书更明智地描述了这个解决方案... 我真的推荐你阅读它...
简单来说，解决方案很简单：你需要将问题分割开来，例如对数据进行分组，并为每个分组训练不同的模型。
或者更简单的例子：在一周5个交易日中，我们严格训练一个模型用于周一，第二个用于周二，等等。事实证明，减少5次的训练样本就已经是10年了，还有2年的训练，以此类推就是想象力......
我没有读过，但都已经实现了，我也是出于同样的原因，我需要减少样本量，但仍然能够深入分析历史，但我是在实验中做的，当我明白我的电脑不够强大，我可以做得更好))))，加上多线程之类的东西...都是为了获得最大的收益。
我没有读过，但已经在我家实现了。 我也是出于同样的原因，我必须以某种方式减少采样，但仍然能够深入分析历史，但当我意识到我的电脑不够强大，我可以做得更好))))，再加上多线程之类的东西，我就实验性地来了...都是为了获得最大的收益。
那么
)))
=====
说真的，这本书介绍了如何在不损失质量的情况下更有效地下载，但它不太可能拯救...我认为现在是时候切换到欧亚算法了......
或者类似于知识库的东西，这是最小的分割，我的想法和思路是朝这个方向发展的，因为事件和标志的变体将达到几十GB，而一个有2000万个标志的模型是无法训练的......）所以知识库对我来说是摆脱 "维度诅咒 "的一种方式。
或者类似于知识库的东西，那是最小的粉碎，我的想法和思路都是朝着这个方向走的，因为会有几十个千兆字节的事件变体和标志，一个有2000万个标志的模型是无法训练的...)
忘记标志。在我看来，这是一个标量（或者换句话说是一个数学表达式，即使是逻辑上的，也可以简化为数学上的，只是准确性会受到影响）。所有这些标量或逻辑值都来自于价格，因为我们没有其他数据，试图使用额外的数据可能只是让预测变得更糟，因为数据是不同的，可能来自不同的来源，在这种情况下，不清楚哪些数据要优先处理。任何数字系列都可以包含其中的所有其他数字系列，如果使用所有可能的方法来转换该系列...试着理解这一点。在这种情况下，不要给算法这个特征空间，而是让它自己去寻找这些特征......。你不需要任何基础，你需要权力。如果有一个系统，而且至少部分运作，下一步就是分散计算。工人需要联网，数据库会有帮助，但它需要作为共同结果的储存库。这听起来已经像是在采矿。
忘记属性。我的理解是，它是一个标量（或者换句话说是一个数学表达式，即使是逻辑上的，也可以简化为数学上的，只是准确性会受到影响）。所有这些标量或逻辑值都来自于价格，因为我们没有其他数据，试图使用额外的数据可能只是让预测变得更糟，因为数据是不同的，可能来自不同的来源，在这种情况下，不清楚哪些数据要优先处理。任何数字系列都可以包含其中的所有其他数字系列，如果使用所有可能的方法来转换该系列...试着理解这一点。在这种情况下，你不需要给算法这个特征空间，你需要让它自己找到这些特征......你不需要任何基础，你需要权力。如果有一个系统，而且至少部分运作，下一步就是分散计算。工人需要联网，数据库会有帮助，但它需要作为共同结果的储存库。这听起来已经像是在采矿。
我不太理解你的眼光，所以我不会争论...
我把我的算法看作是一个事件序列，事件是一个日志规则，这个序列没有时间限制，要么有，要么没有。
(作为一个交易者设定的水平，价格可能在5分钟或一天内达到，但情况是一样的)
因此，这种工作序列的合奏将是TS。
但要找到这样的 "非维 "序列，我们需要通过数万亿的变体，我看到的解决方案是--在你的硬盘上创建一个知识库......
我认为任何算法在移动窗口中的所有 "典型 "训练都是无效的变种，因为市场并不稳定。 输出将是一个带有过去记忆的移动平均线，由于非平稳性，它在未来永远不会重复。