交易中的机器学习：理论、模型、实践和算法交易 - 页 2571

新评论
 
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 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。

 
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:)

 
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。

 
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 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。

 
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&nbsp;     
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
 
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 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？

 
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