交易中的机器学习:理论、模型、实践和算法交易 - 页 2571 1...256425652566256725682569257025712572257325742575257625772578...3399 新评论 Aleksey Vyazmikin 2022.02.05 10:47 #25701 elibrarius#: 我是否正确理解了你在做什么?: 1)我们得到1棵树。 2)每个节点最多可以给出10个分支(在发现的图片中,它更少,让我们假设10个分支),每个分支由1个量子产生(一个量子是一块10%的预测器:要么是百分数,要么是10%的振幅,取决于使用哪种量化方法)。 3) 在第一次分裂后,我们找到3个量子,这些量子随后导致了一个成功的叶子 4) 随后的分裂又找到了一些好的分裂/量子,导致了成功的叶子 5) 我们在成功的叶子前记住了成功的量子 6) 建立一个新的树,它只使用我们选择的量子作为预测器 用我们量化第一棵树的方法来做,用我们的脚本量化预测器,我们从100个预测器中得到1000个,它们已经是二进制的0或1。如果预测器的值在这个范围内,它=1,如果不在,它=0。 由于我们只选择成功的路径/量子,所有被选择的量子的值=1。如果所有预测因子=1,那么新的树就不能学习。答案已经知道了。还是没有必要再建一棵新树?简单地说,如果预测器的值落入一个选定的量子,我们会立即采取行动吗? 我在第一阶段根本不建树,但如果我们通过一棵树来表示,我们应该建立这样一棵树,一次性选择所有的预测器范围,即在每个叶子中分别选择。 然后评估每个这样的叶子,如果它符合标准,那么就保存分裂的链条。但是,我更喜欢3个阵列的范围/量子提取--所以在最终模型中实施。 既然如此,一切似乎都是正确的,最终我们在这些选定的叶子(量子/范围)上进一步建立模型。 对于模型来说,"1 "并不意味着100%的正确答案--模型的任务是汇总答案,建立某种相关关系并分配权重。 你是否能在没有模型的情况下做到这一点,取决于预测的准确性如何转变,以及在什么转变下可以获利--有些策略甚至在35%的正确投入下也会获利。我试过的最简单的方法就是把它们的数量加起来(我还对它们进行了分组),期望在总阈值时得到一个入场信号。 Aleksey Vyazmikin 2022.02.05 10:49 #25702 Aleksey Nikolayev#: 可能是使用正向或将时间纳入预测因素。 当然,时间在预测者中,但它会显示出稳定的周期性,但不会显示出预测者漂移的预期。 mytarmailS 2022.02.05 10:51 #25703 elibrarius#: 我不是在比较它们,我是说两者都可以被 "画"。而他们是否这样做,你和我都无法确定。我认为,他们有时会画画,有时不会。而在他们不抽签的时候,我们可以赚取一些东西。除了Oanda和CME 之外,我不知道。其他的只有价格图和刻度量。 除了oanda和CME ? 你又在比较!!!! 在CME,我得到了数量,在DM,我得到了情绪。 CME没有情绪 没有来自DME的数量。 它们是不一样的!!!清醒一点吧,可怜可怜我的键盘吧......请:) Forester 2022.02.05 11:36 #25704 mytarmailS#: 除了OANDA和CME之外?你又在比较!!!!对于CME,我采取数量,对于DM,我采取情绪。CME没有情绪。没有来自DME的数量。它们是不一样的!!!清醒一点吧,可怜可怜我的键盘吧......请:) 再一次。我不是在比较它们,我是说两者都可以被 "画"。 而它们的共同点是,它们是唯一不同于所有其他的,只有价格图和刻度量的。这两个人至少可以提供一些其他的分析。 那么,还有哪些8种情况比所有这些情况提供更多的信息?这将是有趣的事情。 Forester 2022.02.05 11:56 #25705 Aleksey Vyazmikin#: 我在第一步根本不建立树,但如果你用树来表示,你需要建立一棵树,一次性分配所有的预测器范围,即在每个叶子中分别分配.然后评估每个这样的叶子,如果它符合标准,那么保存分裂链。但是,我更喜欢3个阵列的范围/量子提取--所以在最终模型中实施。既然如此,一切似乎都是正确的,我们最终在这些选定的叶片(量子/范围)上进一步建立模型。对于模型来说,"1 "并不意味着100%的正确答案--模型的任务是汇总答案,建立某种相关关系并分配权重。