交易中的机器学习：理论、模型、实践和算法交易 - 页 2566 1...255925602561256225632564256525662567256825692570257125722573...3399 新评论 Maxim Dmitrievsky 2022.01.31 11:53 #25651 Renat Akhtyamov#: https://www.mql5.com/ru/forum/375928/page2如果0≤H<0.5--价格是分形的，FMH的有效性被证实，在变量分布中存在 "重尾"，反持久系列，即价格变化中的负相关，粉红噪音与价格方向的频繁变化。👍 Aleksey Nikolayev 2022.01.31 12:11 #25652 如果你拿SB的实现来计算Hearst，它总是不同的，会与0.5不同，有时会相差很多。为了使这种计算有任何意义，人们应该总是计算P值--计算是在SB上进行的概率。 СанСаныч Фоменко 2022.01.31 17:40 #25653 Aleksey Nikolayev#: 沃龙佐夫可能是俄罗斯最好的国防部专家。因此，该课程必然是好的，但由于它是为IT人士开设的，所以它省略了对我们来说基本而重要的数学。我已经多次注意到，对于交易中的数学方法的应用，很少有适合其基本的、简化的形式。MO是基于（例如见Tibshirani）这样一个假设，即预测因子和反应的联合分布是恒定的P（X,Y）。从中可以计算出条件概率Py(Y|X)，由此可以计算出回归的Y=f(X)。最终，这种回归被一些MO模型所近似。在物理世界中，这一理论或多或少是有效的。但在交易方面则不然。事实证明， P(X,Y)会随着时间发生不可预测的变化（非平稳性），整个理论就有点崩溃了。最常见的方法是简单地忽略非平稳性，然后对结果感到惊讶并抱怨MO）。 重要的是要准确理解：什么的 "非平稳性"？ 而不是降到时间序列本身的非平稳性。你也许可以忽略商数本身的非平稳性。 基石是条件概率Py(Y|X)。 与其说是条件概率，不如说是使用预测者对某位教师的 "预测能力 "更为方便。 我引入了这种预测能力的衡量标准，并在BP上运行了一个窗口，打出了2000个例子的统计数据。我将特别指出，根本没有提到模型。寻找一个预测者-教师对。 下面是部分结果：这一栏是单一的预测因素，为方便起见，给出了总结线：平均预测能力、标准差和%。 我们看到，在预测因素中，有一个预测因素的sd/mean比率约为10%。但值得注意的是，我没有遇到过任何预测器的百分比超过100%的情况。 因此，设计上的挑战是为某位教师找到一组预测因子，将其限制在sd/mean 比率为10%，或者最好是5%，可以忽略不计。可预测的稳定性是交易系统的基石。 Renat Akhtyamov 2022.01.31 18:07 #25654 逐字逐句地谷歌一下" 事实证明，对系列水平 的未来值 的最佳预测是其 当前值" Maxim Dmitrievsky 2022.02.01 05:19 #25655 SanSanych Fomenko#: 重要的是要准确理解：什么的 "非平稳性"？ 而不是跳到时间序列本身的非平稳性。你也许可以忽略商数本身的非平稳性。基石是条件概率Py(Y|X)。与其说是条件概率，不如说是使用预测者对某位教师的 "预测能力 "更为方便。我引入了这种预测能力的衡量标准，并在BP上运行了一个窗口，打出了2000个例子的统计数据。我将特别指出，根本没有提到模型。寻找一个预测者-教师对。下面是部分结果：这一栏是单一的预测因素，为方便起见，给出了总结线：平均预测能力、标准差和%。我们看到，在预测因素中，有一个预测因素的sd/mean比率约为10%。但值得注意的是，我没有遇到过任何预测器的百分比超过100%的情况。因此，设计上的挑战是为某位教师找到一组预测因子，将其限制在sd/mean 比率为10%，或者最好是5%，可以忽略不计。预测能力的稳定性是一个交易系统的基石。 这只是国防部工匠艺术的一个要素，找到这些联系。我在自己工作的基础上做了类似的事情。通常情况下，你通过交叉熵来寻找依赖关系，这在资源方面是很昂贵的。对你来说，它是否更快？ Aleksey Nikolayev 2022.02.01 07:55 #25656 SanSanych Fomenko#: 重要的是要准确理解：什么的 "非平稳性"？ 而不是跳到时间序列本身的非平稳性。你也许可以忽略商数本身的非平稳性。基石是条件概率Py(Y|X)。与其说是条件概率，不如说是使用预测者对某位教师的 "预测能力 "更为方便。