交易中的机器学习：理论、模型、实践和算法交易 - 页 2706 1...269927002701270227032704270527062707270827092710271127122713...3399 新评论 Aleksey Vyazmikin 2022.08.27 08:27 #27051 mytarmailS #: 我读到这里，发现每个人都能理解自己的对话...... 一个人看到了团队，另一个人看到了别的东西。 Karoch，情况应该是这样的：有一个共同的原始数据集，包含初始数据和目标... 以 csv 或 txt 格式提供，这样任何人都可以使用任何语言对其进行处理...... 每个人都应该自己制作预测器，这就是为什么它是原始数据... 我不会碰 mcl，要么您解释最初的规则（fn. Active. 根据您的说法），要么我在 mashka 上做，就像我之前说的那样....。 这样做的目的是比较产生特质的方法，而不是一个团队，也不是为了赚钱。 你无法比较特征生成方法，因为我还没有用代码创建一个系统。可以比较的是你的系统与我的预测因子集以及我选择预测因子的系统/方法。 任何人都可以从 MQL 服务器的历史区间获取数据 - 您需要连续的历史数据。但最终要训练的样本将是一个数量级更小的样本串，但有额外的预测因子。 我建议使用的 Expert Advisor 会保存打开的预测器，在 csv 文件的末尾会有财务结果和目标列，您可以从中获取触发 "初始规则"/激活函数的时间信息，因此无需在 R 中复制算法。 我建议将 2010 年至 2020 年的时间间隔用于训练，其余时间用于测试训练之外的结果。 在创建预测器时，您可以将结果保存为 csv 格式，我也会这么做。此外，您也可以合并列，在不同范围内或单独进行研究--这对于比较同步的正确性很有必要。 如果您不想深入研究，我可以发送纯粹的标记。 Maxim Dmitrievsky 2022.08.27 08:50 #27052 Aleksey Vyazmikin #:你无法比较特征生成的方法，因为我还没有用代码创建一个系统。您可以将您的系统与我的预测因子集及其选择系统/方法进行比较。任何人都可以从 MQL 服务器的历史区间获取数据 - 您需要连续的历史数据。但用于训练的最终样本将是一个数量级更小的字符串，其中包含示例，但有额外的预测因子。我建议使用的 Expert Advisor 将保存打开的预测器，在 csv 文件末尾将有财务结果和目标列，您可以从中获取 "初始规则"/激活函数触发时间的信息，因此无需在 R 中复制算法。我建议的时间间隔是从 2010 年到 2020 年--训练，其余时间用于检查训练之外的结果。创建预测器后，您可以将结果保存为 csv 格式，我也会这么做。您可以合并列并在不同范围内进行研究，也可以单独进行研究--您需要用它来比较同步的正确性。如果您根本不想研究，我可以发送纯粹的标记。让我们回到逻辑上来可以有很多不同的属性，它们可能有信息量，也可能没有，这取决于它们与目标的关系。关系和契合度之间有什么区别？标签对每个特征的信息依赖程度越低，训练所需的特征就越多。增加特征的数量会导致拟合，因为系统开始有大量的自由参数在这种情况下，唯一正确的方法是什么？尽量减少特征数量，同时增加特征与目标特征的比例这就是为什么有必要根据某种信息绑定标准，不仅轰击特征，而且轰击目标特征。 如果有人愿意朝这个方向努力，我将提供代码帮助。 Aleksey Vyazmikin 2022.08.27 09:26 #27053 Maxim Dmitrievsky #:让我们回到逻辑上来可以有很多不同的属性，它们可能有信息量，也可能没有，这取决于它们与目标属性的关系。关系和契合度之间的区别是什么？标签对每个特征的信息依赖程度越低，训练所需的特征就越多。增加特征的数量会导致拟合，因为系统开始有大量的自由参数在这种情况下，唯一正确的方法是什么？尽量减少特征数量，同时增加特征与目标特征的比例这就是为什么有必要根据某种信息绑定标准，不仅轰击特征，而且轰击目标特征。 