你是否能在没有模型的情况下做到这一点,取决于预测的准确性如何转变,以及在什么转变下可以获利--有些策略甚至在35%的正确投入下也会获利。最简单的方法就是把它们的数量加起来(我甚至把它们分组),期望在总阈值时得到一个入场信号。 好吧,如果你做的是一棵树,那么只选择成功的链并只使用它们就是对准备好的树模型的重复。只需使用那些能提供所需成功概率的叶子进行交易,例如所有具有70%概率等级的叶子。对于概率<70%的叶子,你就不做任何反应。在我看来,这听起来与你正在做的事情类似。 但你在那里通过数组做一些事情...所以也许不是这样的。 Aleksey Nikolayev 2022.02.05 12:04 #25706 Aleksey Vyazmikin#: 当然,预测器中存在时间,但它会显示出持续的周期性,但不会显示出预测器漂移的预期。 我没有正确表达自己。所谓的意思是,与时间有关的权重被添加到损失函数中。越接近学习期结束,加的权重越大。有加权和无加权的变体将给出不同的损失,如果即使平均而言(无加权),它们也是一样的。但你当然应该进行实验。 mytarmailS 2022.02.05 12:04 #25707 elibrarius#: 那么,还有哪些8种情况比所有这些情况提供更多的信息?这将是有趣的事情。为什么?我现在要谷歌10个链接粘贴在这里做什么吗?你打算用它做什么?99.999%的人认为这没什么,只是在浪费我的时间。我告诉你,大约有17个华盛顿特区的冲击,给你他们客户的立场。谷歌一下。这是我发现的一个。https://www.dailyfx.com/sentiment https://www.valutrades.com/en/sentiment https://www.dukascopy.com/swiss/english/marketwatch/sentiment/ http://www.forex-central.net/saxo-bank-open-positions.php http://www.forex-central.net/current-buy-sell-forex-positions.php https://www.forexfactory.com/#tradesPositions https://www.xtb.com/int/market-analysis/news-and-research https://tradecaptain.com/ar/sentiment https://forexclientsentiment.com/client-sentiment https://www.vantagefx.com/clients/free-tools/forex-sentiment-indicators/ https://investing.com/markets/sentiment-outlook https://www.home.saxo/insights/tools/fx-options-sentiment/tool-details https://admiralmarkets.com/analytics/market-sentiment?regulator=fca https://forexbenchmark.com/quant/retail_positions/ https://www.fxblue.com/market-data/tools/sentiment https://my.liteforex.com/trading/analytics?symbol=EURUSD&_ga=2.237338496.1654455071.1637403043-481924417.1637403043 该论坛对一些链接感到过敏 Aleksey Vyazmikin 2022.02.05 12:23 #25708 elibrarius#: 好吧,如果你做一棵树,那么只选择成功的链并只使用它们是对准备好的树模型的重复。只需使用那些能提供所需成功概率的叶片进行交易,例如所有概率等级为70%的叶片。对于概率<70%的叶子,你就不做任何反应。在我看来,这听起来与你正在做的事情类似。但你在那里通过数组做一些事情...因此,也许这并不具有可比性。 