我引入了这种预测能力的衡量标准，并在BP上运行了一个窗口，打出了2000个例子的统计数据。我将特别指出，根本没有提到模型。寻找一个预测者-教师对。下面是部分结果：这一栏是单一的预测因素，为方便起见，给出了总结线：平均预测能力、标准差和%。我们看到，在预测因子中，有一个sd/mean比约为10%的预测因子。但值得注意的是，我没有遇到过任何预测器的百分比超过100%的情况。因此，设计上的挑战是为某位教师找到一组预测因子，将其限制在sd/mean 比率为10%，或者最好是5%，可以忽略不计。预测器的稳定性是一个交易系统的基石。 如果没有系列静止性，像你这样的统计计算可能毫无意义--样本值可能不会收敛到真实值。例如，不难想到一个例子，相邻增量的样本相关性将是非零的，但真正的相关性将是零。 PS。 静止性是在 "狭义 "上理解的--时间独立的联合分布。 静止性可以是不完全的--例如，仅指增量的联合分布（具有静止增量的过程）。 当然，谈论一个斜率的静止性是正确的，而不是一个系列的静止性，这只是一个特定过程的实现 之一。但我们不是在考试，所以这并不重要）。 静止性通常被理解为 "广义 "的变体。他们只记得平均值和方差的恒定性，而忘记了ACF的条件。在任何情况下，这种静止性在MO中都是不充分的（对于线性模型将是充分的）。 secret 2022.02.01 09:53 #25657 市场上不存在真正的价值。只有实现。 СанСаныч Фоменко 2022.02.01 13:46 #25658 Maxim Dmitrievsky#: 这只是MO中工匠艺术的一个元素，找到这些联系。我正在根据我的经验做类似的事情。通常，他们通过交叉熵来寻找依赖关系，这很耗费资源。对你来说，它是否更快？ 每个预测器（XEON-1620）大约一秒钟。 СанСаныч Фоменко 2022.02.01 13:51 #25659 Aleksey Nikolayev#: 如果没有序列静止性，像你这样的统计计算可能毫无意义--采样值可能无法收敛到真实值。例如，不难想到一个例子，相邻增量的样本相关性非零，但真实的相关性为零。PS。静止性是在 "狭义 "上理解的--时间独立的联合分布。静止性可以是不完全的--例如，仅指增量的联合分布（具有静止增量的过程）。当然，谈论一个斜率的静止性是正确的，而不是一个系列的静止性，这只是一个特定过程的实现 之一。但我们不是在考试，所以这并不重要）。静止性通常被理解为 "广义 "的变体。他们只记得平均值和方差的恒定性，而忘记了ACF的条件。在任何情况下，这种静止性在MO中都是不充分的（对于线性模型将是充分的）。 我对商数本身不感兴趣。我对预测者预测教师的能力感兴趣。在我看来，绝大多数交易者最大的错误在于他们试图解决kotir本身。而我们需要老师的预测。这是一个完全不同的问题。 mytarmailS 2022.02.01 14:13 #25660 SanSanych Fomenko#: 我对衣架本身不感兴趣。我感兴趣的是预测者对教师的预测能力。在我看来，绝大多数交易者最大的错误是试图解决科蒂尔本身的问题。而我们需要老师的预测。这是一个完全不同的问题。 这个 "教师的预测 "是什么？ 1...255925602561256225632564256525662567256825692570257125722573...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/375928/page2
如果0≤H<0.5--价格是分形的，FMH的有效性被证实，在变量分布中存在 "重尾"，反持久系列，即价格变化中的负相关，粉红噪音与价格方向的频繁变化。沃龙佐夫可能是俄罗斯最好的国防部专家。因此，该课程必然是好的，但由于它是为IT人士开设的，所以它省略了对我们来说基本而重要的数学。我已经多次注意到，对于交易中的数学方法的应用，很少有适合其基本的、简化的形式。
MO是基于（例如见Tibshirani）这样一个假设，即预测因子和反应的联合分布是恒定的P（X,Y）。从中可以计算出条件概率Py(Y|X)，由此可以计算出回归的Y=f(X)。最终，这种回归被一些MO模型所近似。在物理世界中，这一理论或多或少是有效的。但在交易方面则不然。事实证明， P(X,Y)会随着时间发生不可预测的变化（非平稳性），整个理论就有点崩溃了。
最常见的方法是简单地忽略非平稳性，然后对结果感到惊讶并抱怨MO）。
重要的是要准确理解：什么的 "非平稳性"？ 而不是降到时间序列本身的非平稳性。你也许可以忽略商数本身的非平稳性。
基石是条件概率Py(Y|X)。