如果有人愿意朝这个方向努力，我会在代码方面提供帮助。 当然，我同意这个逻辑，这也是我之前建议的原因--我们可以随机识别预测因子，然后将它们用于标记。 对我来说，这些具有预测能力的点就是事件，我通常认为要对它们进行单独训练，或将它们与表单分开，然后再执行任何累积训练程序。 这样的事件可以被视为一个独立的交易系统，可以对这些系统的行为/效率进行分析。 现在，对我来说，净值化的问题是这些事件的独立核算，即虚拟支持，可以在真实数据上正确工作，而不会失去通信和其他乐趣。 mytarmailS 2022.08.27 11:51 #27054 Aleksey Vyazmikin #:由于我尚未用代码创建系统，因此无法对特征生成方法进行比较。比较方法。 这是我唯一感兴趣的地方。我有自己的样本，但我没有精力/动力去完成并应用我的超级算法，这就是我这样做的动机......而你却告诉我拿着我的样本，还要进入 µl)))) 而你自己却什么都不做....不，谢谢...我不想拉我的马车，你却让我也拉我的马车。 这就是它的样子。 Aleksey Vyazmikin 2022.08.27 11:53 #27055 mytarmailS #:方法比较 这是我唯一感兴趣的事情。 那就比较人类和机器生成预测器的方法吧：) mytarmailS 2022.08.27 12:03 #27056 Aleksey Vyazmikin #:因此，请比较一下人类和机器生成预测器的方法:) 你为什么要做这一行？ Aleksey Vyazmikin 2022.08.27 12:12 #27057 mytarmailS #: 那你在这整件事中是做什么的？ 澄清一下，我生成的预测器 mytarmailS 2022.08.27 12:20 #27058 Aleksey Vyazmikin #:特别是我生成的预测器。 你真的认为这有任何价值吗？ Maxim Dmitrievsky 2022.08.27 12:58 #27059 Aleksey Vyazmikin #:我当然同意这个逻辑，这也是我之前建议的原因--我们随机确定预测因子，然后将它们用于标记。对我来说，这些具有预测能力的点就是我通常认为要单独训练的事件，或者说要从中分离出片段，然后再执行任何综合训练程序。这样的事件可以被视为一个独立的交易系统，可以对这些系统的行为/效率进行分析。现在，对我来说，净值化的问题是这些事件的独立核算，即虚拟支持，可以在真实数据上正常工作，而不会丢失通信和其他乐趣。 首先，有必要删除干扰思考的不必要词汇和术语。否则，合作是根本不可能的。有一些选择标志的通用方法，但需要根据时间序列和交易的具体情况进行调整。在标注图表时，可以使用现成的方法，并找出更好的使用方法。整个工具包都是可用的。事件、点、规则、信号......所有这些都与机器学习无关，而且模糊了对真正工作的理解。最后，你只能把一团浆糊从一个人的头脑中转移到另一个人的头脑中。你们都在写自己的自行车，据说你们发明了某种科学方法，有些事情即将发生，但你们缺乏计算能力、欲望或奴隶，因此一切都在按部就班地进行。同时，你们也无法严格定义自己到底在做什么，其中是否有逻辑。这些都是为自己找的借口，是一种情绪化的做法。有时候，多写一篇文章，把零散的文字和想法系统化，这样行动的逻辑性就会清晰起来。否则，你在做事，却忘记了基础，忘记了出发点，看看一切是否符合逻辑，是否脱离了现实。 Aleksey Vyazmikin 2022.08.27 15:11 #27060 mytarmailS #: 你真的认为这有什么价值吗？ 当然有你可以看看你的方法能给你带来什么样的收益。也许它微不足道，以至于没有实施的必要，反之亦然。 1...269927002701270227032704270527062707270827092710271127122713...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
我读到这里，发现每个人都能理解自己的对话......