我有这样的方法,当从树上选择叶子时,但他们使用不同预测器的相关性,而在这里,我们谈论的是通过树选择一个预测器的一个价格段--我在这个段上有相对于平均15%的最大精度改进(范围/量值)。 Aleksey Vyazmikin 2022.02.05 12:34 #25709 Aleksey Nikolayev#: 我没有正确表达自己。所谓的意思是,与时间有关的权重被添加到损失函数中。越接近训练期结束,增加的重量就越多。有加权和无加权的变体将给出不同的损失,如果即使平均而言(无加权)它们也是一样的。但是,人们当然要进行试验。 我认为,在开始的时候,有必要以某种方式计算统计数据,是否有意义,然后在培训过程中实施。 因此,问题仍然是--如何做好它。 假设我有3个这样的二进制序列,在可比的时间间隔内有10个测量点。 A[]={1,0,0,1,1,1,1,1,0,1}; B[]={1,1,1,1,1,1,1,0,0,1}; C[]={1,1,0,1,1,1,0,1,0,1}; 因此,我想了解/绘制一个单位的概率是如何随着单位的增加而变化的。 我明白,我应该先计算序列的数量,但同样,我应该把长序列算作一个,还是应该分别计算,例如1111分成1,11,111和1111,还是只算11? 然后我应该怎么做--我如何评估这个过程是有规律的还是随机的? Forester 2022.02.05 12:51 #25710 mytarmailS#: 为了什么? 谢谢你。我会看一看,作为开始。也许我会想出一些用处来。 1...256425652566256725682569257025712572257325742575257625772578...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
我是否正确理解了你在做什么?:
1)我们得到1棵树。
2)每个节点最多可以给出10个分支(在发现的图片中,它更少,让我们假设10个分支),每个分支由1个量子产生(一个量子是一块10%的预测器:要么是百分数,要么是10%的振幅,取决于使用哪种量化方法)。
3) 在第一次分裂后,我们找到3个量子,这些量子随后导致了一个成功的叶子
4) 随后的分裂又找到了一些好的分裂/量子,导致了成功的叶子
5) 我们在成功的叶子前记住了成功的量子
6) 建立一个新的树,它只使用我们选择的量子作为预测器
用我们量化第一棵树的方法来做,用我们的脚本量化预测器,我们从100个预测器中得到1000个,它们已经是二进制的0或1。如果预测器的值在这个范围内,它=1,如果不在,它=0。
由于我们只选择成功的路径/量子,所有被选择的量子的值=1。如果所有预测因子=1,那么新的树就不能学习。答案已经知道了。
还是没有必要再建一棵新树?简单地说,如果预测器的值落入一个选定的量子,我们会立即采取行动吗?
我在第一阶段根本不建树,但如果我们通过一棵树来表示,我们应该建立这样一棵树,一次性选择所有的预测器范围,即在每个叶子中分别选择。 然后评估每个这样的叶子,如果它符合标准,那么就保存分裂的链条。但是,我更喜欢3个阵列的范围/量子提取--所以在最终模型中实施。
既然如此,一切似乎都是正确的,最终我们在这些选定的叶子(量子/范围)上进一步建立模型。
对于模型来说,"1 "并不意味着100%的正确答案--模型的任务是汇总答案,建立某种相关关系并分配权重。
你是否能在没有模型的情况下做到这一点,取决于预测的准确性如何转变,以及在什么转变下可以获利--有些策略甚至在35%的正确投入下也会获利。我试过的最简单的方法就是把它们的数量加起来(我还对它们进行了分组),期望在总阈值时得到一个入场信号。
可能是使用正向或将时间纳入预测因素。
当然,时间在预测者中,但它会显示出稳定的周期性,但不会显示出预测者漂移的预期。
我不是在比较它们,我是说两者都可以被 "画"。而他们是否这样做,你和我都无法确定。我认为,他们有时会画画,有时不会。而在他们不抽签的时候,我们可以赚取一些东西。
除了Oanda和CME 之外,我不知道。其他的只有价格图和刻度量。
除了oanda和CME ?
你又在比较!!!!
在CME,我得到了数量,在DM,我得到了情绪。
CME没有情绪
没有来自DME的数量。
它们是不一样的!!!清醒一点吧,可怜可怜我的键盘吧......请:)
除了OANDA和CME之外?
你又在比较!!!!
