交易中的机器学习:理论、模型、实践和算法交易 - 页 2645 1...263826392640264126422643264426452646264726482649265026512652...3399 新评论 mytarmailS 2022.05.20 18:01 #26441 Aleksey Nikolayev #:情况很可能就是这样。不过,在比较/选择特征和优化元参数方面,这似乎是一种更容易解释的方法。 关联规则是怎么回事? Aleksey Nikolayev 2022.05.20 19:48 #26442 mytarmailS #: 联营规则不可行怎么办? 思路大致是清晰的。无论如何,我们首先需要想出一种算法,将连续的预测项集合划分为离散项,并据此形成规则。如果真的存在并找到了这种好的预测项及其好的分区,剩下的就是技术问题了。 mytarmailS 2022.05.21 05:18 #26443 Aleksey Nikolayev #:总的来说,思路是清晰的。无论如何,我们首先需要想出一种算法,将一组连续的预测项划分为离散项,并从中形成规则。如果真的存在并找到了这种好的预测项及其好的分区,剩下的就是技术问题了。 我一开始写错了,我想错了。这完全取决于你想做什么。如果你想找一些清晰的水平,我只是将价格归一化,再四舍五入一下,就能找到反弹模式,但搜索空间很大,重复性很小。 但如果是其他事情,正常的聚类是一个很好的解决方案。 mytarmailS 2022.05.21 08:39 #26444 符号回归实验... 从根本上说,实现的是顺序关联规则,但不是静态项,而是逻辑规则。这使得算法更有深度,可以更巧妙地理解其观察结果。这一概念使得描述任何类型的规律性成为可能,因为规则的复杂性和类型不受任何限制。 有一勺焦油,算法无法研究大型数据数组,因为由于其架构的特殊性,数据数组非常长。 因此,我想出了一些降低搜索维度的方法。 1) 我只对极端值感兴趣,集中研究极端值可以将搜索空间缩小 10-20 倍,而我们真正需要从市场中了解的是它是否是反转、趋势-趋势、平滑-平滑......这些主观的废话让我们无法集中精力做主要的事情。 2) 在我看来,我发明并实现了类似于 "一次学习 "的东西,现在我不需要计算整个历史就能学到东西,这不是什么很酷的诀窍,这更像是一种无奈之举,因为学习整个历史是行不通的,至少现在还不行。 到目前为止,我们只进行了第一次实验,但我可以肯定地说,这种算法并不完全是愚蠢的,是值得学习的。 交易算法本身由模式组成,模式是针对特定情况的一套规则。 这是一种情况下的模式。 规则很原始,但我们才刚刚开始热身)。 该模式的交易方式就像觅食,模式中有许多规则,如果触发了规则的某个临界值,URAH 就会识别出反转并进行交易。 看起来是这样的。 是这样的 该算法的魅力何在? 1) 可以说,它能深入挖掘形态。 2) 它与指数无关,也不使用表格数据,因此可以抵御非平稳性以及关联规则的影响。 mytarmailS 2022.05.21 08:50 #26445 顺便说一句,也许有人会对此感兴趣。 很多时候,如果反弹不起作用,阻力就会变成支撑。 如图所示。 这也是可以解释的,所以水平线就在那里,不可能不在那里。 Aleksey Vyazmikin 2022.05.21 13:38 #26446 Aleksey Nikolayev #:我正在考虑将我的想法 与PRIM 算法 的想法结合起来的可能性。我没什么好炫耀的。 奇怪的是,这个 PRIM 包含的想法与我试图实现的想法相同。 我读了这篇文章,但有一些困惑: 1.边界划分的量化过程是怎样的?是有一定步骤的统一分割吗? 2.