交易中的机器学习：理论、模型、实践和算法交易 - 页 2752 1...274527462747274827492750275127522753275427552756275727582759...3399 新评论 Aleksey Nikolayev 2022.09.18 08:59 #27511 СанСаныч Фоменко #:我不认为做一些无法达到预期效果的事情有什么意义。 为了以防万一，我要说的是，我不会告诉你应该怎么做。相反，我只是在想，如果有一种算法能产生很好的结果，但以智能交易系统的形式实现却很差（尽管我总是尽量避免这种选择），我自己会怎么做。最有可能的是，我会尝试使用更容易实现的算法来获得类似的结果。除其他事项外，我还会分析一下该算法到底擅长什么。 我会从 KNN 开始，如果它给出了相似的结果，那么就说明它很好地选择了一组共同的预测因子。如果结果差很多，那么可能只是在每个时间点选择了一个预测因子子集的问题。为了验证这一假设，我会尝试使用局部回归（类似 LOESS），因为回归已经可以比较预测因子的显著性。进一步的步骤已经基于分析结果。顺便说一句，随着矩阵在 mql5 中的出现，线性回归在 mql5 中变得很容易直接实现。 Aleksey Nikolayev 2022.09.18 09:10 #27512 Maxim Dmitrievsky #: 正确。由于缺乏先验假设，所以使用第二种类型。我不知道桑尼奇是怎么看的。 在我看来，先验假设是每个类别都是由高斯分布给出的，由于非平稳性，高斯分布会随着时间的推移而逐渐变化。如果没有这样的假设，使用马哈拉诺比距离方法就没有什么意义。 我个人认为，对于任何时间间隔的任何仪器而言，这样的假设都太强大了。 СанСаныч Фоменко 2022.09.18 09:38 #27513 Aleksey Nikolayev #:为了安全起见，我不会告诉你应该怎么做。相反，我只是在想，如果有一种算法能取得很好的结果，但以智能交易系统的形式实现却很差（尽管我总是尽量避免这种选择），我自己会怎么做。最有可能的是，我会尝试使用更容易实现的算法来获得类似的结果。除其他事项外，我还会分析一下该算法到底擅长什么。我会从 KNN 开始，如果它给出了相似的结果，那么就说明它很好地选择了一组共同的预测因子。如果结果差很多，那么可能只是在每个时刻选择了一个预测子集的问题。为了验证这一假设，我会尝试使用局部回归（类似 LOESS），因为回归已经可以比较预测因子的显著性。进一步的步骤已经基于分析结果。顺便说一句，随着矩阵在 mql5 中的出现，线性回归在 mql5 中变得很容易直接实现。 说来好笑，但任何矩阵平滑的变体都不具备预测能力，包括LOESS，我已经试过了。 Valeriy Yastremskiy 2022.09.18 10:53 #27514 СанСаныч Фоменко #:说来好笑，但任何 "mashek-smoothing "变体都不具备预测能力，包括LOESS。 我也放弃了平均法，但我意识到我的研究范围很小，不正规，也不具体。以前的研究不可能有特异性，但至少可以用正式的方式来描述，以便理解。调查了哪些平均值，在什么范围内，在什么时期。 ZY 我的数据是 18-20 年的数据，在所有 TF 4 和一些 BB 上分别进行了 3、14、60 和 120 次醪糟试验。在 TF 1 小时上的结果最好，甚至是价差耗尽。手动选择参数。 Maxim Kuznetsov 2022.09.18 11:08 #27515 СанСаныч Фоменко #:说来好笑，但任何 "mashek-smoothing "变体（包括LOESS）都不具备预测能力。 MAs本质上不具备预测能力。即使是矩阵，它们也与预测能力无关（这里要做的是将价格向量乘以 N 维矩阵，以获得利润；整个过程都是关于矩阵的准备和修正）。 它们涉及的是 "在 T 个时间点之前什么价格有效"，一般来说，这一点极为重要。从已经发生的事情的高度来看，T 时间之前是什么。它们或多或少都涉及对历史的解释（理解）。 