与其说是条件概率，不如说是使用预测者对某位教师的 "预测能力 "更为方便。
我引入了这种预测能力的衡量标准，并在BP上运行了一个窗口，打出了2000个例子的统计数据。我将特别指出，根本没有提到模型。寻找一个预测者-教师对。
下面是部分结果：这一栏是单一的预测因素，为方便起见，给出了总结线：平均预测能力、标准差和%。
我们看到，在预测因素中，有一个预测因素的sd/mean比率约为10%。但值得注意的是，我没有遇到过任何预测器的百分比超过100%的情况。
因此，设计上的挑战是为某位教师找到一组预测因子，将其限制在sd/mean 比率为10%，或者最好是5%，可以忽略不计。可预测的稳定性是交易系统的基石。
逐字逐句地谷歌一下
"
事实证明，对系列水平 的未来值 的最佳预测是其 当前值"
重要的是要准确理解：什么的 "非平稳性"？ 而不是跳到时间序列本身的非平稳性。你也许可以忽略商数本身的非平稳性。
基石是条件概率Py(Y|X)。
与其说是条件概率，不如说是使用预测者对某位教师的 "预测能力 "更为方便。
我引入了这种预测能力的衡量标准，并在BP上运行了一个窗口，打出了2000个例子的统计数据。我将特别指出，根本没有提到模型。寻找一个预测者-教师对。
下面是部分结果：这一栏是单一的预测因素，为方便起见，给出了总结线：平均预测能力、标准差和%。
我们看到，在预测因素中，有一个预测因素的sd/mean比率约为10%。但值得注意的是，我没有遇到过任何预测器的百分比超过100%的情况。
因此，设计上的挑战是为某位教师找到一组预测因子，将其限制在sd/mean 比率为10%，或者最好是5%，可以忽略不计。预测能力的稳定性是一个交易系统的基石。
重要的是要准确理解：什么的 "非平稳性"？ 而不是跳到时间序列本身的非平稳性。你也许可以忽略商数本身的非平稳性。
基石是条件概率Py(Y|X)。
与其说是条件概率，不如说是使用预测者对某位教师的 "预测能力 "更为方便。
我引入了这种预测能力的衡量标准，并在BP上运行了一个窗口，打出了2000个例子的统计数据。我将特别指出，根本没有提到模型。寻找一个预测者-教师对。
下面是部分结果：这一栏是单一的预测因素，为方便起见，给出了总结线：平均预测能力、标准差和%。
我们看到，在预测因子中，有一个sd/mean比约为10%的预测因子。但值得注意的是，我没有遇到过任何预测器的百分比超过100%的情况。
因此，设计上的挑战是为某位教师找到一组预测因子，将其限制在sd/mean 比率为10%，或者最好是5%，可以忽略不计。预测器的稳定性是一个交易系统的基石。
如果没有系列静止性，像你这样的统计计算可能毫无意义--样本值可能不会收敛到真实值。例如，不难想到一个例子，相邻增量的样本相关性将是非零的，但真正的相关性将是零。
PS。
静止性是在 "狭义 "上理解的--时间独立的联合分布。
静止性可以是不完全的--例如，仅指增量的联合分布（具有静止增量的过程）。
当然，谈论一个斜率的静止性是正确的，而不是一个系列的静止性，这只是一个特定过程的实现 之一。但我们不是在考试，所以这并不重要）。
静止性通常被理解为 "广义 "的变体。他们只记得平均值和方差的恒定性，而忘记了ACF的条件。在任何情况下，这种静止性在MO中都是不充分的（对于线性模型将是充分的）。
这只是MO中工匠艺术的一个元素，找到这些联系。我正在根据我的经验做类似的事情。通常，他们通过交叉熵来寻找依赖关系，这很耗费资源。对你来说，它是否更快？
每个预测器（XEON-1620）大约一秒钟。
如果没有序列静止性，像你这样的统计计算可能毫无意义--采样值可能无法收敛到真实值。例如，不难想到一个例子，相邻增量的样本相关性非零，但真实的相关性为零。
PS。
静止性是在 "狭义 "上理解的--时间独立的联合分布。
静止性可以是不完全的--例如，仅指增量的联合分布（具有静止增量的过程）。
当然，谈论一个斜率的静止性是正确的，而不是一个系列的静止性，这只是一个特定过程的实现 之一。但我们不是在考试，所以这并不重要）。
静止性通常被理解为 "广义 "的变体。他们只记得平均值和方差的恒定性，而忘记了ACF的条件。在任何情况下，这种静止性在MO中都是不充分的（对于线性模型将是充分的）。
我对商数本身不感兴趣。我对预测者预测教师的能力感兴趣。在我看来，绝大多数交易者最大的错误在于他们试图解决kotir本身。而我们需要老师的预测。这是一个完全不同的问题。
我对衣架本身不感兴趣。我感兴趣的是预测者对教师的预测能力。在我看来，绝大多数交易者最大的错误是试图解决科蒂尔本身的问题。而我们需要老师的预测。这是一个完全不同的问题。
这个 "教师的预测 "是什么？