你无法比较特征生成方法，因为我还没有用代码创建一个系统。可以比较的是你的系统与我的预测因子集以及我选择预测因子的系统/方法。
任何人都可以从 MQL 服务器的历史区间获取数据 - 您需要连续的历史数据。但最终要训练的样本将是一个数量级更小的样本串，但有额外的预测因子。
我建议使用的 Expert Advisor 会保存打开的预测器，在 csv 文件的末尾会有财务结果和目标列，您可以从中获取触发 "初始规则"/激活函数的时间信息，因此无需在 R 中复制算法。
我建议将 2010 年至 2020 年的时间间隔用于训练，其余时间用于测试训练之外的结果。
在创建预测器时，您可以将结果保存为 csv 格式，我也会这么做。此外，您也可以合并列，在不同范围内或单独进行研究--这对于比较同步的正确性很有必要。
如果您不想深入研究，我可以发送纯粹的标记。
你无法比较特征生成的方法，因为我还没有用代码创建一个系统。您可以将您的系统与我的预测因子集及其选择系统/方法进行比较。
任何人都可以从 MQL 服务器的历史区间获取数据 - 您需要连续的历史数据。但用于训练的最终样本将是一个数量级更小的字符串，其中包含示例，但有额外的预测因子。
我建议使用的 Expert Advisor 将保存打开的预测器，在 csv 文件末尾将有财务结果和目标列，您可以从中获取 "初始规则"/激活函数触发时间的信息，因此无需在 R 中复制算法。
我建议的时间间隔是从 2010 年到 2020 年--训练，其余时间用于检查训练之外的结果。
创建预测器后，您可以将结果保存为 csv 格式，我也会这么做。您可以合并列并在不同范围内进行研究，也可以单独进行研究--您需要用它来比较同步的正确性。
如果您根本不想研究，我可以发送纯粹的标记。
让我们回到逻辑上来
可以有很多不同的属性，它们可能有信息量，也可能没有，这取决于它们与目标的关系。
关系和契合度之间有什么区别？
标签对每个特征的信息依赖程度越低，训练所需的特征就越多。
增加特征的数量会导致拟合，因为系统开始有大量的自由参数
在这种情况下，唯一正确的方法是什么？尽量减少特征数量，同时增加特征与目标特征的比例
这就是为什么有必要根据某种信息绑定标准，不仅轰击特征，而且轰击目标特征。
如果有人愿意朝这个方向努力，我将提供代码帮助。让我们回到逻辑上来
可以有很多不同的属性，它们可能有信息量，也可能没有，这取决于它们与目标属性的关系。
关系和契合度之间的区别是什么？
标签对每个特征的信息依赖程度越低，训练所需的特征就越多。
增加特征的数量会导致拟合，因为系统开始有大量的自由参数
在这种情况下，唯一正确的方法是什么？尽量减少特征数量，同时增加特征与目标特征的比例
这就是为什么有必要根据某种信息绑定标准，不仅轰击特征，而且轰击目标特征。
如果有人愿意朝这个方向努力，我会在代码方面提供帮助。当然，我同意这个逻辑，这也是我之前建议的原因--我们可以随机识别预测因子，然后将它们用于标记。
对我来说，这些具有预测能力的点就是事件，我通常认为要对它们进行单独训练，或将它们与表单分开，然后再执行任何累积训练程序。
这样的事件可以被视为一个独立的交易系统，可以对这些系统的行为/效率进行分析。
现在，对我来说，净值化的问题是这些事件的独立核算，即虚拟支持，可以在真实数据上正确工作，而不会失去通信和其他乐趣。
由于我尚未用代码创建系统，因此无法对特征生成方法进行比较。
那就比较人类和机器生成预测器的方法吧：)
因此，请比较一下人类和机器生成预测器的方法:)
那你在这整件事中是做什么的？
澄清一下，我生成的预测器
特别是我生成的预测器。
我当然同意这个逻辑，这也是我之前建议的原因--我们随机确定预测因子，然后将它们用于标记。
对我来说，这些具有预测能力的点就是我通常认为要单独训练的事件，或者说要从中分离出片段，然后再执行任何综合训练程序。
这样的事件可以被视为一个独立的交易系统，可以对这些系统的行为/效率进行分析。
现在，对我来说，净值化的问题是这些事件的独立核算，即虚拟支持，可以在真实数据上正常工作，而不会丢失通信和其他乐趣。
你真的认为这有什么价值吗？
当然有你可以看看你的方法能给你带来什么样的收益。也许它微不足道，以至于没有实施的必要，反之亦然。