mytarmailS 2022.09.18 11:25 #27516 СанСаныч Фоменко #: 使用 classDist 1) 当 classDist 约为 1 时训练/重新训练模型，即从算法的角度过滤好的状态 2) 将 classDist 作为整个样本的特征输入 3) 对不同状态进行过滤 4) 尝试简单训练和持续再训练 在所有情况下，预测能力都不优于随机预测能力，几乎是随机的....。 因此，这些说法的真实性存在疑问 Maxim Dmitrievsky 2022.09.18 17:57 #27517 Maxim Kuznetsov #:MA本质上没有预测能力。即使它们是矩阵，也与此无关（这里到底想要什么--将价格矢量与 N 维矩阵相乘以获取利润；整个过程都是关于矩阵的准备和修正）。它们是关于 "在 T 个时间点前什么价格有效"，一般来说，这一点极为重要。从已经发生的事情的高度来看，T 时间之前是什么。它们或多或少都涉及对历史的解释（理解）。 根据经典理论，最有预测能力的是接近当前的价格/水平/任何东西。我们尝试这样的 TS，结果却很不理想。这不是马斯基的错。 在现实中，这一点并没有得到尊重，当前的价格可能会受到远期变化的影响，而近期的变化可能会让人迷失方向。 这就是为什么我不相信在滑动窗口中进行再训练，尽管有时它看起来不错，比如在我的熵文章中。 找出历史上对未来有延迟影响的参照点是很有趣的。这可以通过原始方法在滑动窗口中实现。 如有必要，我可以更详细地介绍。一般来说，它可以看起来像一个浮动或移动的窗口，而不是固定的。现代序列处理算法的工作原理大致相同。但对于论坛来说，它们会有自己的特殊性，而这些特殊性并没有考虑在内。 为了确定具体情况，我们需要对分形及其特性进行一些理论分析。例如，将时间序列视为分形，那么就会有一些依据。 然后，层次/模式/其他东西就有了实际意义，并代表了对具有已知属性的系统的特定描述。然后，所有这些都可以归结为一种理论和共识。 在这方面有各种尝试，包括分数微分。但我们还需要更明确、更有力的东西。 在我看来，经济物理学已经走错了方向，也许我还没有完全理解它。公式多，意义少。 想想看 Valeriy Yastremskiy 2022.09.18 18:15 #27518 Maxim Dmitrievsky #:从经典角度看，最有预测能力的是接近当前价格的价格/水平/任何东西。我们尝试了这样的 TS，结果却令人大跌眼镜。这不能怪 Mashki。实际上，我们并没有观察到，当前价格会受到远处变化的影响，而最近的变化也会迷惑我们。这就是为什么我不相信在滑动窗口中进行再训练，尽管有时它看起来不错，就像我在关于熵的文章中所说的那样。找出历史上对未来有延迟影响的参照点是很有趣的。这也可以通过原始方法在滑动窗口中实现。如有必要，我可以更详细地介绍。一般来说，它可以看起来像一个浮动或移动的窗口，而不是固定的。现代序列处理算法的工作原理大致相同。但对于论坛来说，它们有自己的特殊性，而这些特殊性并没有考虑在内。为了确定具体情况，我们需要对分形及其特性进行一些理论分析。例如，将时间序列视为分形，那么就会有一些可以依赖的东西。想想看 分形会带来什么？ Aleksey Vyazmikin 2022.09.18 18:21 #27519 Maxim Dmitrievsky #:在历史中找出会对未来产生延迟影响的参照点是非常有趣的。这也可以通过原始方法在滑动窗口中实现。 在这里，他用 "参照点 "取代了我的 "事件 "概念，假装他十几天前还不知道这件事....。是的。 Maxim Kuznetsov 2022.09.18 18:21 #27520 Maxim Dmitrievsky #:从经典角度看，最有预测能力的是接近当前价格的价格/水平/任何东西。我们尝试了这样的 TS，结果却令人大跌眼镜。这不能怪 Mashki。实际上，我们并没有观察到，当前价格会受到远处变化的影响，而最近的变化也会迷惑我们。这就是为什么我不相信在滑动窗口中进行再训练，尽管有时它看起来不错，就像我在关于熵的文章中所说的那样。