交易中的机器学习：理论、模型、实践和算法交易 - 页 2561 1...255425552556255725582559256025612562256325642565256625672568...3399 新评论 Aleksey Nikolayev 2022.01.29 14:45 #25601 elibrarius#: xgboost 也可以做到这一点，但要写出自己的函数是很难的。你必须推导出公式。http://biostat-r.blogspot.com/2016/08/xgboost.html- 第6段。 是的，你必须在一张纸上做数学题）不是每个函数都能做--你需要定义二阶导数，它可能应该是非零的。 Maxim Dmitrievsky 2022.01.29 14:49 #25602 Aleksey Vyazmikin#: 对，这正是我所说的预测者与目标的关系。现在，我不知道有什么方法可以建立一个模型，在不同的采样区间用分割或其他一些机制来组合预测因子来估计 "静止性"。所有的模型确实适合于样本图，只估计定量改进，但我们需要跨区间估计，那么模型可能更稳健。 为什么不直接做交叉验证，按区间检查稳定性？ Maxim Dmitrievsky 2022.01.29 14:52 #25603 这里有那篇文章，但这不是规律性，是不规律性。但这并没有什么区别。 https://www.ncbi.nlm.nih.gov/pmc/articles/PMC518821/ mytarmailS 2022.01.29 15:23 #25604 Aleksey Nikolayev#: 我不这么认为--以Python为例。 不，这不是它，只是一个定制的公制... 你不能把FFS放在那里。 你看，用自定义指标，你给出目标和数据，并选择公式来读取错误。 而对于FF，你可以说：AMO！我不知道什么应该是目标定位，如何让它变得更好，但要让它变得好（而且你可以同时使用许多标准）。 而FF+AMO会 "想到一个目标"，调整会做等等。 这是一个不同的世界... Aleksey Vyazmikin 2022.01.29 15:51 #25605 Maxim Dmitrievsky#: 为什么不直接做交叉验证来检查各区间的稳定性？ 这不是要随机找到一个成功的模式，而是要增加使该模式成功的概率。 Aleksey Nikolayev 2022.01.29 15:57 #25606 mytarmailS#: 不，这不是它，只是一个定制的公制...你不能在那里放一个弗氏。你看，用自定义指标，你给出目标和数据，并选择公式来读取错误。而对于FF，你可以说：AMO！我不知道什么应该是目标定位，如何做得更好，但要把它做好（而且你可以同时使用许多标准）。而FF+AMO会 "想到一个目标"，调整会做等等。这完全是一个不同的世界...... 也许这是伊瓦赫宁科精神的东西，反正不是我的东西。 Roman 2022.01.29 16:11 #25607 Rorschach#: 我读过一本70年代的书，上面说如果没有自相关，就不可能有预测。在这个问题上有什么更多的最新信息吗？ 我想这取决于对所假设的过程类型的模型选择。 毕竟，在静态过程中，相反，自相关是用线性模型来对抗的。 而在动态过程中，主要存在自相关，，这就是为什么科学界试图用适当的模型解决自相关过程的问题。 因此，如果不存在自相关，预测就会有很大的错误。 也就是说，人们必须区分过程的性质，并用合适的算法来估计它。 我读了一篇2014年的论文，关于动态系统的合成估计。 该论文研究了具有指数相关过程的例子。 这是一个巧合吗？我不这么认为。 mytarmailS 2022.01.29 16:11 #25608 Aleksey Nikolayev#: 也许是伊瓦赫宁科的精神的东西，反正不是我的。 不，伊瓦赫年科与此无关，只是有些任务无法用目标来解决，没有现成的目标。 想象一下这个问题。 有属性，就有价格，所有这些都是属性 "X "的矩阵。 问题是。 我想让AMO将 "X "作为输入，并在输出上给出一个函数。 1）尽可能地重复价格（相关）。 2）在-1,1的范围内 3) 尽可能地跑赢价格（负相关）。 一切都是。采取任何优化器，在这种情况下，一个多标准的优化器（帕累托），并开始玩奖章的（内脏），直到它在输出中给出我们需要的东西。 你看，不可能有现成的目标定位，只有搜索和通过健身来运行。 或者只是一个简单的例子，优化网络以获得最大的交易利润或恢复系数，或两者兼而有之，我们如何才能作为一个现成的目标？ Aleksey Nikolayev 2022.01.29 16:30 #25609 mytarmailS#: 不，伊瓦赫年科与此无关，有些问题根本无法用一个目标来解决，没有现成的目标。想象一下这个问题。有属性和价格，所有这些都是属性 "X "的矩阵。问题是。我想让AMO将 "X "作为输入，并在输出上给出一个函数。1）尽可能地重复价格（相关）。2）在-1,1的范围内3) 尽可能地跑赢价格（负相关）。一切都是。采取任何优化器，在这种情况下，一个多标准的优化器（帕累托），并开始玩奖章的（内脏），直到它在输出中给出我们需要的东西。你看，不可能有现成的目标定位，只有搜索和通过健身来运行。或者只是一个简单的例子，优化网络，在最大利润或回收系数上进行交易，或同时进行交易，如何做为一个现成的目标？"？"不可能！"。 嗯，多标准优化。你可以从所有的标准中组合出一个折中的方案，然后观察当你改变标准的权重时，方案是如何变化的，并在前进的基础上选择其中的最佳方案。或者，你可以选择一个标准作为基本标准，对其他标准选择有效的限制，并对违反这些标准的行为增加硬性惩罚，也可以观察哪个变体更好。 如果你在前向测试中获得明显的优势，那么尝试是有意义的，否则你就只是为了麻烦而麻烦。 mytarmailS 2022.01.29 16:36 #25610 偏离主题，但有趣的是 https://www.youtube.com/watch?v=_Aow6P3oBAg 1...255425552556255725582559256025612562256325642565256625672568...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
xgboost 也可以做到这一点，但要写出自己的函数是很难的。你必须推导出公式。
http://biostat-r.blogspot.com/2016/08/xgboost.html- 第6段。
是的，你必须在一张纸上做数学题）不是每个函数都能做--你需要定义二阶导数，它可能应该是非零的。
对，这正是我所说的预测者与目标的关系。
现在，我不知道有什么方法可以建立一个模型，在不同的采样区间用分割或其他一些机制来组合预测因子来估计 "静止性"。所有的模型确实适合于样本图，只估计定量改进，但我们需要跨区间估计，那么模型可能更稳健。
为什么不直接做交叉验证，按区间检查稳定性？
这里有那篇文章，但这不是规律性，是不规律性。但这并没有什么区别。
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC518821/
我不这么认为--以Python为例。
不，这不是它，只是一个定制的公制...