边界很清楚--我自己也是这么做的,但图片中还有一个额外的剪切--第二个剪切是愚蠢的排除采样吗? 3.如果我没理解错的话,他们和我一样,也是单独考虑每个预测因子--找到所谓的 "框",但我不明白他们是如何将这些不同的预测因子结合起来的。 这种方法的缺点是,它通过引导 取样(从整个样本中随机抽取一定比例的样本)来评估指标的稳定性,这无法了解指标稳定性的动态变化,而这反过来对交易又很重要,因为模式可能在样本开始时存在,但到样本结束时就完全消失了。 您对这种方法有什么改进意见吗? Aleksey Vyazmikin 2022.05.21 13:47 #26447 mytarmailS #:尝试符号回归.....从根本上说,实现的是顺序关联规则,而不是静态项--逻辑规则。这使得算法更有深度,可以更巧妙地理解其观察结果。这一概念使得描述任何类型的规律性成为可能,因为规则的复杂性和类型不受任何限制。 我的理解是否正确,即这是同一个带有预测因子的表格,但不等式不仅由预测因子得分构建,还由预测因子本身之间的不等式构建? mytarmailS#: 2) 在我看来,我发明并实现了一种类似于 "一次学习 "的方法,现在我不需要计算整个历史记录来学习某些东西了,这不是什么很酷的诀窍,这更像是一种无奈之举,因为在整个历史记录上学习是不可能的,至少现在还不可能。 也就是说,取一个例子,生成许多由不等式组成的叶子(模式)的变体,然后在更大的样本上进行测试,那些结果可以接受的--就留下,对吗? mytarmailS#: 算法的魅力何在?1) 如果我可以这么说的话,它深入到了模式中。2) 它不与指数挂钩,也不处理表格数据,因此可以抵御非平稳性以及关联规则的影响。 在这里我不明白,如果数据不在表格中,那你给它提供什么数据? mytarmailS 2022.05.21 15:57 #26448 Aleksey Vyazmikin #: 1.一切皆有可能,幻想的极限2.是3. 以及联想规则,但更深刻 Aleksey Vyazmikin 2022.05.21 18:45 #26449 mytarmailS #: 1.一切皆有可能,幻想的极限 2.是的 3.与联想规则相同,但更深入 1.你可以说得更具体--比如还可以是什么。 2.这些规则的生成速度如何?也许将它们上传到 MQL5 并通过历史记录运行会更有意义--由于代理的存在,这样可能会更快。我已经做过类似的工作,很久以前写过,但我是从遗传树上摘取树叶的。 3.我不明白答案--你输入了什么--这才是问题所在。 Serqey Nikitin 2022.05.22 05:01 #26450 secret "圣杯",作者也会开始解释 自己是个傻瓜。) 这种解释有一定道理,因为 "交易中的圣杯 "这一概念没有定义,所以我们所有人都同意这一定义.....。 如果没有定义,那么 "天鹅、小龙虾和梭子鱼 "就开始....。 1...263826392640264126422643264426452646264726482649265026512652...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
情况很可能就是这样。不过,在比较/选择特征和优化元参数方面,这似乎是一种更容易解释的方法。
联营规则不可行怎么办?
思路大致是清晰的。无论如何,我们首先需要想出一种算法,将连续的预测项集合划分为离散项,并据此形成规则。如果真的存在并找到了这种好的预测项及其好的分区,剩下的就是技术问题了。
总的来说,思路是清晰的。无论如何,我们首先需要想出一种算法,将一组连续的预测项划分为离散项,并从中形成规则。如果真的存在并找到了这种好的预测项及其好的分区,剩下的就是技术问题了。
符号回归实验...