找出历史上 对未来有延迟影响的参照点 是很有趣 的。这也可以通过原始方法在滑动窗口中实现。如有必要，我可以更详细地介绍。一般来说，它可以看起来像一个浮动或移动的窗口，而不是固定的。现代序列处理算法的工作原理大致相同。但对于论坛来说，它们有自己的特殊性，而这些特殊性并没有考虑在内。为了确定具体情况，我们需要对分形及其特性进行一些理论分析。例如，将时间序列视为分形，那么就会有一些可以依赖的东西。在这方面有各种尝试，包括分数微分。但我们还需要更明确、更有力的东西。在我看来，经济物理学已经走错了方向，也许我并不完全理解。公式多，意义少。想想看 经典 SB 之外的历史要点值得特别关注。 1...274527462747274827492750275127522753275427552756275727582759...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
我不认为做一些无法达到预期效果的事情有什么意义。
为了以防万一，我要说的是，我不会告诉你应该怎么做。相反，我只是在想，如果有一种算法能产生很好的结果，但以智能交易系统的形式实现却很差（尽管我总是尽量避免这种选择），我自己会怎么做。最有可能的是，我会尝试使用更容易实现的算法来获得类似的结果。除其他事项外，我还会分析一下该算法到底擅长什么。
我会从 KNN 开始，如果它给出了相似的结果，那么就说明它很好地选择了一组共同的预测因子。如果结果差很多，那么可能只是在每个时间点选择了一个预测因子子集的问题。为了验证这一假设，我会尝试使用局部回归（类似 LOESS），因为回归已经可以比较预测因子的显著性。进一步的步骤已经基于分析结果。顺便说一句，随着矩阵在 mql5 中的出现，线性回归在 mql5 中变得很容易直接实现。
正确。由于缺乏先验假设，所以使用第二种类型。我不知道桑尼奇是怎么看的。
在我看来，先验假设是每个类别都是由高斯分布给出的，由于非平稳性，高斯分布会随着时间的推移而逐渐变化。如果没有这样的假设，使用马哈拉诺比距离方法就没有什么意义。
我个人认为，对于任何时间间隔的任何仪器而言，这样的假设都太强大了。
为了安全起见，我不会告诉你应该怎么做。相反，我只是在想，如果有一种算法能取得很好的结果，但以智能交易系统的形式实现却很差（尽管我总是尽量避免这种选择），我自己会怎么做。最有可能的是，我会尝试使用更容易实现的算法来获得类似的结果。除其他事项外，我还会分析一下该算法到底擅长什么。
我会从 KNN 开始，如果它给出了相似的结果，那么就说明它很好地选择了一组共同的预测因子。如果结果差很多，那么可能只是在每个时刻选择了一个预测子集的问题。为了验证这一假设，我会尝试使用局部回归（类似 LOESS），因为回归已经可以比较预测因子的显著性。进一步的步骤已经基于分析结果。顺便说一句，随着矩阵在 mql5 中的出现，线性回归在 mql5 中变得很容易直接实现。
说来好笑，但任何矩阵平滑的变体都不具备预测能力，包括LOESS，我已经试过了。
说来好笑，但任何 "mashek-smoothing "变体都不具备预测能力，包括LOESS。
我也放弃了平均法，但我意识到我的研究范围很小，不正规，也不具体。以前的研究不可能有特异性，但至少可以用正式的方式来描述，以便理解。调查了哪些平均值，在什么范围内，在什么时期。
ZY 我的数据是 18-20 年的数据，在所有 TF 4 和一些 BB 上分别进行了 3、14、60 和 120 次醪糟试验。在 TF 1 小时上的结果最好，甚至是价差耗尽。手动选择参数。
说来好笑，但任何 "mashek-smoothing "变体（包括LOESS）都不具备预测能力。
MAs本质上不具备预测能力。即使是矩阵，它们也与预测能力无关（这里要做的是将价格向量乘以 N 维矩阵，以获得利润；整个过程都是关于矩阵的准备和修正）。
它们涉及的是 "在 T 个时间点之前什么价格有效"，一般来说，这一点极为重要。从已经发生的事情的高度来看，T 时间之前是什么。它们或多或少都涉及对历史的解释（理解）。