你不能把FFS放在那里。
你看，用自定义指标，你给出目标和数据，并选择公式来读取错误。
而对于FF，你可以说：AMO！我不知道什么应该是目标定位，如何让它变得更好，但要让它变得好（而且你可以同时使用许多标准）。
而FF+AMO会 "想到一个目标"，调整会做等等。
这是一个不同的世界...
为什么不直接做交叉验证来检查各区间的稳定性？
这不是要随机找到一个成功的模式，而是要增加使该模式成功的概率。
不，这不是它，只是一个定制的公制...
你不能在那里放一个弗氏。
你看，用自定义指标，你给出目标和数据，并选择公式来读取错误。
而对于FF，你可以说：AMO！我不知道什么应该是目标定位，如何做得更好，但要把它做好（而且你可以同时使用许多标准）。
而FF+AMO会 "想到一个目标"，调整会做等等。
这完全是一个不同的世界......
也许这是伊瓦赫宁科精神的东西，反正不是我的东西。
我读过一本70年代的书，上面说如果没有自相关，就不可能有预测。在这个问题上有什么更多的最新信息吗？
我想这取决于对所假设的过程类型的模型选择。
毕竟，在静态过程中，相反，自相关是用线性模型来对抗的。
而在动态过程中，主要存在自相关，
，这就是为什么科学界试图用适当的模型解决自相关过程的问题。
因此，如果不存在自相关，预测就会有很大的错误。
也就是说，人们必须区分过程的性质，并用合适的算法来估计它。
我读了一篇2014年的论文，关于动态系统的合成估计。
该论文研究了具有指数相关过程的例子。
这是一个巧合吗？我不这么认为。
也许是伊瓦赫宁科的精神的东西，反正不是我的。
不，伊瓦赫年科与此无关，只是有些任务无法用目标来解决，没有现成的目标。
想象一下这个问题。
有属性，就有价格，所有这些都是属性 "X "的矩阵。
问题是。
我想让AMO将 "X "作为输入，并在输出上给出一个函数。
1）尽可能地重复价格（相关）。
2）在-1,1的范围内
3) 尽可能地跑赢价格（负相关）。
一切都是。采取任何优化器，在这种情况下，一个多标准的优化器（帕累托），并开始玩奖章的（内脏），直到它在输出中给出我们需要的东西。
你看，不可能有现成的目标定位，只有搜索和通过健身来运行。
或者只是一个简单的例子，优化网络以获得最大的交易利润或恢复系数，或两者兼而有之，我们如何才能作为一个现成的目标？
不，伊瓦赫年科与此无关，有些问题根本无法用一个目标来解决，没有现成的目标。
想象一下这个问题。
有属性和价格，所有这些都是属性 "X "的矩阵。
问题是。
我想让AMO将 "X "作为输入，并在输出上给出一个函数。
1）尽可能地重复价格（相关）。
2）在-1,1的范围内
3) 尽可能地跑赢价格（负相关）。
一切都是。采取任何优化器，在这种情况下，一个多标准的优化器（帕累托），并开始玩奖章的（内脏），直到它在输出中给出我们需要的东西。
你看，不可能有现成的目标定位，只有搜索和通过健身来运行。
或者只是一个简单的例子，优化网络，在最大利润或回收系数上进行交易，或同时进行交易，如何做为一个现成的目标？"？"不可能！"。
嗯，多标准优化。你可以从所有的标准中组合出一个折中的方案，然后观察当你改变标准的权重时，方案是如何变化的，并在前进的基础上选择其中的最佳方案。或者，你可以选择一个标准作为基本标准，对其他标准选择有效的限制，并对违反这些标准的行为增加硬性惩罚，也可以观察哪个变体更好。
如果你在前向测试中获得明显的优势，那么尝试是有意义的，否则你就只是为了麻烦而麻烦。
偏离主题，但有趣的是
https://www.youtube.com/watch?v=_Aow6P3oBAg