从根本上说,实现的是顺序关联规则,但不是静态项,而是逻辑规则。这使得算法更有深度,可以更巧妙地理解其观察结果。这一概念使得描述任何类型的规律性成为可能,因为规则的复杂性和类型不受任何限制。
有一勺焦油,算法无法研究大型数据数组,因为由于其架构的特殊性,数据数组非常长。
因此,我想出了一些降低搜索维度的方法。
1) 我只对极端值感兴趣,集中研究极端值可以将搜索空间缩小 10-20 倍,而我们真正需要从市场中了解的是它是否是反转、趋势-趋势、平滑-平滑......这些主观的废话让我们无法集中精力做主要的事情。
2) 在我看来,我发明并实现了类似于 "一次学习 "的东西,现在我不需要计算整个历史就能学到东西,这不是什么很酷的诀窍,这更像是一种无奈之举,因为学习整个历史是行不通的,至少现在还不行。
到目前为止,我们只进行了第一次实验,但我可以肯定地说,这种算法并不完全是愚蠢的,是值得学习的。
交易算法本身由模式组成,模式是针对特定情况的一套规则。
这是一种情况下的模式。
规则很原始,但我们才刚刚开始热身)。
该模式的交易方式就像觅食,模式中有许多规则,如果触发了规则的某个临界值,URAH 就会识别出反转并进行交易。
看起来是这样的。
是这样的
该算法的魅力何在?
1) 可以说,它能深入挖掘形态。
2) 它与指数无关,也不使用表格数据,因此可以抵御非平稳性以及关联规则的影响。
顺便说一句,也许有人会对此感兴趣。
很多时候,如果反弹不起作用,阻力就会变成支撑。
如图所示。
这也是可以解释的,所以水平线就在那里,不可能不在那里。
我正在考虑将我的想法 与PRIM 算法 的想法结合起来的可能性。我没什么好炫耀的。
奇怪的是,这个 PRIM 包含的想法与我试图实现的想法相同。
我读了这篇文章,但有一些困惑:
1.边界划分的量化过程是怎样的?是有一定步骤的统一分割吗?
2.边界很清楚--我自己也是这么做的,但图片中还有一个额外的剪切--第二个剪切是愚蠢的排除采样吗?
3.如果我没理解错的话,他们和我一样,也是单独考虑每个预测因子--找到所谓的 "框",但我不明白他们是如何将这些不同的预测因子结合起来的。
这种方法的缺点是,它通过引导 取样(从整个样本中随机抽取一定比例的样本)来评估指标的稳定性,这无法了解指标稳定性的动态变化,而这反过来对交易又很重要,因为模式可能在样本开始时存在,但到样本结束时就完全消失了。
您对这种方法有什么改进意见吗?
尝试符号回归.....
从根本上说,实现的是顺序关联规则,而不是静态项--逻辑规则。这使得算法更有深度,可以更巧妙地理解其观察结果。这一概念使得描述任何类型的规律性成为可能,因为规则的复杂性和类型不受任何限制。
我的理解是否正确,即这是同一个带有预测因子的表格,但不等式不仅由预测因子得分构建,还由预测因子本身之间的不等式构建?
2) 在我看来,我发明并实现了一种类似于 "一次学习 "的方法,现在我不需要计算整个历史记录来学习某些东西了,这不是什么很酷的诀窍,这更像是一种无奈之举,因为在整个历史记录上学习是不可能的,至少现在还不可能。
也就是说,取一个例子,生成许多由不等式组成的叶子(模式)的变体,然后在更大的样本上进行测试,那些结果可以接受的--就留下,对吗?
算法的魅力何在?
1) 如果我可以这么说的话,它深入到了模式中。
2) 它不与指数挂钩,也不处理表格数据,因此可以抵御非平稳性以及关联规则的影响。
在这里我不明白,如果数据不在表格中,那你给它提供什么数据?
1.一切皆有可能,幻想的极限
1.你可以说得更具体--比如还可以是什么。
2.这些规则的生成速度如何?也许将它们上传到 MQL5 并通过历史记录运行会更有意义--由于代理的存在,这样可能会更快。我已经做过类似的工作,很久以前写过,但我是从遗传树上摘取树叶的。
3.我不明白答案--你输入了什么--这才是问题所在。
这种解释有一定道理,因为 "交易中的圣杯 "这一概念没有定义,所以我们所有人都同意这一定义.....。
如果没有定义,那么 "天鹅、小龙虾和梭子鱼 "就开始....。