使用 classDist
1) 当 classDist 约为 1 时训练/重新训练模型，即从算法的角度过滤好的状态
2) 将 classDist 作为整个样本的特征输入
3) 对不同状态进行过滤
4) 尝试简单训练和持续再训练
在所有情况下，预测能力都不优于随机预测能力，几乎是随机的....。
因此，这些说法的真实性存在疑问
MA本质上没有预测能力。即使它们是矩阵，也与此无关（这里到底想要什么--将价格矢量与 N 维矩阵相乘以获取利润；整个过程都是关于矩阵的准备和修正）。
它们是关于 "在 T 个时间点前什么价格有效"，一般来说，这一点极为重要。从已经发生的事情的高度来看，T 时间之前是什么。它们或多或少都涉及对历史的解释（理解）。
根据经典理论，最有预测能力的是接近当前的价格/水平/任何东西。我们尝试这样的 TS，结果却很不理想。这不是马斯基的错。
在现实中，这一点并没有得到尊重，当前的价格可能会受到远期变化的影响，而近期的变化可能会让人迷失方向。
这就是为什么我不相信在滑动窗口中进行再训练，尽管有时它看起来不错，比如在我的熵文章中。
找出历史上对未来有延迟影响的参照点是很有趣的。这可以通过原始方法在滑动窗口中实现。
如有必要，我可以更详细地介绍。一般来说，它可以看起来像一个浮动或移动的窗口，而不是固定的。现代序列处理算法的工作原理大致相同。但对于论坛来说，它们会有自己的特殊性，而这些特殊性并没有考虑在内。
为了确定具体情况，我们需要对分形及其特性进行一些理论分析。例如，将时间序列视为分形，那么就会有一些依据。
然后，层次/模式/其他东西就有了实际意义，并代表了对具有已知属性的系统的特定描述。然后，所有这些都可以归结为一种理论和共识。
在这方面有各种尝试，包括分数微分。但我们还需要更明确、更有力的东西。
在我看来，经济物理学已经走错了方向，也许我还没有完全理解它。公式多，意义少。
想想看
从经典角度看，最有预测能力的是接近当前价格的价格/水平/任何东西。我们尝试了这样的 TS，结果却令人大跌眼镜。这不能怪 Mashki。
实际上，我们并没有观察到，当前价格会受到远处变化的影响，而最近的变化也会迷惑我们。
这就是为什么我不相信在滑动窗口中进行再训练，尽管有时它看起来不错，就像我在关于熵的文章中所说的那样。
找出历史上对未来有延迟影响的参照点是很有趣的。这也可以通过原始方法在滑动窗口中实现。
如有必要，我可以更详细地介绍。一般来说，它可以看起来像一个浮动或移动的窗口，而不是固定的。现代序列处理算法的工作原理大致相同。但对于论坛来说，它们有自己的特殊性，而这些特殊性并没有考虑在内。
为了确定具体情况，我们需要对分形及其特性进行一些理论分析。例如，将时间序列视为分形，那么就会有一些可以依赖的东西。
想想看
分形会带来什么？
在历史中找出会对未来产生延迟影响的参照点是非常有趣的。这也可以通过原始方法在滑动窗口中实现。
在这里，他用 "参照点 "取代了我的 "事件 "概念，假装他十几天前还不知道这件事....。是的。
从经典角度看，最有预测能力的是接近当前价格的价格/水平/任何东西。我们尝试了这样的 TS，结果却令人大跌眼镜。这不能怪 Mashki。
实际上，我们并没有观察到，当前价格会受到远处变化的影响，而最近的变化也会迷惑我们。
这就是为什么我不相信在滑动窗口中进行再训练，尽管有时它看起来不错，就像我在关于熵的文章中所说的那样。
找出历史上 对未来有延迟影响的参照点 是很有趣 的。这也可以通过原始方法在滑动窗口中实现。
如有必要，我可以更详细地介绍。一般来说，它可以看起来像一个浮动或移动的窗口，而不是固定的。现代序列处理算法的工作原理大致相同。但对于论坛来说，它们有自己的特殊性，而这些特殊性并没有考虑在内。
为了确定具体情况，我们需要对分形及其特性进行一些理论分析。例如，将时间序列视为分形，那么就会有一些可以依赖的东西。
在这方面有各种尝试，包括分数微分。但我们还需要更明确、更有力的东西。
在我看来，经济物理学已经走错了方向，也许我并不完全理解。公式多，意义少。
想想看
经典 SB 之外的历史要点值得特别关注。