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