对于CME,我采取数量,对于DM,我采取情绪。
CME没有情绪。
没有来自DME的数量。
它们是不一样的!!!清醒一点吧,可怜可怜我的键盘吧......请:)
再一次。我不是在比较它们,我是说两者都可以被 "画"。
而它们的共同点是,它们是唯一不同于所有其他的,只有价格图和刻度量的。这两个人至少可以提供一些其他的分析。
那么,还有哪些8种情况比所有这些情况提供更多的信息?这将是有趣的事情。
我在第一步根本不建立树,但如果你用树来表示,你需要建立一棵树,一次性分配所有的预测器范围,即在每个叶子中分别分配.然后评估每个这样的叶子,如果它符合标准,那么保存分裂链。但是,我更喜欢3个阵列的范围/量子提取--所以在最终模型中实施。
既然如此,一切似乎都是正确的,我们最终在这些选定的叶片(量子/范围)上进一步建立模型。
对于模型来说,"1 "并不意味着100%的正确答案--模型的任务是汇总答案,建立某种相关关系并分配权重。
你是否能在没有模型的情况下做到这一点,取决于预测的准确性如何转变,以及在什么转变下可以获利--有些策略甚至在35%的正确投入下也会获利。最简单的方法就是把它们的数量加起来(我甚至把它们分组),期望在总阈值时得到一个入场信号。
好吧,如果你做的是一棵树,那么只选择成功的链并只使用它们就是对准备好的树模型的重复。只需使用那些能提供所需成功概率的叶子进行交易,例如所有具有70%概率等级的叶子。对于概率<70%的叶子,你就不做任何反应。在我看来,这听起来与你正在做的事情类似。
但你在那里通过数组做一些事情...所以也许不是这样的。
当然,预测器中存在时间,但它会显示出持续的周期性,但不会显示出预测器漂移的预期。
我没有正确表达自己。所谓的意思是,与时间有关的权重被添加到损失函数中。越接近学习期结束,加的权重越大。有加权和无加权的变体将给出不同的损失,如果即使平均而言(无加权),它们也是一样的。但你当然应该进行实验。
那么,还有哪些8种情况比所有这些情况提供更多的信息?这将是有趣的事情。
为什么?
我现在要谷歌10个链接粘贴在这里做什么吗?
你打算用它做什么?
99.999%的人认为这没什么,只是在浪费我的时间。
我告诉你,大约有17个华盛顿特区的冲击,给你他们客户的立场。
谷歌一下。
这是我发现的一个。
该论坛对一些链接感到过敏好吧,如果你做一棵树,那么只选择成功的链并只使用它们是对准备好的树模型的重复。只需使用那些能提供所需成功概率的叶片进行交易,例如所有概率等级为70%的叶片。对于概率<70%的叶子,你就不做任何反应。在我看来,这听起来与你正在做的事情类似。
但你在那里通过数组做一些事情...因此,也许这并不具有可比性。
我有这样的方法,当从树上选择叶子时,但他们使用不同预测器的相关性,而在这里,我们谈论的是通过树选择一个预测器的一个价格段--我在这个段上有相对于平均15%的最大精度改进(范围/量值)。
我没有正确表达自己。所谓的意思是,与时间有关的权重被添加到损失函数中。越接近训练期结束,增加的重量就越多。有加权和无加权的变体将给出不同的损失,如果即使平均而言(无加权)它们也是一样的。但是,人们当然要进行试验。
我认为,在开始的时候,有必要以某种方式计算统计数据,是否有意义,然后在培训过程中实施。
因此,问题仍然是--如何做好它。
假设我有3个这样的二进制序列,在可比的时间间隔内有10个测量点。
A[]={1,0,0,1,1,1,1,1,0,1};
B[]={1,1,1,1,1,1,1,0,0,1};
C[]={1,1,0,1,1,1,0,1,0,1};
因此,我想了解/绘制一个单位的概率是如何随着单位的增加而变化的。
我明白,我应该先计算序列的数量,但同样,我应该把长序列算作一个,还是应该分别计算,例如1111分成1,11,111和1111,还是只算11?
然后我应该怎么做--我如何评估这个过程是有规律的还是随机的?
为了什么?
谢谢你。我会看一看,作为开始。也许我会想出一些用处来。